‏PH3 Image: مدل ویدیوی MiniMax H3 حالا عکس می‌سازه

PH3 Image یه مدل اوپن‌ویت برای ساختن و ویرایش عکسه که Pruna AI منتشر کرده. جالبیش اینه که از صفر آموزش ندیده؛ Pruna معماری و وزن‌های MiniMax H3 رو که یه مدل ساختن ویدیوئه برداشته و به یه مدل مخصوص عکس تبدیل کرده. طبق ادعای Pruna، نتیجه پنج برابر سریع‌تر و هفت برابر کوچیک‌تر از مدل پایه‌ست.

ایده اینه که مدل‌های ویدیو از قبل درک قوی‌ای از تصویر دارن، چون هر فریم یه ویدیو باید جدا هم واقعی و منسجم به نظر بیاد. Pruna از همین نقطه‌ی قوت استفاده کرده و بخش‌هایی که برای ساختن پشت‌سرهم فریم‌ها لازم بود رو حذف کرده. سرعت هم از اینجا میاد که PH3 با ۸ قدم inference (یعنی تعداد دفعاتی که داده از کل شبکه رد می‌شه تا عکس کامل بشه) کار می‌کنه، نه ۵۰ قدمی که تو مدل‌های diffusion معموله. نتیجه‌ش: عکس ۴ مگاپیکسلی تو حدود ۲.۶ ثانیه به‌جای ۱۲.۴ ثانیه.

حجم مدل ملموس‌ترین بخش ماجراست. MiniMax H3 حدود ۱۴۳ گیگابایته، PH3 با دقت BF16 حدود ۵۵ گیگ و با کوانتیزه کردن به int8 (یعنی ذخیره‌ی وزن‌ها با دقت کمتر برای کم کردن حجم) حدود ۳۰ گیگ می‌شه. همین باعث می‌شه بشه مدلی که روی یه بک‌بون ویدیویی ساخته شده رو روی GPUهای مصرفی یا نیمه‌حرفه‌ای اجرا کرد.

Pruna تو بلاگش مقایسه‌هایی گذاشته: خروجی PH3 با ۸ قدم تقریباً شبیه خروجی MiniMax H3 با ۵۰ قدمه، حتی تو صحنه‌هایی با چند شخصیت. در برابر Qwen Image 2.1 هم تو پرامپت «ماهیگیر پیر هنگام طلوع» خروجی PH3 واقعی‌تر به نظر اومده. نقطه‌ی قوت خاصش متن کوتاه و دست‌خطه؛ مثلاً یه دستور پخت دست‌نویس با خط‌های مداد و خودکار، غلط‌های خوانا و حتی لک قهوه. Pruna می‌گه مدل تو عکس واقعی، عکاسی مستند و ژورنالیستی، فریم فیلم و طرح‌های گرافیکی با متن کوتاه قویه.

نویسنده یادآوری می‌کنه این مقایسه‌ها رو خود Pruna منتشر کرده و پرامپت‌ها رو هم خودش انتخاب کرده. پس اگه می‌خوای تو production ازش استفاده کنی، باید با پرامپت‌های کار خودت در برابر Qwen Image یا MiniMax H3 تستش کنی، چون کیفیت عکس خیلی به پرامپت و سلیقه وابسته‌ست. نویسنده همچنین می‌گه MiniMax H3 داره پایه‌ی محبوبی برای مدل‌های مشتق‌شده می‌شه، مثل مدل ویدیوی H3 Flex از Pika که اونم روی همین مدل ساخته شده.

نکات کلیدی:

• PH3 Image روی مدل ویدیوی MiniMax H3 ساخته شده و برای ساختن و ویرایش عکس تنظیم شده.
• ۸ قدم inference به‌جای ۵۰ قدم؛ عکس ۴ مگاپیکسلی تو حدود ۲.۶ ثانیه به‌جای ۱۲.۴ ثانیه.
• حجم از ۱۴۳ گیگ به ۵۵ گیگ (BF16) و حدود ۳۰ گیگ (int8) رسیده.
• وزن‌ها روی Hugging Face منتشر شدن و یه گزارش فنی هم کنارشه.
• مقایسه‌ها رو خود Pruna منتشر کرده، پس هنوز تأیید مستقل نشدن.