ਰੈਂਕਿੰਗ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

AI-ਨਿਰਮਿਤ ਵੀਡੀਓ 'ਤੇ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਉਹਨਾਂ ਪ੍ਰੋਪਰਾਈਟਰੀ (proprietary) ਪ੍ਰਣਾਲੀਆਂ ਦਾ ਦਬਦਬਾ ਰਿਹਾ ਹੈ ਜੋ ਆਪਣੇ ਵੇਟਸ (weights) ਨੂੰ ਲੁਕਾ ਕੇ ਰੱਖਦੀਆਂ ਹਨ, ਜਿਸ ਨਾਲ ਮਾਲਕ ਕੰਪਨੀ ਤੋਂ ਇਲਾਵਾ ਬਾਕੀ ਸਭ ਨੂੰ ਇਸ ਤੋਂ ਦੂਰ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ। ਆਪਣੇ ਵੇਟਸ ਨੂੰ ਪਾਸ਼ (post) ਕਰਕੇ, MiniMax ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਸੁਤੰਤਰ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਉਹੀ ਪਹੁੰਚ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਓਪਨ-ਸੋਰਸ ਟੈਕਸਟ ਮਾਡਲਾਂ ਨੂੰ ਸਾਲਾਂ ਤੋਂ ਮਿਲ ਰਹੀ ਹੈ। ਬੈਂਚਮਾਰਕ ਜਿੱਤ ਇਹ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਇੱਕ ਖੁੱਲ੍ਹੇ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਮਾਡਲ ਨਾ ਸਿਰਫ਼ ਲਾਗਤ ਵਿੱਚ, ਸਗੋਂ ਗੁਣਵੱਤਾ ਵਿੱਚ ਵੀ ਮੁਕਾਬਲਾ ਕਰ ਸਕਦਾ ਹੈ।

ਇੱਕ ਓਪਨ-ਵੇਟ (open-weight) ਮੁਕਾਬਲੇਬਾਜ਼ ਬਣਨ ਦਾ ਰਾਹ

MiniMax ਦਾ H3 ਜਨਰੇਟਿਵ-ਵੀਡੀਓ ਦੇ ਉਹਨਾਂ ਯਤਨਾਂ ਦੀ ਲੜੀ ਨੂੰ ਜਾਰੀ ਰੱਖਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਨੇ ਰੈਜ਼ੋਲੂਸ਼ਨ, ਫਰੇਮ ਰੇਟ ਅਤੇ ਇਕਸਾਰਤਾ (coherence) ਵਿੱਚ ਲਗਾਤਾਰ ਸੁਧਾਰ ਕੀਤਾ ਹੈ। ਜਿਸ ਦਿਨ ByteDance ਨੇ Seedance 2.5 released ਕੀਤਾ ਸੀ—ਇੱਕ ਅਜਿਹਾ ਮਾਡਲ ਜੋ 30-ਸਕਿੰਟ ਦੀਆਂ ਕਲਿੱਪਾਂ ਬਣਾਉਂਦਾ ਹੈ ਪਰ ਆਪਣੇ ਕੋਡ ਅਤੇ ਵੇਟਸ ਨੂੰ ਕਾਰਪੋਰੇਟ ਫਾਇਰਵਾਲ ਦੇ ਪਿੱਛੇ ਰੱਖਦਾ ਹੈ—ਉਸੇ ਦਿਨ MiniMax ਨੇ ਉਲਟ ਰਸਤਾ ਅਪਣਾਇਆ ਅਤੇ ਇੱਕ 33-ਬਿਲੀਅਨ-ਪੈਰਾਮੀਟਰ ਵਾਲਾ ਮਾਡਲ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਜੋ ਇੱਕੋ ਵਾਰ ਵਿੱਚ ਟੈਕਸਟ, ਚਿੱਤਰ, ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ।

