MiniMax ने नुकतेच Hugging Face वर त्यांच्या H3 व्हिडिओ-जनरेशन मॉडेलचे weights पोस्ट केले आहेत, त्यामुळे चांगल्या GPU असलेल्या कोणालाही मुख्य सिस्टम डाउनलोड करता येईल. ही रिलीज पूर्ण व्यावसायिक पाइपलाइनपर्यंत पोहोचत नाही – फक्त H3-Base जनरेटर हे open-weight आहे; प्रीप्रोसेसिंग आणि अपस्केलिंग टप्पे API च्या मागे आहेत.

ओपन-वेट रिलीजमध्ये प्रत्यक्षात काय समाविष्ट आहे

MiniMax ची H3 आर्किटेक्चर तीन लॉजिकल ब्लॉक्समध्ये विभागली गेली आहे. त्यापैकी दोन जे फक्त API-आधारित आहेत:

  • Context-IR layer – इनपुट मजकूर, प्रतिमा किंवा व्हिडिओ स्निपेट्सचे प्रीप्रोसेसिंग करते.
  • Regenerate-2K layer – आउटपुटला हाय-रिझोल्यूशन (2 K) व्हिडिओमध्ये रूपांतरित करते.

डेव्हलपर्स H3-Base core generator डाउनलोड करू शकतात, जे एक असे इंजिन आहे जे मल्टीमोडल प्रॉम्प्ट्सना नेटिव्ह ऑडिओसह 768-पिक्सेल-शॉर्ट-एज व्हिडिओ क्लिपमध्ये रूपांतरित करते.

हार्डवेअर आणि रनटाइम वास्तव

या मॉडेलमध्ये 33 अब्ज पॅरामीटर्स आहेत आणि ते दोन प्रकारांत उपलब्ध आहे:

  • fl2va – मजकूर आणि इमेज प्रॉम्प्ट्स स्वीकारते.
  • ref2va – प्रॉम्प्टचा भाग म्हणून रेफरन्स व्हिडिओ स्वीकारते.

सर्वात लहान क्वांटाइज्ड चेकपॉइंट सुमारे 21 GB आहे; फुल-प्रिसिजन चेकपॉइंट 123.6 GB आहे. सुलभ वापरासाठी MiniMax किमान 42.5 GB VRAM किंवा स्टोरेजची शिफारस करते.

12 GB GPU वर, डेव्हलपर्स CPU offloading सह मॉडेल चालवू शकतात, परंतु इन्फरन्स (inference) लक्षणीयरीत्या मंदावतो. लोकल जनरेशन शॉर्ट एजवर 768 px पर्यंत मर्यादित आहे, जे प्रोप्रायटरी Regenerate-2K लेयरद्वारे मिळणाऱ्या 2 K रिझोल्यूशनपेक्षा खूपच कमी आहे.

ही रिलीज का महत्त्वाची आहे

Artificial Analysis च्या अलीकडील रँकिंगनुसार, H3 "video editing" श्रेणीत प्रथम क्रमांकावर आहे आणि "text-to-video" व "image-to-video" या दोन्हीमध्ये पहिल्या तीनमध्ये आहे. हे स्कोअर त्याला आज उपलब्ध असलेले सर्वात सक्षम ओपन-वेट व्हिडिओ मॉडेल बनवतात.

हे मॉडेल मल्टीमोडल आहे: ते मजकूर, प्रतिमा, व्हिडिओ आणि ऑडिओ समजून घेते आणि ते सिंक्रोनाइझ्ड साउंडसह व्हिडिओ तयार करू शकते—सार्वजनिकरित्या डाउनलोड करण्यायोग्य वेट सेटसाठी ही एक दुर्मिळ व्याप्ती आहे.

मर्यादा आणि गोष्टीचा दुसरा पैलू

H3 सर्व ठिकाणी जिंकत नाही; काही कामांमध्ये Gemini Omni Flash त्याच्यापेक्षा सरस ठरते. हाय-रिझोल्यूशन अपस्केलिंग API च्या मागे असल्याने, MiniMax च्या सेवेसाठी पैसे न भरता डेव्हलपर्स पूर्ण व्यावसायिक आउटपुट मिळवू शकत नाहीत.

लायसन्सिंगमुळे आणखी एक अडथळा निर्माण होतो. अटींमध्ये युरोपियन युनियन, युनायटेड किंगडम, दक्षिण कोरिया आणि युनायटेड स्टेट्स मध्ये वापर करण्यास स्पष्टपणे मनाई करण्यात आली आहे. या क्षेत्रांतील संस्थांना स्वतंत्र व्यावसायिक करार करावा लागेल किंवा इतर पर्याय शोधावे लागतील.

थोडक्यात: MiniMax चे ओपन-वेट H3 डेव्हलपर्सना एक शक्तिशाली मल्टीमोडल व्हिडिओ जनरेटर देते जो ते स्थानिक पातळीवर (locally) चालवू शकतात, परंतु केवळ API-आधारित प्रीप्रोसेसिंग आणि अपस्केलिंग, मोठ्या हार्डवेअरची गरज आणि प्रादेशिक लायसन्सिंग बंदीमुळे पूर्ण व्यावसायिक अनुभव अनेकांसाठी अप्राप्य राहतो.