MiniMax തങ്ങളുടെ H3 വീഡിയോ-ജനറേഷൻ മോഡലിന്റെ വെയ്റ്റുകൾ (weights) Hugging Face-ൽ പ്രസിദ്ധീകരിച്ചു, അതിനാൽ മികച്ച ഒരു GPU ഉള്ള ആർക്കും കോർ സിസ്റ്റം ഡൗൺലോഡ് ചെയ്യാം. ഈ റിലീസ് പൂർണ്ണമായ വാണിജ്യ പൈപ്പ്‌ലൈൻ നൽകുന്നില്ല - H3-Base ജനറേറ്റർ മാത്രമാണ് ഓപ്പൺ-വെയ്റ്റ് (open-weight); പ്രീപ്രോസസ്സിംഗ് (preprocessing), അപ്‌സ്കെയിലിംഗ് (upscaling) ഘട്ടങ്ങൾ ഒരു API-ക്ക് പിന്നിലായി തുടരുന്നു.

ഓപ്പൺ-വെയ്റ്റ് റിലീസിൽ യഥാർത്ഥത്തിൽ എന്താണുള്ളത്

MiniMax-ന്റെ H3 ആർക്കിടെക്ചർ മൂന്ന് ലോജിക്കൽ ബ്ലോക്കുകളായി വിഭജിക്കപ്പെട്ടിരിക്കുന്നു. API വഴി മാത്രം ലഭ്യമാകുന്ന രണ്ട് ഭാഗങ്ങൾ ഇവയാണ്:

  • Context-IR layer – ഇൻപുട്ട് ടെക്സ്റ്റ്, ചിത്രങ്ങൾ അല്ലെങ്കിൽ വീഡിയോ സ്നിപ്പറ്റുകൾ എന്നിവ പ്രീപ്രോസസ്സ് ചെയ്യുന്നു.
  • Regenerate-2K layer – ഔട്ട്പുട്ടിനെ ഉയർന്ന റെസല്യൂഷനിലേക്ക് (2K) വർദ്ധിപ്പിക്കുന്നു.

മൾട്ടിമോഡൽ പ്രോംപ്റ്റുകളെ (multimodal prompts) സ്വാഭാവിക ഓഡിയോയോടു കൂടിയ 768-പിക്സൽ ഷോർട്ട്-എഡ്ജ് വീഡിയോ ക്ലിപ്പുകളാക്കി മാറ്റുന്ന എൻജിനായ H3-Base core generator ഡെവലപ്പർമാർക്ക് ഡൗൺലോഡ് ചെയ്യാം.

ഹാർഡ്‌വെയർ, റൺടൈം യാഥാർത്ഥ്യങ്ങൾ

ഈ മോഡലിൽ 33 ബില്യൺ പാരാമീറ്ററുകൾ ഉണ്ട്, ഇത് രണ്ട് തരത്തിൽ ലഭ്യമാണ്:

  • fl2va – ടെക്സ്റ്റ്, ഇമേജ് പ്രോംപ്റ്റുകൾ സ്വീകരിക്കുന്നു.
  • ref2va – പ്രോംപ്റ്റിന്റെ ഭാഗമായി ഒരു റഫറൻസ് വീഡിയോ സ്വീകരിക്കുന്നു.

ഏറ്റവും ചെറിയ ക്വാണ്ടൈസ്ഡ് ചെക്ക്‌പോയിന്റ് (quantized checkpoint) ഏകദേശം 21 GB ആണ്; ഫുൾ-പ്രസിഷൻ ചെക്ക്‌പോയിന്റ് 123.6 GB ആണ്. സുഗമമായ പ്രവർത്തനത്തിനായി കുറഞ്ഞത് 42.5 GB VRAM അല്ലെങ്കിൽ സ്റ്റോറേജ് ഉപയോഗിക്കാൻ MiniMax ശുപാർശ ചെയ്യുന്നു.

ഒരു 12 GB GPU ഉപയോഗിച്ച്, ഡെവലപ്പർമാർക്ക് CPU ഓഫ്‌ലോഡിംഗിലൂടെ മോഡൽ പ്രവർത്തിപ്പിക്കാം, എന്നാൽ ഇൻഫറൻസ് (inference) വേഗത ഗണ്യമായി കുറയും. ലോക്കൽ ജനറേഷൻ 768 px ഷോർട്ട് എഡ്ജിൽ പരിമിതമാണ്, ഇത് പ്രൊപ്രൈറ്ററി Regenerate-2K ലെയർ നൽകുന്ന 2K റെസല്യൂഷനേക്കാൾ വളരെ താഴെയാണ്.

