MiniMax vừa công bố các trọng số cho mô hình tạo video H3 của mình trên Hugging Face, vì vậy bất kỳ ai có GPU đủ mạnh đều có thể tải xuống hệ thống lõi. Bản phát hành này chưa cung cấp đầy đủ quy trình thương mại hoàn chỉnh – chỉ có bộ tạo H3-Base là mở trọng số (open-weight); các giai đoạn tiền xử lý và nâng cấp độ phân giải (upscaling) vẫn được giữ lại sau API.

Bản phát hành open-weight thực sự bao gồm những gì

Kiến trúc H3 của MiniMax được chia thành ba khối logic. Hai khối chỉ có sẵn qua API là:

  • Lớp Context-IR – tiền xử lý văn bản, hình ảnh hoặc các đoạn video đầu vào.
  • Lớp Regenerate-2K – nâng cấp đầu ra thành video độ phân giải cao (2K).

Các nhà phát triển có thể tải xuống bộ tạo lõi H3-Base, công cụ chuyển đổi các câu lệnh đa phương thức (multimodal prompts) thành một clip video có cạnh ngắn 768 pixel cùng với âm thanh gốc.

Thực tế về phần cứng và thời gian chạy

Mô hình chứa 33 tỷ tham số và có hai phiên bản:

  • fl2va – chấp nhận câu lệnh văn bản và hình ảnh.
  • ref2va – chấp nhận một video tham chiếu như một phần của câu lệnh.

Checkpoint đã được lượng tử hóa nhỏ nhất nặng khoảng 21 GB; checkpoint độ chính xác đầy đủ nặng 123,6 GB. MiniMax khuyến nghị có ít nhất 42,5 GB VRAM hoặc dung lượng lưu trữ để vận hành thoải mái.

Trên một GPU 12 GB, các nhà phát triển có thể chạy mô hình bằng cách sử dụng kỹ thuật CPU offloading, nhưng tốc độ suy luận sẽ chậm lại đáng kể. Việc tạo video cục bộ chỉ đạt tối đa 768 px ở cạnh ngắn, thấp hơn nhiều so với độ phân giải 2K mà lớp Regenerate-2K độc quyền cung cấp.

Tại sao bản phát hành này lại quan trọng

Bảng xếp hạng gần đây của Artificial Analysis đã đưa H3 đứng đầu trong danh mục "chỉnh sửa video" (video editing) và nằm trong top ba cho cả "văn bản thành video" (text-to-video) và "hình ảnh thành video" (image-to-video). Những điểm số đó khiến nó trở thành mô hình video mở trọng số có khả năng nhất hiện nay.

Mô hình này có tính đa phương thức: nó hiểu văn bản, hình ảnh, video và âm thanh, đồng thời có thể tổng hợp video với âm thanh đồng bộ—một phạm vi khả năng hiếm thấy đối với một bộ trọng số có thể tải xuống công khai.

Hạn chế và những khía cạnh khác của vấn đề

H3 không chiến thắng ở mọi mặt; Gemini Omni Flash vượt trội hơn nó trong một số tác vụ nhất định. Vì việc nâng cấp độ phân giải cao được thực hiện qua API, các nhà phát triển không thể đạt được đầu ra thương mại đầy đủ nếu không trả phí cho dịch vụ của MiniMax.

Vấn đề cấp phép cũng tạo thêm một rào cản khác. Các điều khoản cấm rõ ràng việc sử dụng tại Liên minh Châu Âu, Vương quốc Anh, Hàn Quốc và Hoa Kỳ. Các tổ chức ở những khu vực này phải đàm phán một thỏa thuận thương mại riêng biệt hoặc tìm kiếm giải pháp khác.

Điểm mấu chốt: Mô hình H3 open-weight của MiniMax cung cấp cho các nhà phát triển một bộ tạo video đa phương thức mạnh mẽ mà họ có thể chạy cục bộ, nhưng việc tiền xử lý và nâng cấp độ phân giải chỉ có qua API, yêu cầu phần cứng lớn và các lệnh cấm cấp phép theo khu vực khiến trải nghiệm thương mại đầy đủ vẫn nằm ngoài tầm với của nhiều người.