MiniMax ತನ್ನ H3 ವೀಡಿಯೊ-ಜನರೇಷನ್ ಮಾಡೆಲ್‌ನ ತೂಕಗಳನ್ನು (weights) Hugging Face ನಲ್ಲಿ ಪ್ರಕಟಿಸಿದೆ, ಆದ್ದರಿಂದ ಉತ್ತಮ GPU ಹೊಂದಿರುವ ಯಾರೇ ಆದರೂ ಕೋರ್ ಸಿಸ್ಟಮ್ ಅನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡಿಕೊಳ್ಳಬಹುದು. ಈ ಬಿಡುಗಡೆಯು ಸಂಪೂರ್ಣ ವಾಣಿಜ್ಯ ಪೈಪ್‌ಲೈನ್ ಅನ್ನು ಒಳಗೊಂಡಿಲ್ಲ - ಕೇವಲ H3-Base ಜನರೇಟರ್ ಮಾತ್ರ ಓಪನ್-ವೇಟ್ ಆಗಿದೆ; ಪ್ರಿ-ಪ್ರೊಸೆಸಿಂಗ್ ಮತ್ತು ಅಪ್‌ಸ್ಕೇಲಿಂಗ್ ಹಂತಗಳು API ಮೂಲಕ ಮಾತ್ರ ಲಭ್ಯವಿವೆ.

ಓಪನ್-ವೇಟ್ ಬಿಡುಗಡೆಯು ವಾಸ್ತವವಾಗಿ ಏನನ್ನು ಒಳಗೊಂಡಿದೆ

MiniMax ನ H3 ಆರ್ಕಿಟೆಕ್ಚರ್ ಮೂರು ತಾರ್ಕಿಕ ಬ್ಲಾಕ್‌ಗಳಾಗಿ ವಿಂಗಡಿಸಲ್ಪಟ್ಟಿದೆ. ಕೇವಲ API ಮೂಲಕ ಮಾತ್ರ ಲಭ್ಯವಿರುವ ಎರಡು ಭಾಗಗಳು ಇವು:

  • Context-IR layer – ಇನ್‌ಪುಟ್ ಪಠ್ಯ, ಚಿತ್ರಗಳು ಅಥವಾ ವೀಡಿಯೊ ತುಣುಕುಗಳನ್ನು ಪ್ರಿ-ಪ್ರೊಸೆಸ್ ಮಾಡುತ್ತದೆ.
  • Regenerate-2K layer – ಔಟ್‌ಪುಟ್ ಅನ್ನು ಹೈ-ರೆಸಲ್ಯೂಶನ್ (2K) ವೀಡಿಯೊ ಆಗಿ ಹೆಚ್ಚಿಸುತ್ತದೆ.

ಡೆವಲಪರ್‌ಗಳು H3-Base core generator ಅನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡಿಕೊಳ್ಳಬಹುದು, ಇದು ಮಲ್ಟಿಮೋಡಲ್ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ನೇಟಿವ್ ಆಡಿಯೊದೊಂದಿಗೆ 768-ಪಿಕ್ಸೆಲ್-ಶಾರ್ಟ್-ಎಡ್ಜ್ ವೀಡಿಯೊ ಕ್ಲಿಪ್ ಆಗಿ ಪರಿವರ್ತಿಸುವ ಇಂಜಿನ್ ಆಗಿದೆ.

ಹಾರ್ಡ್‌ವೇರ್ ಮತ್ತು ರನ್‌ಟೈಮ್ ವಾಸ್ತವಗಳು

ಈ ಮಾಡೆಲ್ 33 ಬಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಎರಡು ವಿಧಗಳಲ್ಲಿ ಲಭ್ಯವಿದೆ:

  • fl2va – ಪಠ್ಯ ಮತ್ತು ಚಿತ್ರ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ಸ್ವೀಕರಿಸುತ್ತದೆ.
  • ref2va – ಪ್ರಾಂಪ್ಟ್‌ನ ಭಾಗವಾಗಿ ರೆಫರೆನ್ಸ್ ವೀಡಿಯೊವನ್ನು ಸ್ವೀಕರಿಸುತ್ತದೆ.

ಅತ್ಯಂತ ಚಿಕ್ಕದಾದ ಕ್ವಾಂಟೈಸ್ಡ್ ಚೆಕ್‌ಪಾಯಿಂಟ್ ಸುಮಾರು 21 GB ಆಗಿದೆ; ಫುಲ್-ಪ್ರೆಸಿಷನ್ ಚೆಕ್‌ಪಾಯಿಂಟ್ 123.6 GB ಆಗಿದೆ. ಸುಗಮ ಕಾರ್ಯಾಚರಣೆಗಾಗಿ ಕನಿಷ್ಠ 42.5 GB VRAM ಅಥವಾ ಸ್ಟೋರೇಜ್ ಅನ್ನು MiniMax ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ.

12 GB GPU ಮೇಲೆ, ಡೆವಲಪರ್‌ಗಳು CPU ಆಫ್‌ಲೋಡಿಂಗ್ ಮೂಲಕ ಮಾಡೆಲ್ ಅನ್ನು ಚಲಾಯಿಸಬಹುದು, ಆದರೆ ಇನ್ಫರೆನ್ಸ್ (inference) ಗಮನಾರ್ಹವಾಗಿ ನಿಧಾನವಾಗುತ್ತದೆ. ಲೋಕಲ್ ಜನರೇಷನ್ 768 px (short edge) ವರೆಗೆ ಮಾತ್ರ ಸೀಮಿತವಾಗಿರುತ್ತದೆ, ಇದು ಪ್ರೊಪ್ರೈಟರಿ Regenerate-2K ಲೇಯರ್ ನೀಡುವ 2K ರೆಸಲ್ಯೂಶನ್ ಗಿಂತ ಬಹಳ ಕಡಿಮೆ.