ਇਹ ਮਾਡਲ ਕੀ ਕਰ ਸਕਦਾ ਹੈ

  • ਮਲਟੀਮੋਡਲ ਇਨਪੁਟ (Multimodal input) – ਇੱਕ ਸਿੰਗਲ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਨੌਂ ਰੈਫਰੈਂਸ ਚਿੱਤਰ, ਤਿੰਨ ਛੋਟੀਆਂ ਵੀਡੀਓ ਕਲਿੱਪਾਂ ਅਤੇ ਤਿੰਨ ਆਡੀਓ ਕਲਿੱਪਾਂ ਤੱਕ ਸ਼ਾਮਲ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਮਾਡਲ ਰੈਂਡਰਿੰਗ ਤੋਂ ਪਹਿਲਾਂ ਇਹਨਾਂ ਸਿਗਨਲਾਂ ਨੂੰ ਇੱਕ ਸੰਰਚਿਤ (structured) ਵਿਚਕਾਰਲੇ ਰੂਪ ਵਿੱਚ ਮਿਲਾ ਦਿੰਦਾ ਹੈ।
  • ਆਊਟਪੁੱਟ ਲੰਬਾਈ ਅਤੇ ਗੁਣਵੱਤਾ – H3 4 ਤੋਂ 15 ਸਕਿੰਟ ਦੇ ਵੀਡੀਓ ਸੈਗਮੈਂਟ ਬਣਾਉਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਹਰ ਇੱਕ ਦੇ ਨਾਲ ਸਿੰਕ੍ਰੋਨਾਈਜ਼ਡ ਸਟੀਰੀਓ ਸਾਊਂਡ ਹੁੰਦਾ ਹੈ।
  • ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਗਿਣਤੀ – 33 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਨਾਲ, ਇਹ ਨੈੱਟਵਰਕ ਪ੍ਰਮੁੱਖ ਕਲੋਜ਼ਡ-ਸੋਰਸ (closed-source) ਮਾਡਲਾਂ ਦੇ ਆਕਾਰ ਦੇ ਬਰਾਬਰ ਹੈ, ਜੋ ਇਸਨੂੰ ਬਾਰੀਕ ਗਤੀ (motion) ਅਤੇ ਟੈਕਸਚਰ ਨੂੰ ਕੈਪਚਰ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।

ਇਹ ਸਮਰੱਥਾਵਾਂ ਇੱਕ ਆਮ ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਕਰਦੀਆਂ ਹਨ: ਫਰੇਮਾਂ ਵਿੱਚ ਵਿਜ਼ੂਅਲ ਅਤੇ ਆਡੀਟਰੀ ਇਕਸਾਰਤਾ ਬਣਾਈ ਰੱਖਣਾ। ਰੈਫਰੈਂਸਾਂ ਦਾ ਇੱਕ ਵਧੇਰੇ ਅਮੀਰ ਸੈੱਟ ਪ੍ਰਦਾਨ ਕਰਕੇ, H3 "ਜੰਪ-ਕੱਟ" (jump-cut) ਆਰਟੀਫੈਕਟਸ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ ਜੋ ਕਈ ਟੈਕਸਟ-ਟੂ-ਵੀਡੀਓ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਸਮੱਸਿਆ ਪੈਦਾ ਕਰਦੇ ਹਨ।

