இந்த தரவரிசை ஏன் முக்கியமானது

AI-ஆல் உருவாக்கப்பட்ட வீடியோக்கள் நீண்டகாலமாக அவற்றின் எடைகளை (weights) மறைத்து வைத்திருக்கும் உரிமம் பெற்ற (proprietary) அமைப்புகளின் ஆதிக்கத்தில் உள்ளன; இது உரிமையாளரால் மட்டுமே பயன்படுத்தக்கூடிய வகையில் மற்ற அனைவரையும் விலக்கி வைக்கிறது. அதன் எடைகளை வெளியிடுவதன் மூலம், MiniMax ஆராய்ச்சியாளர்கள் மற்றும் தனிப்பட்ட டெவலப்பர்களுக்கு, திறந்த மூல (open-source) உரை மாதிரிகள் பல ஆண்டுகளாக அனுபவித்து வரும் அதே அணுகலை வழங்குகிறது. இந்த தரநிலைச் சோதனை (benchmark) வெற்றி, ஒரு வெளிப்படையான மாதிரி செலவை மட்டும் அல்லாமல், தரத்திலும் போட்டியிட முடியும் என்பதை நிரூபிக்கிறது.

ஒரு திறந்த-எடை (open-weight) போட்டியாளருக்கான பாதை

MiniMax-ன் H3, தெளிவுத்திறன் (resolution), பிரேம் ரேட் (frame rate) மற்றும் ஒருமைப்பாட்டை (coherence) படிப்படியாக மேம்படுத்தி வரும் உருவாக்கும் வீடியோ (generative-video) முயற்சிகளின் தொடர்ச்சியாகும். ByteDance நிறுவனம் 30 வினாடி கிளிப்களை உருவாக்கும் Seedance 2.5 என்ற மாதிரியை வெளியிட்ட அதே நாளில், அது தனது குறியீடு மற்றும் எடைகளை ஒரு நிறுவனத்தின் பாதுகாப்பு வளையத்திற்குள் (corporate firewall) வைத்திருந்தது. ஆனால் MiniMax இதற்கு நேர்மாறான பாதையைத் தேர்ந்தெடுத்து, உரை, படங்கள், வீடியோ மற்றும் ஆடியோ ஆகியவற்றை ஒரே முறையில் கையாளக்கூடிய 33 பில்லியன் அளவுருக்கள் (parameters) கொண்ட ஒரு மாதிரியை வெளியிட்டது.

இந்த மாதிரி என்ன செய்ய முடியும்

  • மல்டிமோடல் உள்ளீடு (Multimodal input) – ஒரே ஒரு ப்ராம்ப்ட் (prompt) வரை ஒன்பது குறிப்புப் படங்கள், மூன்று குறுகிய வீடியோ கிளிப்கள் மற்றும் மூன்று ஆடியோ கிளிப்களைக் கொண்டிருக்கலாம். இந்த மாதிரி, வீடியோவை உருவாக்குவதற்கு முன் இந்த சிக்னல்களை ஒரு கட்டமைக்கப்பட்ட இடைநிலை பிரதிநிதித்துவமாக (structured intermediate representation) ஒன்றிணைக்கிறது.
  • வெளியீட்டு நீளம் மற்றும் தரம் – H3, 4 முதல் 15 வினாடிகள் வரையிலான வீடியோ துண்டுகளை உருவாக்குகிறது, ஒவ்வொன்றும் ஒத்திசைக்கப்பட்ட ஸ்டீரியோ ஒலியைக் கொண்டிருக்கும்.
  • அளவுருக்களின் எண்ணிக்கை – 33 பில்லியன் அளவுருக்களுடன், இந்த நெட்வொர்க் முன்னணி மூடிய-மூல (closed-source) தயாரிப்புகளின் அளவிற்கு இணையாக உள்ளது, இது நுணுக்கமான இயக்கம் மற்றும் அமைப்பை (texture) துல்லியமாகப் பிடிக்க உதவுகிறது.

இந்தத் திறன்கள் ஒரு பொதுவான சிக்கலைத் தீர்க்கின்றன: அதாவது, வீடியோவின் ஒவ்வொரு பிரேமிற்கும் இடையே காட்சி மற்றும் ஒலித் தொடர்ச்சியைப் பேணுவது. அதிகப்படியான குறிப்புகளைப் பயன்படுத்த அனுமதிப்பதன் மூலம், பல உரையிலிருந்து வீடியோவாக மாற்றும் (text-to-video) அமைப்புகளைப் பாதிக்கும் "ஜம்ப்-கட்" (jump-cut) குறைபாடுகளை H3 குறைக்கிறது.

