MiniMax H3 ओपन वेट: आप वास्तव में स्थानीय स्तर पर क्या चला सकते हैं

अगस्त की शुरुआत में, मिनीमैक्स ने हगिंग फेस पर अपने H3 वीडियो मॉडल का वजन प्रकाशित किया। स्टीरियो साउंड वाले क्लिप अब आपकी अपनी मशीन पर तैयार किए जा सकते हैं - कोई सदस्यता नहीं, कोई प्रति-पीढ़ी एपीआई शुल्क नहीं। लेकिन सैकड़ों गीगाबाइट डाउनलोड करने से पहले, दो बातें ध्यान में रखें: पूर्ण 2K पाइपलाइन ने इसे खुली रिलीज़ में नहीं बनाया, और लाइसेंस हर किसी को, हर जगह अनुमति नहीं देता है।

वास्तव में क्या जारी किया गया था

MiniMax-H3 रिपॉजिटरी दो कार्य-विशिष्ट चौकियों को शिप करती है। FL2VA टेक्स्ट से ध्वनि के साथ वीडियो बनाता है और फ्रेम को एनिमेट कर सकता है: आप पहला, आखिरी या दोनों प्रदान करते हैं। Ref2VA संदर्भों से एक क्लिप बनाता है - एक एकल अनुरोध में अधिकतम नौ छवियां, तीन वीडियो और तीन ऑडियो फ़ाइलें शामिल हो सकती हैं, इसलिए एक चरित्र का लुक, कैमरा मूवमेंट, शैली और आवाज़ प्रत्येक अपने स्वयं के उदाहरण द्वारा निर्धारित की जाती है। कोर एक सघन 33-बिलियन-पैरामीटर ट्रांसफार्मर है, वजन बीएफ16 में प्रकाशित होता है, और पूरे भंडार का वजन लगभग 288 जीबी है।

मॉडल क्या कर सकता है

H3 टेक्स्ट, छवियों, वीडियो और ऑडियो को इनपुट के रूप में लेता है और 24 एफपीएस पर 4 से 15 सेकंड की क्लिप तैयार करता है - अंतर्निहित स्टीरियो ऑडियो के साथ जिसे मॉडल चित्र के साथ सिंक करके स्वयं संश्लेषित करता है। शॉर्ट साइड पर बेस रेजोल्यूशन 768p है। ऑडियो यहां एक अलग प्रसंस्करण चरण नहीं है, बल्कि उसी मॉडल का हिस्सा है: आप संदर्भ द्वारा एक आवाज या संगीत लय सेट कर सकते हैं, जो सामान्य वर्कफ़्लो को स्पष्ट रूप से बदल देता है।

2K के बारे में - एक महत्वपूर्ण चेतावनी

विज्ञापित 2K पाइपलाइन के खुले हिस्से से नहीं आता है। रीजेनरेट-2K नामक एक अलग मॉड्यूल रिज़ॉल्यूशन बूस्ट को संभालता है, और मिनीमैक्स ने इसे जारी नहीं किया है: 2K का आधिकारिक मार्ग आपके स्थानीय 768p परिणाम को कंपनी के क्लाउड एपीआई पर वापस भेजना है। कॉन्टेक्स्ट-आईआर, मॉड्यूल जो संकेतों और संदर्भों के जटिल संयोजनों को पार्स करता है, वह भी खुला नहीं है। तो "सब कुछ स्थानीय रूप से चलाने" का अर्थ वर्तमान में "बेस जेनरेशन चलाना" है।

क्या एक साधारण कंप्यूटर इसका सामना कर पाएगा?

