MiniMax ਨੇ ਹੁਣੇ Hugging Face 'ਤੇ ਆਪਣੇ H3 ਵੀਡੀਓ-ਜਨਰੇਸ਼ਨ ਮਾਡਲ ਦੇ weights ਪੋਸਟ ਕੀਤੇ ਹਨ, ਇਸ ਲਈ ਕੋਈ ਵੀ ਜਿਸ ਕੋਲ ਇੱਕ ਵਧੀਆ GPU ਹੈ, ਉਹ ਕੋਰ ਸਿਸਟਮ ਨੂੰ ਡਾਊਨਲੋਡ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਰਿਲੀਜ਼ ਪੂਰੇ ਵਪਾਰਕ ਪਾਈਪਲਾਈਨ ਤੱਕ ਨਹੀਂ ਪਹੁੰਚਦੀ – ਸਿਰਫ਼ H3-Base ਜਨਰੇਟਰ ਹੀ open-weight ਹੈ; preprocessing ਅਤੇ upscaling ਪੜਾਅ API ਦੇ ਪਿੱਛੇ ਰਹਿ ਜਾਂਦੇ ਹਨ।

Open-weight ਰਿਲੀਜ਼ ਵਿੱਚ ਅਸਲ ਵਿੱਚ ਕੀ ਸ਼ਾਮਲ ਹੈ

MiniMax ਦਾ H3 ਆਰਕੀਟੈਕਚਰ ਤਿੰਨ ਤਰਕਸ਼ੀਲ (logical) ਬਲਾਕਾਂ ਵਿੱਚ ਵੰਡਿਆ ਹੋਇਆ ਹੈ। ਉਹ ਦੋ ਜੋ ਸਿਰਫ਼ API ਤੱਕ ਸੀਮਤ ਹਨ:

  • Context-IR layer – ਇਨਪੁਟ ਟੈਕਸਟ, ਚਿੱਤਰਾਂ ਜਾਂ ਵੀਡੀਓ ਦੇ ਟੁਕੜਿਆਂ ਨੂੰ preprocess ਕਰਦਾ ਹੈ।
  • Regenerate-2K layer – ਆਉਟਪੁੱਟ ਨੂੰ ਹਾਈ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ (2 K) ਵੀਡੀਓ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।

ਡਿਵੈਲਪਰ H3-Base core generator ਨੂੰ ਡਾਊਨਲੋਡ ਕਰ ਸਕਦੇ ਹਨ, ਜੋ ਕਿ ਉਹ ਇੰਜਣ ਹੈ ਜੋ ਮਲਟੀਮੋਡਲ ਪ੍ਰੋਂਪਟਸ ਨੂੰ ਨੇਟਿਵ ਆਡੀਓ ਦੇ ਨਾਲ 768-ਪਿਕਸਲ-ਸ਼ਾਰਟ-ਐਜ ਵੀਡੀਓ ਕਲਿੱਪ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ।

ਹਾਰਡਵੇਅਰ ਅਤੇ ਰਨਟਾਈਮ ਦੀਆਂ ਹਕੀਕਤਾਂ

ਇਸ ਮਾਡਲ ਵਿੱਚ 33 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਹਨ ਅਤੇ ਇਹ ਦੋ ਰੂਪਾਂ ਵਿੱਚ ਉਪਲਬਧ ਹੈ:

  • fl2va – ਟੈਕਸਟ ਅਤੇ ਚਿੱਤਰ ਪ੍ਰੋਂਪਟਸ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ।
  • ref2va – ਪ੍ਰੋਂਪਟ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਇੱਕ ਰੈਫਰੈਂਸ ਵੀਡੀਓ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ।

ਸਭ ਤੋਂ ਛੋਟਾ quantized checkpoint ਲਗਭਗ 21 GB ਹੈ; full-precision checkpoint 123.6 GB ਹੈ। MiniMax ਸੁਖਾਲੀ ਵਰਤੋਂ ਲਈ ਘੱਟੋ-ਘੱਟ 42.5 GB VRAM ਜਾਂ ਸਟੋਰੇਜ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦਾ ਹੈ।

12 GB GPU 'ਤੇ, ਡਿਵੈਲਪਰ CPU offloading ਦੇ ਨਾਲ ਮਾਡਲ ਚਲਾ ਸਕਦੇ ਹਨ, ਪਰ inference ਕਾਫ਼ੀ ਹੌਲੀ ਹੋ ਜਾਂਦਾ ਹੈ। ਲੋਕਲ ਜਨਰੇਸ਼ਨ 768 px (ਸ਼ਾਰਟ ਐਜ) ਤੱਕ ਹੀ ਸੀਮਤ ਹੈ, ਜੋ ਕਿ proprietary Regenerate-2K ਲੇਅਰ ਦੁਆਰਾ ਦਿੱਤੀ ਜਾਣ ਵਾਲੀ 2 K ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਤੋਂ ਬਹੁਤ ਘੱਟ ਹੈ।