ഈ റിലീസ് പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്

Artificial Analysis-ന്റെ സമീപകാല റാങ്കിംഗ് പ്രകാരം "video editing" വിഭാഗത്തിൽ H3 ഒന്നാമതായും, "text-to-video", "image-to-video" എന്നീ വിഭാഗങ്ങളിൽ ആദ്യ മൂന്നിലും ഇടംപിടിച്ചിട്ടുണ്ട്. ഈ സ്കോറുകൾ ഇതിനെ ഇന്ന് ലഭ്യമായ ഏറ്റവും മികച്ച ഓപ്പൺ-വെയ്റ്റ് വീഡിയോ മോഡലായി മാറ്റുന്നു.

ഈ മോഡൽ മൾട്ടിമോഡൽ ആണ്: ഇതിന് ടെക്സ്റ്റ്, ചിത്രങ്ങൾ, വീഡിയോ, ഓഡിയോ എന്നിവ മനസ്സിലാക്കാൻ കഴിയും, കൂടാതെ സിൻക്രണൈസ്ഡ് ശബ്ദത്തോടു കൂടിയ വീഡിയോ നിർമ്മിക്കാനും ഇതിന് സാധിക്കും—പൊതുവായി ഡൗൺലോഡ് ചെയ്യാവുന്ന ഒരു വെയ്റ്റ് സെറ്റിന് ലഭിക്കാൻ പ്രയാസമുള്ള ഒരു വൈദഗ്ധ്യമാണിത്.

പരിമിതികളും മറ്റ് വശങ്ങളും

H3 എല്ലാ കാര്യങ്ങളിലും വിജയിക്കുന്നില്ല; ചില ജോലികളിൽ Gemini Omni Flash ഇതിനേക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവെക്കുന്നു. ഹൈ-റെസല്യൂഷൻ അപ്‌സ്കെയിലിംഗ് ഒരു API-ക്ക് പിന്നിലായതിനാൽ, MiniMax-ന്റെ സേവനത്തിന് പണം നൽകിക്കാതെ ഡെവലപ്പർമാർക്ക് പൂർണ്ണമായ വാണിജ്യ ഔട്ട്പുട്ട് ലഭിക്കില്ല.

ലൈസൻസിംഗ് മറ്റൊരു തടസ്സമാണ്. യൂറോപ്യൻ യൂണിയൻ, യുണൈറ്റഡ് കിംഗ്ഡം, സൗത്ത് കൊറിയ, യുണൈറ്റഡ് സ്റ്റേറ്റ്സ് എന്നിവിടങ്ങളിലെ ഉപയോഗം നിബന്ധനകളിൽ വ്യക്തമായി നിരോധിച്ചിട്ടുണ്ട്. ഈ പ്രദേശങ്ങളിലെ സ്ഥാപനങ്ങൾ പ്രത്യേക വാണിജ്യ കരാറുകൾ ചർച്ച ചെയ്യുകയോ അല്ലെങ്കിൽ മറ്റ് മാർഗങ്ങൾ തേടുകയോ വേണം.

ചുരുക്കത്തിൽ: MiniMax-ന്റെ ഓപ്പൺ-വെയ്റ്റ് H3 ഡെവലപ്പർമാർക്ക് പ്രാദേശികമായി പ്രവർത്തിപ്പിക്കാൻ കഴിയുന്ന ശക്തമായ ഒരു മൾട്ടിമോഡൽ വീഡിയോ ജനറേറ്റർ നൽകുന്നു, എന്നാൽ API വഴി മാത്രം ലഭ്യമായ പ്രീപ്രോസസ്സിംഗും അപ്‌സ്കെയിലിംഗും, വലിയ ഹാർഡ്‌വെയർ ആവശ്യകതകളും, പ്രാദേശിക ലൈസൻസിംഗ് നിരോധനങ്ങളും കാരണം പലർക്കും ഇതിന്റെ പൂർണ്ണമായ വാണിജ്യ അനുഭവം ലഭ്യമല്ല.