ComfyUI टीम ने शून्य दिन पर समर्थन जोड़ा और रन को भारी रूप से अनुकूलित किया: मॉड्यूलेशन भार - सभी मापदंडों का लगभग 40% - एक कॉम्पैक्ट लुकअप टेबल के साथ बदल दिया गया, और int8 परिमाणीकरण ने कुल पदचिह्न को 123.6 जीबी से घटाकर 42.5 जीबी कर दिया। सिस्टम रैम में गतिशील ऑफलोडिंग के साथ संयुक्त, यह मॉडल को आरटीएक्स 3060 जैसे मामूली कार्ड पर चलाने के लिए पर्याप्त है। समुदाय आगे बढ़ गया: 5-6 जीबी वीआरएएम वाले कार्ड के लिए WanGP कॉन्फ़िगरेशन आक्रामक रैम ऑफलोडिंग, कम रिज़ॉल्यूशन और प्रति छोटी क्लिप में लंबे मिनट का उपयोग करते हुए दिखाई दिए हैं। ध्यान रखें कि ये सामुदायिक व्यंजन हैं, आधिकारिक आवश्यकताएं नहीं: विवरण नरम आता है, और स्थिरता आपके रैम आकार और डिस्क गति पर निर्भर करती है। पूर्ण गुणवत्ता के लिए, डेवलपर्स RTX 5090 जैसे शीर्ष स्तरीय कार्ड की अनुशंसा करते हैं।

लाइसेंसिंग: यह सामान्य अर्थ में खुला स्रोत नहीं है

वज़न खुले हैं लेकिन शर्तों के साथ सामुदायिक लाइसेंस के तहत वितरित किए जाते हैं। 20 मिलियन डॉलर से कम वार्षिक राजस्व वाली कंपनियों के लिए व्यावसायिक उपयोग की अनुमति है - बड़े व्यवसायों को एक अलग समझौते की आवश्यकता होती है। और महत्वपूर्ण रूप से, भूगोल: लाइसेंस केवल अमेरिका, यूरोपीय संघ, यूनाइटेड किंगडम और दक्षिण कोरिया को कवर करता है; अन्यत्र उपयोग के लिए मिनीमैक्स से लिखित अनुमति की आवश्यकता होती है। "ओपन वेट" सटीक शब्द है, न कि "पूरी तरह से खुला स्रोत"।

जिसे वास्तव में स्थानीय रन की आवश्यकता है

एक स्व-होस्टेड उदाहरण तब समझ में आता है जब गोपनीयता, उच्च पीढ़ी की मात्रा या आपके स्वयं के डेटा पर फाइन-ट्यूनिंग मायने रखती है - बिल्कुल वही जो ओपन वेट सक्षम करता है। यदि आप जीपीयू फार्म या पर्यावरण की परेशानी के बिना तेजी से गुणवत्ता वाली क्लिप चाहते हैं, तो क्लाउड आसान है: मेंन्यूरलस्पेस वीडियो अनुभागक्लिप में कुछ क्लिक लगते हैं, और हमने कवर किया कि H3 स्वयं हमारे लिए क्या कर सकता हैअलग समीक्षा.

अक्सर पूछे जाने वाले प्रश्न

MiniMax H3 को किस GPU की आवश्यकता है?

आरामदायक काम के लिए, भरपूर मेमोरी वाले शीर्ष स्तरीय कार्ड। व्यवहार में लोग कॉम्फीयूआई और वानजीपी के माध्यम से 6 जीबी वीआरएएम पर भी बेस जेनरेशन चलाते हैं, जिससे रिज़ॉल्यूशन और स्पीड कम हो जाती है: एक छोटी क्लिप में 10-15 मिनट लग सकते हैं।

क्या मैं H3 का व्यावसायिक उपयोग कर सकता हूँ?

हाँ, यदि आपकी कंपनी का वार्षिक राजस्व $20 मिलियन से कम है - तो यह सामुदायिक लाइसेंस की शर्त है। बड़े संगठनों को MiniMax के साथ एक अलग समझौते की आवश्यकता होती है।

H3 पूर्णतः खुला स्रोत क्यों नहीं है?

पाइपलाइन का केवल आधार भाग खुला है: 2K तक अपग्रेड करने और जटिल संदर्भों को पार्स करने के लिए मॉड्यूल बंद रहते हैं, और लाइसेंस वाणिज्यिक उपयोग और क्षेत्रों को प्रतिबंधित करता है।