Mengapa peringkat ini penting

Video buatan AI telah lama didominasi oleh sistem proprietary yang menyembunyikan bobotnya (weights), sehingga menutup akses bagi siapa pun kecuali perusahaan pemiliknya. Dengan merilis bobotnya, MiniMax memberikan akses yang sama kepada para peneliti dan pengembang independen seperti yang telah dinikmati oleh model teks open-source selama bertahun-tahun. Kemenangan benchmark ini menunjukkan bahwa model yang tersedia secara terbuka dapat bersaing dalam hal kualitas, bukan hanya biaya.

Jalan menuju penantang open-weight

H3 milik MiniMax melanjutkan rangkaian upaya video generatif yang telah secara konsisten meningkatkan resolusi, frame rate, dan koherensi. Pada hari yang sama saat ByteDance merilis Seedance 2.5—sebuah model yang merender klip berdurasi 30 detik tetapi menyimpan kode dan bobotnya di balik firewall perusahaan—MiniMax mengambil jalur sebaliknya dengan menerbitkan model berparameter 33 miliar yang menangani teks, gambar, video, dan audio dalam satu proses tunggal.

Apa yang dapat dilakukan model ini

  • Input multimodal – Satu prompt dapat mencakup hingga sembilan gambar referensi, tiga klip video pendek, dan tiga klip audio. Model ini menggabungkan sinyal-sinyal tersebut ke dalam representasi perantara yang terstruktur sebelum melakukan rendering.
  • Panjang dan kualitas output – H3 menghasilkan segmen video berdurasi 4 hingga 15 detik, masing-masing dengan suara stereo yang tersinkronisasi.
  • Jumlah parameter – Dengan 33 miliar parameter, jaringan ini setara dengan ukuran penawaran closed-source terkemuka, membantunya menangkap gerakan dan tekstur yang mendetail.

Kemampuan ini mengatasi masalah umum: menjaga kontinuitas visual dan auditori di seluruh frame. Dengan memungkinkan set referensi yang lebih kaya, H3 mengurangi artefak “jump-cut” yang sering mengganggu banyak sistem text-to-video.

Komponen yang tersembunyi

MiniMax sengaja menutup dua komponen: modul yang melakukan upsample ke resolusi 2K dan mesin H3-Context-IR yang mengubah prompt multimodal menjadi format internal. Tanpa upscaler tersebut, resolusi tertinggi yang dapat Anda dapatkan pada mesin lokal adalah 768p. Pengguna juga harus mengikuti panduan prompting MiniMax untuk menyusun materi referensi, sebuah langkah yang mungkin terasa teknis bagi pendatang baru.

Menjalankan H3 secara lokal

Anda dapat memuat model ini melalui antarmuka ComfyUI yang digerakkan oleh komunitas. Bobot intinya gratis, tetapi batasan resolusi memaksa para penghobi dan studio kecil untuk menerima output piksel rendah kecuali mereka membeli upscaler proprietary. Fine-tuning pada rekaman, karakter, atau gaya visual khusus didukung, memberikan kebebasan kreatif kepada pengembang yang tidak dimiliki oleh model closed-source.

Lisensi membatasi potensi komersial

Lisensi MiniMax hanya mengizinkan penerapan komersial bagi perusahaan dengan pendapatan tahunan di bawah $20 juta. Klausul ini melindungi perusahaan dari perusahaan besar yang dapat memonetisasi teknologi tersebut dalam skala besar sambil melewati penawaran MiniMax sendiri. Startup dan laboratorium penelitian menikmati persyaratan yang murah hati; pemain yang lebih besar harus menegosiasikan perjanjian terpisah.

Sisi lain: mengapa beberapa orang mungkin tetap menggunakan model closed-source

  • Durasi klip yang lebih panjang – Sistem ByteDance dapat menghasilkan video berdurasi 30 detik, dua kali lipat dari panjang maksimum H3.

Apa yang perlu diperhatikan selanjutnya

  • **

Kesimpulan

H3 milik MiniMax membuktikan bahwa generator video open-weight dapat mengalahkan raksasa closed-source dalam kualitas benchmark, tetapi resolusinya yang terbatas, komponen tertutup tambahan, dan lisensi dengan batas pendapatan membuatnya tetap berada di ranah peneliti, startup, dan penghobi. Fleksibilitas multimodal dan kebebasan fine-tuning model ini memikat komunitas open-source, sementara perusahaan mungkin masih akan cenderung memilih solusi proprietary hingga ekosistem terbuka mengisi celah yang tersisa.