ਇਹ ਰਿਲੀਜ਼ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

Artificial Analysis ਦੀ ਤਾਜ਼ਾ ਰੈਂਕਿੰਗ H3 ਨੂੰ "video editing" ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਪਹਿਲੇ ਸਥਾਨ 'ਤੇ ਰੱਖਦੀ ਹੈ ਅਤੇ "text-to-video" ਤੇ "image-to-video" ਦੋਵਾਂ ਲਈ ਚੋਟੀ ਦੇ ਤਿੰਨ ਵਿੱਚ ਰੱਖਦੀ ਹੈ। ਇਹ ਸਕੋਰ ਇਸਨੂੰ ਅੱਜ ਮੌਜੂਦ ਸਭ ਤੋਂ ਸਮਰੱਥ open-weight ਵੀਡੀਓ ਮਾਡਲ ਬਣਾਉਂਦੇ ਹਨ।

ਇਹ ਮਾਡਲ ਮਲਟੀਮੋਡਲ ਹੈ: ਇਹ ਟੈਕਸਟ, ਚਿੱਤਰਾਂ, ਵੀਡੀਓ ਅਤੇ ਆਡੀਓ ਨੂੰ ਸਮਝਦਾ ਹੈ, ਅਤੇ ਇਹ ਸਿੰਕ੍ਰੋਨਾਈਜ਼ਡ ਸਾਊਂਡ ਦੇ ਨਾਲ ਵੀਡੀਓ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ—ਜੋ ਕਿ ਜਨਤਕ ਤੌਰ 'ਤੇ ਡਾਊਨਲੋਡ ਕੀਤੇ ਜਾਣ ਵਾਲੇ weight set ਲਈ ਇੱਕ ਅਨੋਖੀ ਵਿਸ਼ਾਲਤਾ ਹੈ।

ਸੀਮਾਵਾਂ ਅਤੇ ਦੂਜਾ ਪੱਖ

H3 ਹਰ ਜਗ੍ਹਾ ਨਹੀਂ ਜਿੱਤਦਾ; Gemini Omni Flash ਕੁਝ ਕੰਮਾਂ ਵਿੱਚ ਇਸ ਤੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ। ਕਿਉਂਕਿ ਹਾਈ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ upscaling ਇੱਕ API ਦੇ ਪਿੱਛੇ ਹੈ, ਡਿਵੈਲਪਰ MiniMax ਦੀ ਸੇਵਾ ਲਈ ਭੁਗਤਾਨ ਕੀਤੇ ਬਿਨਾਂ ਪੂਰੇ ਵਪਾਰਕ ਆਉਟਪੁੱਟ ਤੱਕ ਨਹੀਂ ਪਹੁੰਚ ਸਕਦੇ।

ਲਾਇਸੈਂਸਿੰਗ ਇੱਕ ਹੋਰ ਰੁਕਾਵਟ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਸ਼ਰਤਾਂ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਯੂਰਪੀਅਨ ਯੂਨੀਅਨ, ਯੂਨਾਈਟਿਡ ਕਿੰਗਡਮ, ਦੱਖਣੀ ਕੋਰੀਆ, ਅਤੇ ਸੰਯੁਕਤ ਰਾਜ (United States) ਵਿੱਚ ਵਰਤੋਂ 'ਤੇ ਪਾਬੰਦੀ ਲਗਾਉਂਦੀਆਂ ਹਨ। ਉਹਨਾਂ ਖੇਤਰਾਂ ਦੀਆਂ ਸੰਸਥਾਵਾਂ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਵਪਾਰਕ ਸਮਝੌਤੇ ਲਈ ਗੱਲਬਾਤ ਕਰਨੀ ਪਵੇਗੀ ਜਾਂ ਕਿਤੇ ਹੋਰ ਦੇਖਣਾ ਪਵੇਗਾ।

ਸਿੱਟਾ (Takeaway): MiniMax ਦਾ open-weight H3 ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਲਟੀਮੋਡਲ ਵੀਡੀਓ ਜਨਰੇਟਰ ਦਿੰਦਾ ਹੈ ਜਿਸ ਨੂੰ ਉਹ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਚਲਾ ਸਕਦੇ ਹਨ, ਪਰ ਸਿਰਫ਼ API ਵਾਲੀ preprocessing ਅਤੇ upscaling, ਭਾਰੀ ਹਾਰਡਵੇਅਰ ਦੀਆਂ ਲੋੜਾਂ, ਅਤੇ ਖੇਤਰੀ ਲਾਇਸੈਂਸਿੰਗ ਪਾਬੰਦੀਆਂ ਕਾਰਨ ਕਈਆਂ ਲਈ ਪੂਰਾ ਵਪਾਰਕ ਅਨੁਭਵ ਪਹੁੰਚ ਤੋਂ ਬਾਹਰ ਹੈ।