ಶ್ರೇಯಾಂಕವು ಏಕೆ ಮುಖ್ಯ

AI-ಸೃಷ್ಟಿತ ವೀಡಿಯೊಗಳು ದೀರ್ಘಕಾಲದಿಂದ ತಮ್ಮ weightsಗಳನ್ನು ಮರೆಮಾಚುವ ಮಾಲೀಕತ್ವದ (proprietary) ವ್ಯವಸ್ಥೆಗಳ ಅಧೀನದಲ್ಲಿದ್ದವು, ಇದು ಮಾಲೀಕ ಕಂಪನಿ ಹೊರತುಪಡಿಸಿ ಉಳಿದವರನ್ನು ಈ ಪ್ರಕ್ರಿಯೆಯಿಂದ ದೂರವಿಡುತ್ತಿತ್ತು. ತನ್ನ weightsಗಳನ್ನು ಪ್ರಕಟಿಸುವ ಮೂಲಕ, MiniMax ಸಂಶೋಧಕರಿಗೆ ಮತ್ತು ಸ್ವತಂತ್ರ (indie) ಡೆವಲಪರ್‌ಗಳಿಗೆ ವರ್ಷಗಳಿಂದ ಓಪನ್-ಸೋರ್ಸ್ ಪಠ್ಯ ಮಾದರಿಗಳು (text models) ಅನುಭವಿಸುತ್ತಿರುವ ಅದೇ ಪ್ರವೇಶವನ್ನು ನೀಡುತ್ತದೆ. ಈ ಬೆಂಚ್‌ಮಾರ್ಕ್ ವಿಜಯವು, ಕೇವಲ ವೆಚ್ಚದಲ್ಲಿ ಮಾತ್ರವಲ್ಲದೆ ಗುಣಮಟ್ಟದಲ್ಲಿಯೂ ಸಹ ಮುಕ್ತವಾಗಿ ಲಭ್ಯವಿರುವ ಮಾದರಿಯು ಸ್ಪರ್ಧಿಸಬಲ್ಲದು ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ.

ಓಪನ್-ವೇಟ್ ಸ್ಪರ್ಧಿಗೆ ಇರುವ ಹಾದಿ

MiniMax ನ H3 ಮಾದರಿಯು ರೆಸಲ್ಯೂಶನ್, ಫ್ರೇಮ್ ರೇಟ್ ಮತ್ತು ಸುಸಂಬದ್ಧತೆಯನ್ನು (coherence) ಸ್ಥಿರವಾಗಿ ಸುಧಾರಿಸುತ್ತಿರುವ ಜನರೇಟಿವ್-ವೀಡಿಯೊ ಪ್ರಯತ್ನಗಳ ಸರಣಿಯನ್ನು ಮುಂದುವರಿಸುತ್ತದೆ. ByteDance ತನ್ನ Seedance 2.5 ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡಿದ ಅದೇ ದಿನ, ಅದು 30 ಸೆಕೆಂಡುಗಳ ಕ್ಲಿಪ್‌ಗಳನ್ನು ತಯಾರಿಸುತ್ತದೆ ಆದರೆ ತನ್ನ ಕೋಡ್ ಮತ್ತು weights ಅನ್ನು ಕಾರ್ಪೊರೇಟ್ ಫೈರ್‌ವಾಲ್ ಹಿಂದೆ ಇರಿಸುತ್ತದೆ. ಆದರೆ MiniMax ವಿರುದ್ಧ ಹಾದಿಯನ್ನು ಆಯ್ದುಕೊಂಡಿತು, ಪಠ್ಯ, ಚಿತ್ರಗಳು, ವೀಡಿಯೊ ಮತ್ತು ಆಡಿಯೊವನ್ನು ಒಂದೇ ಹಂತದಲ್ಲಿ ನಿರ್ವಹಿಸುವ 33-ಬಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್ ಮಾದರಿಯನ್ನು ಪ್ರಕಟಿಸಿತು.

