稀宇科技今天宣布推出 MiniMax H3 全模态生成模型，支持对文本、图像、视频、声音组成的多模态上下文的统一理解能力、能够输出具备原生双声道的音视频， 最高可支持 15s 2K 分辨率 。
প্রাথমিক আমন্ত্রিত পরীক্ষার প্রতিক্রিয়া অনুযায়ী, MiniMax H3 বাণিজ্যিক মানের বিভিন্ন পরিস্থিতির কনটেন্ট তৈরির সক্ষমতা রাখে। নির্দেশনা অনুসরণ, লেখা ও ব্র্যান্ড তথ্য উপস্থাপন এবং V2V Motion Transfer (ভিডিও থেকে ভিডিওতে গতি স্থানান্তর) ইত্যাদি ক্ষেত্রে এটি অসাধারণ ফল দেখিয়েছে। মডেলটি নির্ভুল ও নিয়ন্ত্রিতভাবে মাল্টিমোডাল কনটেন্ট সম্পাদনা ও তৈরি করতে পারে বলে দাবি করা হচ্ছে। এটি বিজ্ঞাপন, ই-কমার্স, ব্র্যান্ড, পণ্য নকশা, UI / UX এবং গেমসহ বিভিন্ন ক্ষেত্রে ব্যবহার করা যাবে।
মূল প্রযুক্তির দিক থেকে, MiniMax H3-এ Caption সক্ষমতা যোগ করা হয়েছে এবং এর জন্য বিশেষায়িত মডেল ও সর্বমোডাল উপলব্ধি পাইপলাইন তৈরি করা হয়েছে। অধিকাংশ উপকরণের জন্য ইনফারেন্সে 100K Token ব্যবহার করতে হয়, যার ফলে শেষ পর্যন্ত গড়ে প্রায় 4K Token পাওয়া যায়।
একই সঙ্গে, MiniMax H3-এর 2K ভিডিও আউটপুট সক্ষমতায় প্রচলিত সুপার-রেজোলিউশন মডিউল ব্যবহার করা হয়নি। এর পরিবর্তে H3 বেস মডেল নিজের নিম্ন-রেজোলিউশনের ফলাফলকে in-context পদ্ধতিতে পুনরায় তৈরি করে। এতে H3 বেস মডেলের বিদ্যমান জেনারেশন সক্ষমতা সর্বাধিক পুনর্ব্যবহার করা যায় এবং প্রচলিত সুপার-রেজোলিউশন সমাধান যেসব তথ্য অনুমানের মাধ্যমে পুনরুদ্ধার করতে পারে না, সেগুলিও এতে রয়েছে।
এছাড়া, MiniMax H3 আগামী কয়েক দিনের মধ্যে মডেলের ওজন উন্মুক্ত করবে। IT之家 বিষয়টি পর্যবেক্ষণ করবে এবং সর্বপ্রথম সর্বশেষ খবর নিয়ে আসবে।