ಈ ಬಿಡುಗಡೆಯು ಏಕೆ ಮುಖ್ಯವಾಗಿದೆ

Artificial Analysis ನ ಇತ್ತೀಚಿನ ಶ್ರೇಯಾಂಕವು H3 ಅನ್ನು "video editing" ವಿಭಾಗದಲ್ಲಿ ಮೊದಲ ಸ್ಥಾನದಲ್ಲಿ ಮತ್ತು "text-to-video" ಹಾಗೂ "image-to-video" ಎರಡರಲ್ಲೂ ಮೊದಲ ಮೂರರಲ್ಲಿ ಇರಿಸಿದೆ. ಈ ಸ್ಕೋರ್‌ಗಳು ಇದನ್ನು ಇಂದು ಲಭ್ಯವಿರುವ ಅತ್ಯಂತ ಸಮರ್ಥ ಓಪನ್-ವೇಟ್ ವೀಡಿಯೊ ಮಾಡೆಲ್ ಆಗಿ ಮಾಡಿದೆ.

ಈ ಮಾಡೆಲ್ ಮಲ್ಟಿಮೋಡಲ್ ಆಗಿದೆ: ಇದು ಪಠ್ಯ, ಚಿತ್ರಗಳು, ವೀಡಿಯೊ ಮತ್ತು ಆಡಿಯೊವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಸಿಂಕ್ರೊನೈಸ್ಡ್ ಸೌಂಡ್‌ನೊಂದಿಗೆ ವೀಡಿಯೊವನ್ನು ಸಂಶ್ಲೇಷಿಸಬಲ್ಲದು (synthesize)—ಸಾರ್ವಜನಿಕವಾಗಿ ಡೌನ್‌ಲೋಡ್ ಮಾಡಬಹುದಾದ ವೇಟ್ ಸೆಟ್‌ಗೆ ಇದು ಅಸಾಮಾನ್ಯ ವ್ಯಾಪ್ತಿಯಾಗಿದೆ.

ಮಿತಿಗಳು ಮತ್ತು ಇನ್ನೊಂದು ಮುಖ

H3 ಎಲ್ಲಾ ಕಡೆಗಳಲ್ಲಿಯೂ ಗೆಲ್ಲುವುದಿಲ್ಲ; ಕೆಲವು ಕಾರ್ಯಗಳಲ್ಲಿ Gemini Omni Flash ಇದನ್ನು ಮೀರಿಸುತ್ತದೆ. ಹೈ-ರೆಸಲ್ಯೂಶನ್ ಅಪ್‌ಸ್ಕೇಲಿಂಗ್ API ಮೂಲಕ ಲಭ್ಯವಿರುವುದರಿಂದ, MiniMax ನ ಸೇವೆಯನ್ನು ಪಡೆಯದೆ ಡೆವಲಪರ್‌ಗಳು ಸಂಪೂರ್ಣ ವಾಣಿಜ್ಯ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪಡೆಯಲು ಸಾಧ್ಯವಿಲ್ಲ.

ಲೈಸೆನ್ಸಿಂಗ್ ಮತ್ತೊಂದು ಅಡೆತಡೆಯಾಗಿದೆ. ಇದರ ನಿಯಮಗಳು European Union, United Kingdom, South Korea, ಮತ್ತು United States ನಲ್ಲಿ ಬಳಕೆಯನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನಿಷೇಧಿಸುತ್ತವೆ. ಆ ಪ್ರದೇಶಗಳಲ್ಲಿರುವ ಸಂಸ್ಥೆಗಳು ಪ್ರತ್ಯೇಕ ವಾಣಿಜ್ಯ ಒಪ್ಪಂದವನ್ನು ಮಾಡಿಕೊಳ್ಳಬೇಕು ಅಥವಾ ಬೇರೆ ದಾರಿಗಳನ್ನು ಹುಡುಕಬೇಕು.

ಸಾರಾಂಶ: MiniMax ನ ಓಪನ್-ವೇಟ್ H3 ಡೆವಲಪರ್‌ಗಳಿಗೆ ಸ್ಥಳೀಯವಾಗಿ ಚಲಾಯಿಸಬಹುದಾದ ಶಕ್ತಿಯುತ ಮಲ್ಟಿಮೋಡಲ್ ವೀಡಿಯೊ ಜನರೇಟರ್ ಅನ್ನು ನೀಡುತ್ತದೆ, ಆದರೆ ಕೇವಲ API ಮೂಲಕ ಲಭ್ಯವಿರುವ ಪ್ರಿ-ಪ್ರೊಸೆಸಿಂಗ್ ಮತ್ತು ಅಪ್‌ಸ್ಕೇಲಿಂಗ್, ಹೆಚ್ಚಿನ ಹಾರ್ಡ್‌ವೇರ್ ಅಗತ್ಯತೆಗಳು ಮತ್ತು ಪ್ರಾದೇಶಿಕ ಲೈಸೆನ್ಸಿಂಗ್ ನಿಷೇಧಗಳು ಅನೇಕರಿಗೆ ಸಂಪೂರ್ಣ ವಾಣಿಜ್ಯ ಅನುಭವವನ್ನು ತಲುಪಲು ಸಾಧ್ಯವಾಗದಂತೆ ಮಾಡುತ್ತದೆ.