‏MiniMax H3؛ اولین مدل باز صدرنشین ویدیو

مینی‌مکس وزن‌های مدل ویدیویی H3 رو منتشر کرده و طبق چیزی که تو این گزارش اومده، این اولین باره که یه مدل با وزن باز صدر یه رتبه‌بندی ویدیوی هوش مصنوعی رو می‌گیره. تو سنجش Artificial Analysis این مدل تو Video Editing اول، تو Text-to-Video دوم و تو Image-to-Video سومه.

H3 یه مدل ۳۳ میلیارد پارامتریه که متن، تصویر، ویدیو و صدا رو با همدیگه پردازش می‌کنه و خروجیش کلیپ‌های ۴ تا ۱۵ ثانیه‌ای با صدای استریوئه. بر اساس کارت مدل، تو یه پرامپت می‌تونی تا ۹ تصویر مرجع، ۳ کلیپ ویدیویی و ۳ فایل صوتی بدی؛ یعنی می‌شه شخصیت، صحنه و لحن صدا رو با نمونه به مدل نشون داد، نه فقط با توضیح متنی.

ولی همه‌چیز باز نشده. ماژول رزولوشن 2K و بخشی به اسم H3-Context-IR — که پرامپت و فایل‌های مرجع رو به یه قالب میانی ساختارمند تبدیل می‌کنه — بین وزن‌های منتشرشده نیست. نتیجه‌ش اینه که اجرای محلی H3 تو ComfyUI حداکثر تا 768p بالا می‌ره و آماده‌سازی کانتکست هم می‌افته گردن خود کاربر، با کمک راهنماهای پرامپت‌نویسی که مینی‌مکس منتشر کرده.

در عوض وزن‌های باز اجازه می‌دن مدل رو روی فوتیج، شخصیت یا استایل بصری خودت فاین‌تیون کنی. یه نکته هم سمت لایسنس هست: استفادهٔ تجاری فقط برای شرکت‌هایی مجازه که درآمدشون زیر ۲۰ میلیون دلاره. همون روز بایت‌دنس هم Seedance 2.5 رو معرفی کرد که بسته‌ست و کلیپ ۳۰ ثانیه‌ای با صدای داخلی می‌سازه.

نکات کلیدی:

• H3 اولین مدل با وزن بازه که صدر یه رتبه‌بندی ویدیو رو گرفته
• ۳۳ میلیارد پارامتر، ورودی چندوجهی، کلیپ ۴ تا ۱۵ ثانیه‌ای با صدای استریو
• تا ۹ تصویر، ۳ ویدیو و ۳ فایل صوتی مرجع تو یه پرامپت
• ماژول 2K و H3-Context-IR بسته موندن؛ اجرای محلی تا 768p
• استفادهٔ تجاری فقط برای درآمد زیر ۲۰ میلیون دلار