மறைக்கப்பட்ட பகுதிகள்

MiniMax திட்டமிட்டு இரண்டு கூறுகளை மூடிய நிலையில் வைத்துள்ளது: 2K தெளிவுத்திறனுக்கு உயர்த்தும் (upsamples) மாட்யூல் மற்றும் மல்டிமோடல் ப்ராம்ப்ட்டை உள் வடிவத்திற்கு மாற்றும் H3-Context-IR என்ஜின். இந்த அப்ஸ்கேலர் (upscaler) இல்லாமல், ஒரு உள்ளூர் கணினியில் (local machine) நீங்கள் பெறக்கூடிய அதிகபட்ச தெளிவுத்திறன் 768p மட்டுமே. மேலும், பயனர்கள் குறிப்புப் பொருட்களைத் தொகுக்க MiniMax-ன் ப்ராம்ப்டிங் வழிகாட்டிகளைப் பின்பற்ற வேண்டும், இது புதியவர்களுக்குத் தொழில்நுட்ப ரீதியாகச் சவாலானதாக இருக்கலாம்.

H3-ஐ உள்ளூர் கணினியில் இயக்குதல்

சமூகத்தால் இயக்கப்படும் ComfyUI இடைமுகம் மூலம் நீங்கள் இந்த மாதிரியைப் பயன்படுத்தலாம். இதன் முக்கிய எடைகள் (core weights) இலவசம், ஆனால் தெளிவுத்திறன் வரம்பு காரணமாக, பொழுதுபோக்கு ஆர்வலர்களும் சிறிய ஸ்டுடியோக்களும் உரிமம் பெற்ற அப்ஸ்கேலரை வாங்கும் வரை குறைந்த பிக்சல் வெளியீடுகளையே ஏற்க வேண்டியுள்ளது. தனிப்பயனாக்கப்பட்ட காட்சிகள், கதாபாத்திரங்கள் அல்லது காட்சி பாணிகளில் ஃபைன்-டியூனிங் (Fine-tuning) செய்யும் வசதி இதில் உள்ளது, இது மூடிய மாதிரிகளில் இல்லாத படைப்பாற்றல் சுதந்திரத்தை டெவலப்பர்களுக்கு வழங்குகிறது.

உரிமம் வணிக வாய்ப்புகளைக் கட்டுப்படுத்துகிறது

MiniMax-ன் உரிமம், ஆண்டு வருமானம் $20 மில்லியனுக்கும் குறைவாக உள்ள நிறுவனங்களுக்கு மட்டுமே வணிக ரீதியான பயன்பாட்டிற்கு அனுமதிக்கிறது. இந்த விதி, MiniMax-ன் சொந்தத் தயாரிப்புகளைத் தவிர்த்துவிட்டு, இந்தத் தொழில்நுட்பத்தை பெரிய அளவில் பணமாக்கக்கூடிய பெரிய நிறுவனங்களிடமிருந்து நிறுவனத்தைப் பாதுகாக்கிறது. ஸ்டார்ட்அப்கள் மற்றும் ஆராய்ச்சி ஆய்வகங்கள் தாராளமான நிபந்தனைகளைப் பெறுகின்றன; ஆனால் பெரிய நிறுவனங்கள் தனி ஒப்பந்தத்தைப் பேச்சுவார்த்தை செய்ய வேண்டும்.

எதிர் கருத்து: ஏன் சிலர் மூடிய மாதிரிகளையே தொடரலாம்

  • நீண்ட கிளிப் நீளங்கள் – ByteDance-ன் அமைப்பு 30 வினாடி வீடியோக்களை உருவாக்க முடியும், இது H3-ன் அதிகபட்ச நீளத்தைப் போல இரண்டு மடங்கு ஆகும்.

அடுத்து கவனிக்க வேண்டியவை

  • **

சுருக்கம்

ஒரு திறந்த-எடை வீடியோ உருவாக்கி, தரநிலைத் தரத்தில் மூடிய மாபெரும் நிறுவனங்களை வெல்ல முடியும் என்பதை MiniMax-ன் H3 நிரூபிக்கிறது. இருப்பினும், அதன் வரையறுக்கப்பட்ட தெளிவுத்திறன், கூடுதல் மூடிய கூறுகள் மற்றும் வருவாய் வரம்பு கொண்ட உரிமம் ஆகியவை அதை ஆராய்ச்சியாளர்கள், ஸ்டார்ட்அப்கள் மற்றும் பொழுதுபோக்கு ஆர்வலர்களின் எல்லைக்குள் வைத்திருக்கிறது. இந்த மாதிரியின் மல்டிமோடல் நெகிழ்வுத்தன்மை மற்றும் ஃபைன்-டியூனிங் சுதந்திரம் திறந்த மூல சமூகத்தை ஈர்க்கிறது, அதே சமயம் திறந்த சுற்றுச்சூழல் அமைப்பு மீதமுள்ள இடைவெளிகளை நிரப்பும் வரை நிறுவனங்கள் இன்னும் உரிமம் பெற்ற தீர்வுகளையே நோக்கிச் செல்லக்கூடும்.