ਲੁਕਵੇਂ ਹਿੱਸੇ

MiniMax ਨੇ ਜਾਣਬੁੱਝ ਕੇ ਦੋ ਹਿੱਸਿਆਂ ਨੂੰ ਬੰਦ ਰੱਖਿਆ ਹੈ: ਉਹ ਮੋਡੀਊਲ ਜੋ 2K ਰੈਜ਼ੋਲੂਸ਼ਨ ਤੱਕ ਅਪਸੈਂਪਲ (upsample) ਕਰਦਾ ਹੈ ਅਤੇ H3-Context-IR ਇੰਜਣ ਜੋ ਮਲਟੀਮੋਡਲ ਪ੍ਰੋਂਪਟ ਨੂੰ ਅੰਦਰੂਨੀ ਫਾਰਮੈਟ ਵਿੱਚ ਬਦਲਦਾ ਹੈ। ਅਪਸਕੇਲਰ ਤੋਂ ਬਿਨਾਂ, ਤੁਸੀਂ ਇੱਕ ਲੋਕਲ ਮਸ਼ੀਨ 'ਤੇ ਵੱਧ ਤੋਂ ਵੱਧ 768p ਰੈਜ਼ੋਲੂਸ਼ਨ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ। ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਰੈਫਰੈਂਸ ਸਮੱਗਰੀ ਇਕੱਠੀ ਕਰਨ ਲਈ MiniMax ਦੇ ਪ੍ਰੋਂਪਟਿੰਗ ਗਾਈਡਾਂ ਦੀ ਪਾਲਣਾ ਵੀ ਕਰਨੀ ਪੈਂਦੀ ਹੈ, ਜੋ ਕਿ ਨਵੇਂ ਆਉਣ ਵਾਲਿਆਂ ਲਈ ਤਕਨੀਕੀ ਹੋ ਸਕਦੀ ਹੈ।

H3 ਨੂੰ ਲੋਕਲ ਤੌਰ 'ਤੇ ਚਲਾਉਣਾ

ਤੁਸੀਂ ਕਮਿਊਨਿਟੀ-ਡਰਾਈਵਨ ComfyUI ਇੰਟਰਫੇਸ ਰਾਹੀਂ ਮਾਡਲ ਨੂੰ ਲੋਡ ਕਰ ਸਕਦੇ ਹੋ। ਮੁੱਖ ਵੇਟਸ ਮੁਫ਼ਤ ਹਨ, ਪਰ ਰੈਜ਼ੋਲੂਸ਼ਨ ਦੀ ਸੀਮਾ ਸ਼ੌਕੀਆ (hobbyists) ਅਤੇ ਛੋਟੇ ਸਟੂਡੀਓਜ਼ ਨੂੰ ਘੱਟ-ਪਿਕਸਲ ਆਊਟਪੁੱਟ ਸਵੀਕਾਰ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰਦੀ ਹੈ, ਜਦੋਂ ਤੱਕ ਉਹ ਪ੍ਰੋਪਰਾਈਟਰੀ ਅਪਸਕੇਲਰ ਨਹੀਂ ਖਰੀਦਦੇ। ਕਸਟਮ ਫੁਟੇਜ, ਪਾਤਰਾਂ ਜਾਂ ਵਿਜ਼ੂਅਲ ਸਟਾਈਲ 'ਤੇ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਦੀ ਸਹੂਲਤ ਦਿੱਤੀ ਗਈ ਹੈ, ਜੋ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਉਹ ਰਚਨਾਤਮਕ ਆਜ਼ਾਦੀ ਦਿੰਦੀ ਹੈ ਜੋ ਕਲੋਜ਼ਡ ਮਾਡਲਾਂ ਵਿੱਚ ਨਹੀਂ ਹੁੰਦੀ।

