MiniMax نے ابھی Hugging Face پر اپنے H3 ویڈیو جنریشن ماڈل کے weights پوسٹ کیے ہیں، اس لیے کسی بھی شخص کے پاس اگر مناسب GPU ہو تو وہ بنیادی سسٹم ڈاؤن لوڈ کر سکتا ہے۔ یہ ریلیز مکمل کمرشل پائپ لائن تک نہیں پہنچتی – صرف H3-Base جنریٹر open-weight ہے؛ جبکہ preprocessing اور upscaling کے مراحل API کے پیچھے ہی رہتے ہیں۔

اوپن ویٹ (open-weight) ریلیز میں اصل میں کیا شامل ہے

MiniMax کا H3 آرکیٹیکچر تین منطقی بلاکس میں تقسیم ہے۔ وہ دو جو صرف API تک محدود ہیں:

  • Context-IR layer – ان پٹ ٹیکسٹ، تصاویر یا ویڈیو کے ٹکڑوں کی preprocessing کرتا ہے۔
  • Regenerate-2K layer – آؤٹ پٹ کو ہائی ریزولوشن (2K) ویڈیو میں تبدیل کرتا ہے۔

ڈویلپرز H3-Base core generator ڈاؤن لوڈ کر سکتے ہیں، جو کہ وہ انجن ہے جو ملٹی موڈل پرامپٹس کو نیٹیو آڈیو کے ساتھ 768 پکسل شارٹ ایج ویڈیو کلپ میں تبدیل کرتا ہے۔

ہارڈ ویئر اور رن ٹائم کی حقیقتیں

اس ماڈل میں 33 ارب پیرامیٹرز (parameters) ہیں اور یہ دو اقسام میں دستیاب ہے:

  • fl2va – ٹیکسٹ اور امیج پرامپٹس قبول کرتا ہے۔
  • ref2va – پرامپٹ کے حصے کے طور پر ایک ریفرنس ویڈیو قبول کرتا ہے۔

سب سے چھوٹا quantized checkpoint تقریباً 21 GB ہے؛ جبکہ full-precision checkpoint 123.6 GB ہے۔ MiniMax آرام دہ آپریشن کے لیے کم از کم 42.5 GB VRAM یا اسٹوریج کی سفارش کرتا ہے۔

12 GB GPU پر، ڈویلپرز CPU offloading کے ساتھ ماڈل چلا سکتے ہیں، لیکن inference کی رفتار نمایاں طور پر کم ہو جاتی ہے۔ لوکل جنریشن شارٹ ایج پر زیادہ سے زیادہ 768 px تک پہنچتی ہے، جو کہ proprietary Regenerate-2K لیئر کے فراہم کردہ 2K ریزولوشن سے بہت کم ہے۔

یہ ریلیز کیوں اہم ہے

Artificial Analysis کی حالیہ رینکنگ H3 کو "video editing" کی کیٹیگری میں پہلے نمبر پر اور "text-to-video" اور "image-to-video" دونوں میں ٹاپ تھری میں رکھتی ہے۔ یہ اسکورز اسے آج دستیاب سب سے قابل اوپن ویٹ ویڈیو ماڈل بناتے ہیں۔

یہ ماڈل ملٹی موڈل ہے: یہ ٹیکسٹ، تصاویر، ویڈیو اور آڈیو کو سمجھتا ہے، اور یہ ہم آہنگ آواز (synchronized sound) کے ساتھ ویڈیو تیار کر سکتا ہے—جو کہ عوامی طور پر ڈاؤن لوڈ کے قابل ویٹ سیٹ کے لیے ایک غیر معمولی وسعت ہے۔

حدود اور کہانی کا دوسرا رخ

H3 ہر جگہ نہیں جیتتا؛ Gemini Omni Flash مخصوص کاموں میں اس سے بہتر کارکردگی دکھاتا ہے۔ چونکہ ہائی ریزولوشن اپ اسکیلنگ (upscaling) API کے پیچھے ہے، اس لیے ڈویلپرز MiniMax کی سروس کے لیے ادائیگی کیے بغیر مکمل کمرشل آؤٹ پٹ حاصل نہیں کر سکتے۔

لائسنسنگ ایک اور رکاوٹ ہے۔ شرائط میں واضح طور پر یورپی یونین، برطانیہ، جنوبی کوریا، اور ریاستہائے متحدہ (United States) میں استعمال پر پابندی ہے۔ ان علاقوں میں موجود تنظیموں کو ایک الگ کمرشل معاہدے پر بات چیت کرنی ہوگی یا کہیں اور دیکھنا ہوگا۔

خلاصہ: MiniMax کا اوپن ویٹ H3 ڈویلپرز کو ایک طاقتور ملٹی موڈل ویڈیو جنریٹر فراہم کرتا ہے جسے وہ مقامی طور پر چلا سکتے ہیں، لیکن صرف API پر مبنی preprocessing اور upscaling، بھاری ہارڈ ویئر کی ضروریات، اور علاقائی لائسنسنگ پابندیاں مکمل کمرشل تجربے کو بہت سے لوگوں کی پہنچ سے دور رکھتی ہیں۔