ಈ ಮಾದರಿಯು ಏನು ಮಾಡಬಲ್ಲದು

  • ಮಲ್ಟಿಮೋಡಲ್ ಇನ್‌ಪುಟ್ (Multimodal input) – ಒಂದೇ ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಒಂಬತ್ತು ರೆಫರೆನ್ಸ್ ಚಿತ್ರಗಳು, ಮೂರು ಸಣ್ಣ ವೀಡಿಯೊ ಕ್ಲಿಪ್‌ಗಳು ಮತ್ತು ಮೂರು ಆಡಿಯೊ ಕ್ಲಿಪ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರಬಹುದು. ಮಾದರಿಯು ರೆಂಡರಿಂಗ್ ಮಾಡುವ ಮೊದಲು ಈ ಸಿಗ್ನಲ್‌ಗಳನ್ನು ರಚನಾತ್ಮಕ ಮಧ್ಯಂತರ ಪ್ರಾತಿನಿಧ್ಯಕ್ಕೆ (structured intermediate representation) ವಿಲೀನಗೊಳಿಸುತ್ತದೆ.
  • ಔಟ್‌ಪುಟ್ ಉದ್ದ ಮತ್ತು ಗುಣಮಟ್ಟ – H3 ಮಾದರಿಯು 4 ರಿಂದ 15 ಸೆಕೆಂಡುಗಳ ವೀಡಿಯೊ ವಿಭಾಗಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಪ್ರತಿಯೊಂದೂ ಸಿಂಕ್ರೊನೈಸ್ಡ್ ಸ್ಟೀರಿಯೊ ಸೌಂಡ್‌ನೊಂದಿಗೆ ಇರುತ್ತದೆ.
  • ಪ್ಯಾರಾಮೀಟರ್ ಸಂಖ್ಯೆ – 33 ಬಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳೊಂದಿಗೆ, ಈ ನೆಟ್‌ವರ್ಕ್ ಪ್ರಮುಖ ಕ್ಲೋಸ್ಡ್-ಸೋರ್ಸ್ (closed-source) ಮಾದರಿಗಳ ಗಾತ್ರಕ್ಕೆ ಸರಿಸಮಾನವಾಗಿದೆ, ಇದು ಸೂಕ್ಷ್ಮ ಚಲನೆ ಮತ್ತು ವಿನ್ಯಾಸವನ್ನು (texture) ಸೆರೆಹಿಡಿಯಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.

ಈ ಸಾಮರ್ಥ್ಯಗಳು ಒಂದು ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುತ್ತವೆ: ಫ್ರೇಮ್‌ಗಳಾದ್ಯಂತ ದೃಶ್ಯ ಮತ್ತು ಶ್ರವಣ ಸುಸಂಬದ್ಧತೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳುವುದು. ಹೆಚ್ಚಿನ ರೆಫರೆನ್ಸ್ ನೀಡುವ ಮೂಲಕ, H3 ಅನೇಕ ಟೆಕ್ಸ್ಟ್-ಟು-ವೀಡಿಯೊ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಕಂಡುಬರುವ "ಜಂಪ್-ಕಟ್" (jump-cut) ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.

ಅಡಗಿರುವ ಅಂಶಗಳು

MiniMax ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಎರಡು ಘಟಕಗಳನ್ನು ಮುಚ್ಚಿಟ್ಟಿದೆ: 2K ರೆಸಲ್ಯೂಶನ್‌ಗೆ ಅಪ್‌ಸ್ಯಾಂಪಲ್ (upsample) ಮಾಡುವ ಮಾಡ್ಯೂಲ್ ಮತ್ತು ಮಲ್ಟಿಮೋಡಲ್ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಆಂತರಿಕ ಫಾರ್ಮ್ಯಾಟ್‌ಗೆ ಪರಿವರ್ತಿಸುವ H3-Context-IR ಇಂಜಿನ್. ಅಪ್‌ಸ್ಕೇಲರ್ ಇಲ್ಲದೆ, ಲೋಕಲ್ ಮೆಷಿನ್‌ನಲ್ಲಿ ನೀವು ಪಡೆಯಬಹುದಾದ ಗರಿಷ್ಠ ರೆಸಲ್ಯೂಶನ್ 768p ಮಾತ್ರ. ರೆಫರೆನ್ಸ್ ಸಾಮಗ್ರಿಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಲು ಬಳಕೆದಾರರು MiniMax ನ ಪ್ರಾಂಪ್ಟಿಂಗ್ ಮಾರ್ಗದರ್ಶಿಗಳನ್ನು ಅನುಸರಿಸಬೇಕಾಗುತ್ತದೆ, ಇದು ಹೊಸಬರಿಗೆ ತಾಂತ್ರಿಕವಾಗಿ ಕಷ್ಟವಾಗಬಹುದು.

H3 ಅನ್ನು ಲೋಕಲ್ ಆಗಿ ಚಲಾಯಿಸುವುದು

ನೀವು ಸಮುದಾಯ ಚಾಲಿತ ComfyUI ಇಂಟರ್ಫೇಸ್ ಮೂಲಕ ಮಾದರಿಯನ್ನು ಲೋಡ್ ಮಾಡಬಹುದು. ಕೋರ್ weights ಉಚಿತವಾಗಿವೆ, ಆದರೆ ರೆಸಲ್ಯೂಶನ್ ಮಿತಿ ಇರುವುದರಿಂದ ಹವ್ಯಾಸಿಗಳು ಮತ್ತು ಸಣ್ಣ ಸ್ಟುಡಿಯೋಗಳು ಮಾಲೀಕತ್ವದ ಅಪ್‌ಸ್ಕೇಲರ್ ಅನ್ನು ಖರೀದಿಸದ ಹೊರತು ಕಡಿಮೆ-ಪಿಕ್ಸೆಲ್ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ಒಪ್ಪಿಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ. ಕಸ್ಟಮ್ ಫೂಟೇಜ್, ಪಾತ್ರಗಳು ಅಥವಾ ದೃಶ್ಯ ಶೈಲಿಗಳ ಮೇಲೆ ಫೈನ್-ಟ್ಯೂನಿಂಗ್ (fine-tuning) ಮಾಡಲು ಬೆಂಬಲವಿದೆ, ಇದು ಕ್ಲೋಸ್ಡ್ ಮಾದರಿಗಳಲ್ಲಿ ಇಲ್ಲದ ಸೃಜನಶೀಲ ಸ್ವಾತಂತ್ರ್ಯವನ್ನು ಡೆವಲಪರ್‌ಗಳಿಗೆ ನೀಡುತ್ತದೆ.