ਲਾਇਸੈਂਸਿੰਗ ਵਪਾਰਕ ਲਾਭ ਨੂੰ ਸੀਮਤ ਕਰਦੀ ਹੈ

MiniMax ਦਾ ਲਾਇਸੈਂਸ ਸਿਰਫ਼ ਉਹਨਾਂ ਫਰਮਾਂ ਲਈ ਵਪਾਰਕ ਤਾਇਨਾਤੀ (commercial deployment) ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦਾ ਸਾਲਾਨਾ ਮਾਲੀਆ 20 ਮਿਲੀਅਨ ਡਾਲਰ ਤੋਂ ਘੱਟ ਹੈ। ਇਹ ਸ਼ਰਤ ਕੰਪਨੀ ਨੂੰ ਉਹਨਾਂ ਵੱਡੀਆਂ ਕਾਰਪੋਰੇਟ ਸੰਸਥਾਵਾਂ ਤੋਂ ਬਚਾਉਂਦੀ ਹੈ ਜੋ MiniMax ਦੀਆਂ ਆਪਣੀਆਂ ਪੇਸ਼ਕਸ਼ਾਂ ਨੂੰ ਬਾਈਪਾਸ ਕਰਦੇ ਹੋਏ ਇਸ ਤਕਨਾਲੋਜੀ ਤੋਂ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਮੁਨਾਫਾ ਕਮਾ ਸਕਦੀਆਂ ਹਨ। ਸਟਾਰਟਅੱਪਸ ਅਤੇ ਖੋਜ ਪ੍ਰਯੋਗਸ਼ਾਲਾਵਾਂ ਨੂੰ ਉਦਾਰ ਸ਼ਰਤਾਂ ਮਿਲਦੀਆਂ ਹਨ; ਵੱਡੇ ਖਿਡਾਰੀਆਂ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਸਮਝੌਤੇ ਲਈ ਗੱਲਬਾਤ ਕਰਨੀ ਪਵੇਗੀ।

ਵਿਰੋਧੀ ਨੁਕਤਾ: ਕੁਝ ਲੋਕ ਕਲੋਜ਼ਡ ਮਾਡਲਾਂ ਨਾਲ ਕਿਉਂ ਜੁੜੇ ਰਹਿ ਸਕਦੇ ਹਨ

  • ਲੰਬੀਆਂ ਕਲਿੱਪ ਲੰਬਾਈ – ByteDance ਦਾ ਸਿਸਟਮ 30-ਸਕਿੰਟ ਦੀਆਂ ਵੀਡੀਓਜ਼ ਬਣਾ ਸਕਦਾ ਹੈ, ਜੋ H3 ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਲੰਬਾਈ ਦਾ ਦੁੱਗਣਾ ਹੈ।

ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ

  • **

ਸਿੱਟਾ

MiniMax ਦਾ H3 ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ ਇੱਕ ਓਪਨ-ਵੇਟ ਵੀਡੀਓ ਜਨਰੇਟਰ ਬੈਂਚਮਾਰਕ ਗੁਣਵੱਤਾ ਵਿੱਚ ਕਲੋਜ਼ਡ ਦਿੱਗਜਾਂ ਨੂੰ ਹਰਾ ਸਕਦਾ ਹੈ, ਪਰ ਇਸਦਾ ਸੀਮਤ ਰੈਜ਼ੋਲੂਸ਼ਨ, ਵਾਧੂ ਬੰਦ ਹਿੱਸੇ ਅਤੇ ਮਾਲੀਏ ਦੀ ਸੀਮਾ ਵਾਲਾ ਲਾਇਸੈਂਸ ਇਸਨੂੰ ਖੋਜਕਰਤਾਵਾਂ, ਸਟਾਰਟਅੱਪਸ ਅਤੇ ਸ਼ੌਕੀਆ ਲੋਕਾਂ ਦੇ ਖੇਤਰ ਤੱਕ ਹੀ ਸੀਮਤ ਰੱਖਦਾ ਹੈ। ਮਾਡਲ ਦੀ ਮਲਟੀਮੋਡਲ ਲਚਕਤਾ ਅਤੇ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਦੀ ਆਜ਼ਾਦੀ ਓਪਨ-ਸੋਰਸ ਕਮਿਊਨਿਟੀ ਨੂੰ ਆਕਰਸ਼ਿਤ ਕਰਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਉਦਯੋਗਿਕ ਸੰਸਥਾਵਾਂ ਉਦੋਂ ਤੱਕ ਪ੍ਰੋਪਰਾਈਟਰੀ ਹੱਲਾਂ ਵੱਲ ਵਧ ਸਕਦੀਆਂ ਹਨ ਜਦੋਂ ਤੱਕ ਓਪਨ ਈਕੋਸਿਸਟਮ ਬਾਕੀ ਰਹਿੰਦੀਆਂ ਕਮੀਆਂ ਨੂੰ ਪੂਰਾ ਨਹੀਂ ਕਰ ਲੈਂਦਾ।