MiniMax એ Hugging Face પર તેના H3 વિડિયો-જનરેશન મોડલના weights પોસ્ટ કર્યા છે, તેથી યોગ્ય GPU ધરાવતી કોઈપણ વ્યક્તિ મુખ્ય સિસ્ટમ ડાઉનલોડ કરી શકે છે. આ રિલીઝ સંપૂર્ણ કોમર્શિયલ પાઇપલાઇન સુધી પહોંચતી નથી – માત્ર H3-Base જનરેટર જ open-weight છે; પ્રી-પ્રોસેસિંગ અને અપસ્કેલિંગ તબક્કાઓ API પાછળ રહે છે.

ઓપન-વેઇટ રિલીઝમાં ખરેખર શું સમાવિષ્ટ છે

MiniMax નું H3 આર્કિટેક્ચર ત્રણ લોજિકલ બ્લોક્સમાં વહેંચાયેલું છે. જે બે માત્ર API-આધારિત છે તે નીચે મુજબ છે:

  • Context-IR layer – ઇનપુટ ટેક્સ્ટ, ઈમેજીસ અથવા વિડિયો સ્નિપેટ્સનું પ્રી-પ્રોસેસિંગ કરે છે.
  • Regenerate-2K layer – આઉટપુટને હાઇ-રિઝોલ્યુશન (2K) વિડિયોમાં બૂસ્ટ કરે છે.

ડેવલપર્સ H3-Base core generator ડાઉનલોડ કરી શકે છે, જે એન્જિન છે જે મલ્ટિમોડલ પ્રોમ્પ્ટ્સને નેટિવ ઓડિયો સાથેના 768-pixel-short-edge વિડિયો ક્લિપમાં રૂપાંતરિત કરે છે.

હાર્ડવેર અને રનટાઇમ વાસ્તવિકતાઓ

આ મોડલમાં 33 બિલિયન પેરામીટર્સ છે અને તે બે પ્રકારમાં ઉપલબ્ધ છે:

  • fl2va – ટેક્સ્ટ અને ઈમેજ પ્રોમ્પ્ટ્સ સ્વીકારે છે.
  • ref2va – પ્રોમ્પ્ટના ભાગરૂપે રેફરન્સ વિડિયો સ્વીકારે છે.

સૌથી નાનું quantized checkpoint લગભગ 21 GB છે; ફૂલ-પ્રિસિઝન checkpoint 123.6 GB છે. MiniMax સરળ કામગીરી માટે ઓછામાં ઓછી 42.5 GB VRAM અથવા સ્ટોરેજની ભલામણ કરે છે.

12 GB GPU પર, ડેવલપર્સ CPU offloading સાથે મોડલ ચલાવી શકે છે, પરંતુ inference નોંધપાત્ર રીતે ધીમું પડે છે. લોકલ જનરેશન શોર્ટ એજ પર 768 px સુધી મર્યાદિત છે, જે પ્રોપ્રાઇટરી Regenerate-2K લેયર દ્વારા આપવામાં આવતા 2K રિઝોલ્યુશન કરતા ઘણું ઓછું છે.

આ રિલીઝ શા માટે મહત્વની છે

Artificial Analysis ના તાજેતરના રેન્કિંગમાં H3 ને "video editing" કેટેગરીમાં પ્રથમ અને "text-to-video" તથા "image-to-video" બંનેમાં ટોચના ત્રણમાં સ્થાન મળ્યું છે. આ સ્કોર્સ તેને આજે ઉપલબ્ધ સૌથી સક્ષમ ઓપન-વેઇટ વિડિયો મોડલ બનાવે છે.

આ મોડલ મલ્ટિમોડલ છે: તે ટેક્સ્ટ, ઈમેજીસ, વિડિયો અને ઓડિયો સમજી શકે છે, અને તે સિંક્રનાઇઝ્ડ સાઉન્ડ સાથે વિડિયો બનાવી શકે છે—જાહેરમાં ડાઉનલોડ કરી શકાય તેવા વેઇટ સેટ માટે આ એક અસાધારણ ક્ષમતા છે.

મર્યાદાઓ અને વાર્તાનો બીજો પક્ષ

H3 દરેક જગ્યાએ વિજેતા નથી; અમુક કાર્યોમાં Gemini Omni Flash તેનાથી વધુ સારું પ્રદર્શન કરે છે. હાઇ-રિઝોલ્યુશન અપસ્કેલિંગ API પાછળ હોવાથી, ડેવલપર્સ MiniMax ની સર્વિસ માટે ચૂકવણી કર્યા વિના સંપૂર્ણ કોમર્શિયલ આઉટપુટ મેળવી શકતા નથી.

લાયસન્સિંગ અન્ય એક અવરોધ ઊભો કરે છે. શરતોમાં સ્પષ્ટપણે European Union, United Kingdom, South Korea, અને United States માં ઉપયોગ પર પ્રતિબંધ છે. આ પ્રદેશોની સંસ્થાઓએ અલગ કોમર્શિયલ કરાર માટે વાટાઘાટ કરવી પડશે અથવા અન્ય વિકલ્પો શોધવા પડશે.

મુખ્ય વાત: MiniMax નું ઓપન-વેઇટ H3 ડેવલપર્સને એક શક્તિશાળી મલ્ટિમોડલ વિડિયો જનરેટર આપે છે જેને તેઓ લોકલી ચલાવી શકે છે, પરંતુ માત્ર API-આધારિત પ્રી-પ્રોસેસિંગ અને અપસ્કેલિંગ, ભારે હાર્ડવેરની જરૂરિયાતો અને પ્રાદેશિક લાયસન્સિંગ પ્રતિબંધો ઘણા લોકો માટે સંપૂર્ણ કોમર્શિયલ અનુભવને પહોંચ બહાર રાખે છે.