ಲೈಸೆನ್ಸಿಂಗ್ ವಾಣಿಜ್ಯ ಲಾಭವನ್ನು ಸೀಮಿತಗೊಳಿಸುತ್ತದೆ

MiniMax ನ ಲೈಸೆನ್ಸ್ ವಾರ್ಷಿಕ ಆದಾಯವು $20 ಮಿಲಿಯನ್ ಗಿಂತ ಕಡಿಮೆ ಇರುವ ಸಂಸ್ಥೆಗಳಿಗೆ ಮಾತ್ರ ವಾಣಿಜ್ಯ ಬಳಕೆಯನ್ನು ಅನುಮತಿಸುತ್ತದೆ. ಈ ನಿಯಮವು, MiniMax ನ ಸ್ವಂತ ಸೇವೆಗಳನ್ನು ಬದಿಗೊತ್ತಿ ತಂತ್ರಜ್ಞಾನವನ್ನು ದೊಡ್ಡ ಮಟ್ಟದಲ್ಲಿ ಹಣ ಗಳಿಸಲು ಬಳಸಬಹುದಾದ ದೊಡ್ಡ ಉದ್ಯಮಗಳಿಂದ ಕಂಪನಿಯನ್ನು ರಕ್ಷಿಸುತ್ತದೆ. ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ಗಳು ಮತ್ತು ಸಂಶೋಧನಾ ಪ್ರಯೋಗಾಲಯಗಳು ಉದಾರ ನಿಯಮಗಳನ್ನು ಹೊಂದಿವೆ; ದೊಡ್ಡ ಕಂಪನಿಗಳು ಪ್ರತ್ಯೇಕ ಒಪ್ಪಂದಕ್ಕಾಗಿ ಮಾತುಕತೆ ನಡೆಸಬೇಕಾಗುತ್ತದೆ.

ವಿರೋಧಾತ್ಮಕ ಅಂಶ: ಕೆಲವು ಜನರು ಏಕೆ ಕ್ಲೋಸ್ಡ್ ಮಾದರಿಗಳನ್ನೇ ಇಟ್ಟುಕೊಳ್ಳಬಹುದು

  • ದೀರ್ಘವಾದ ಕ್ಲಿಪ್ ಉದ್ದ – ByteDance ನ ವ್ಯವಸ್ಥೆಯು 30 ಸೆಕೆಂಡುಗಳ ವೀಡಿಯೊಗಳನ್ನು ತಯಾರಿಸಬಲ್ಲದು, ಇದು H3 ನ ಗರಿಷ್ಠ ಉದ್ದಕ್ಕಿಂತ ಎರಡರಷ್ಟು ಹೆಚ್ಚು.

ಮುಂದೆ ಏನನ್ನು ಗಮನಿಸಬೇಕು

-

ಸಾರಾಂಶ

MiniMax ನ H3 ಮಾದರಿಯು ಬೆಂಚ್‌ಮಾರ್ಕ್ ಗುಣಮಟ್ಟದಲ್ಲಿ ಕ್ಲೋಸ್ಡ್ ದೈತ್ಯ ಕಂಪನಿಗಳನ್ನು ಸೋಲಿಸಬಲ್ಲದು ಎಂದು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ, ಆದರೆ ಅದರ ಸೀಮಿತ ರೆಸಲ್ಯೂಶನ್, ಹೆಚ್ಚುವರಿ ಮುಚ್ಚಿದ ಘಟಕಗಳು ಮತ್ತು ಆದಾಯದ ಮಿತಿಯಿರುವ ಲೈಸೆನ್ಸ್ ಅದನ್ನು ಸಂಶೋಧಕರು, ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ಗಳು ಮತ್ತು ಹವ್ಯಾಸಿಗಳ ವಲಯಕ್ಕೆ ಸೀಮಿತಗೊಳಿಸುತ್ತದೆ. ಈ ಮಾದರಿಯ ಮಲ್ಟಿಮೋಡಲ್ ನಮ್ಯತೆ ಮತ್ತು ಫೈನ್-ಟ್ಯೂನಿಂಗ್ ಸ್ವಾತಂತ್ರ್ಯವು ಓಪನ್-ಸೋರ್ಸ್ ಸಮುದಾಯವನ್ನು ಆಕರ್ಷಿಸುತ್ತದೆ, ಆದರೆ ಮುಕ್ತ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯು ಉಳಿದ ಕೊರತೆಗಳನ್ನು ತುಂಬುವವರೆಗೆ ಉದ್ಯಮಗಳು ಮಾಲೀಕತ್ವದ ಪರಿಹಾರಗಳತ್ತಲೇ ವಾಲಬಹುದು.