ఈ ర్యాంకింగ్ ఎందుకు ముఖ్యం

AI-నిర్మిత వీడియోలు చాలా కాలంగా వాటి వెయిట్స్‌ను (weights) దాచిపెట్టే ప్రొప్రైటరీ సిస్టమ్స్ ఆధిపత్యం వహిస్తున్నాయి, దీనివల్ల యాజమాన్య సంస్థ మినహా మిగిలిన అందరూ దీనికి దూరంగా ఉంటున్నారు. తన వెయిట్స్‌ను బహిర్గతం చేయడం ద్వారా, MiniMax పరిశోధకులకు మరియు స్వతంత్ర డెవలపర్లకు ఓపెన్-సోర్స్ టెక్స్ట్ మోడల్స్ ఏళ్ల తరబడి అనుభవిస్తున్న అదే ప్రాప్యతను అందిస్తుంది. ఈ బెంచ్‌మార్క్ విజయం, ఒక ఓపెన్‌గా అందుబాటులో ఉన్న మోడల్ కేవలం ఖర్చు విషయంలోనే కాకుండా, నాణ్యత విషయంలో కూడా పోటీ పడగలదని నిరూపిస్తుంది.

ఓపెన్-వెయిట్ పోటీదారు వైపు ప్రయాణం

MiniMax యొక్క H3, రిజల్యూషన్, ఫ్రేమ్ రేట్ మరియు కోహెరెన్స్‌ను (coherence) క్రమంగా మెరుగుపరిచిన జనరేటివ్-వీడియో ప్రయత్నాల కొనసాగింపు. ByteDance తన Seedance 2.5ని విడుదల చేసిన అదే రోజున, అది 30 సెకన్ల క్లిప్‌లను రెండర్ చేయగలదు కానీ దాని కోడ్ మరియు వెయిట్స్‌ను కార్పొరేట్ ఫైర్‌వాల్ వెనుక ఉంచుతుంది. MiniMax దీనికి భిన్నమైన మార్గాన్ని ఎంచుకుంది, టెక్స్ట్, ఇమేజెస్, వీడియో మరియు ఆడియోను ఒకేసారి (single pass) హ్యాండిల్ చేయగల 33-బిలియన్-పారామీటర్ మోడల్‌ను ప్రచురించింది.

ఈ మోడల్ ఏమి చేయగలదు

  • మల్టీమోడల్ ఇన్‌పుట్ – ఒకే ప్రాంప్ట్‌లో తొమ్మిది రిఫరెన్స్ ఇమేజెస్, మూడు చిన్న వీడియో క్లిప్‌లు మరియు మూడు ఆడియో క్లిప్‌ల వరకు ఉండవచ్చు. రెండరింగ్ చేయడానికి ముందు మోడల్ ఈ సిగ్నల్స్‌ను ఒక స్ట్రక్చర్డ్ ఇంటర్మీడియట్ రిప్రజెంటేషన్‌గా విలీనం చేస్తుంది.
  • అవుట్‌పుట్ పొడవు మరియు నాణ్యత – H3 4 నుండి 15 సెకన్ల వీడియో సెగ్మెంట్లను ఉత్పత్తి చేస్తుంది, ప్రతిదీ సింక్రొనైజ్డ్ స్టెరియో సౌండ్‌తో ఉంటుంది.
  • పారామీటర్ల సంఖ్య – 33 బిలియన్ పారామీటర్లతో, ఈ నెట్‌వర్క్ ప్రముఖ క్లోజ్డ్-సోర్స్ ఆఫరింగ్‌ల పరిమాణంతో సమానంగా ఉంటుంది, ఇది సూక్ష్మమైన కదలికలు (fine-grained motion) మరియు టెక్చర్‌ను పట్టుకోవడానికి సహాయపడుతుంది.

ఈ సామర్థ్యాలు ఒక సాధారణ సమస్యను పరిష్కరిస్తాయి: ఫ్రేమ్‌ల మధ్య విజువల్ మరియు ఆడిటరీ కంటిన్యూటీని (continuity) కాపాడటం. ఎక్కువ రిఫరెన్స్‌లను అనుమతించడం ద్వారా, H3 అనేక టెక్స్ట్-టు-వీడియో సిస్టమ్స్‌లో కనిపించే "జంప్-కట్" ఆర్టిఫాక్ట్స్‌ను తగ్గిస్తుంది.

దాగి ఉన్న అంశాలు

MiniMax కావాలనే రెండు భాగాలను క్లోజ్డ్ గా ఉంచింది: 2K రిజల్యూషన్‌కు అప్‌శాంప్ చేసే మాడ్యూల్ మరియు మల్టీమోడల్ ప్రాంప్ట్‌ను అంతర్గత ఫార్మాట్‌లోకి మార్చే H3-Context-IR ఇంజిన్. అప్‌స్కేలర్ లేకపోతే, లోకల్ మెషీన్‌లో మీరు పొందగలిగే గరిష్ట రిజల్యూషన్ 768p మాత్రమే. రిఫరెన్స్ మెటీరియల్‌ను సిద్ధం చేయడానికి వినియోగదారులు MiniMax యొక్క ప్రాంప్టింగ్ గైడ్‌లను అనుసరించాల్సి ఉంటుంది, ఇది కొత్తవారికి సాంకేతికంగా కష్టంగా ఉండవచ్చు.

H3ని లోకల్‌గా రన్ చేయడం

మీరు కమ్యూనిటీ ఆధారిత ComfyUI ఇంటర్‌ఫేస్ ద్వారా ఈ మోడల్‌ను లోడ్ చేయవచ్చు. కోర్ వెయిట్స్ ఉచితం, కానీ రిజల్యూషన్ పరిమితి కారణంగా, హాబీయిస్ట్‌లు మరియు చిన్న స్టూడియోలు ప్రొప్రైటరీ అప్‌స్కేలర్‌ను కొనుగోలు చేయనంత వరకు తక్కువ పిక్సెల్ అవుట్‌పుట్‌లను అంగీకరించాల్సి ఉంటుంది. కస్టమ్ ఫుటేజ్, క్యారెక్టర్లు లేదా విజువల్ స్టైల్స్‌పై ఫైన్-ట్యూనింగ్ సపోర్ట్ చేయబడుతుంది, ఇది క్లోజ్డ్ మోడల్స్‌లో లేని సృజనాత్మక స్వేచ్ఛను డెవలపర్లకు అందిస్తుంది.

లైసెన్సింగ్ వాణిజ్య ప్రయోజనాలను పరిమితం చేస్తుంది

MiniMax లైసెన్స్ సంవత్సరానికి $20 million కంటే తక్కువ ఆదాయం ఉన్న సంస్థలకు మాత్రమే వాణిజ్య వినియోగానికి (commercial deployment) అనుమతిస్తుంది. ఈ నిబంధన, MiniMax యొక్క సొంత ఆఫరింగ్‌లను పక్కన పెట్టి, ఈ సాంకేతికతను భారీ స్థాయిలో నగదుగా మార్చుకోగల పెద్ద సంస్థల నుండి కంపెనీని రక్షిస్తుంది. స్టార్టప్‌లు మరియు పరిశోధనాశాలలు ఉదారమైన నిబంధనలను కలిగి ఉంటాయి; పెద్ద సంస్థలు విడిగా ఒప్పందం చేసుకోవాల్సి ఉంటుంది.

వ్యతిరేక అంశం: కొందరు ఎందుకు క్లోజ్డ్ మోడల్స్‌నే ఎంచుకోవచ్చు

  • ఎక్కువ నిడివి గల క్లిప్‌లు