ژی یو ٹیکنالوجی نے آج MiniMax H3 عمومی ملٹی موڈل ویڈیو ماڈل پیش کرنے کا اعلان کیا۔ ماڈا کمیونٹی کے مطابق یہ ماڈل بیجنگ کے وقت کے مطابق 3 اگست کو 0 بجے باضابطہ طور پر اوپن سورس ہوگا۔
MiniMax H3 متن، تصاویر، ویڈیوز اور آواز پر مشتمل ملٹی موڈل سیاق و سباق کو یکجا طور پر سمجھنے کی صلاحیت رکھتا ہے، اور مقامی دو چینل آڈیو کے ساتھ آڈیو ویڈیو تیار کر سکتا ہے۔ یہ زیادہ سے زیادہ 15 سیکنڈ کی 2K ریزولوشن سپورٹ کرتا ہے۔
Contextual Omni Representation، H3-VAE، H3-Omni Transformer اور In-context Regeneration جیسی متعدد ٹیکنالوجیز کی بدولت MiniMax کا کہنا ہے کہ وہ صنعت میں بہترین لاگت و کارکردگی کا تناسب فراہم کر سکتا ہے۔ یہ ڈیفالٹ طور پر 2K ریزولوشن فراہم کرتا ہے؛ 2K ریزولوشن پر ماڈل کی فی سیکنڈ قیمت معروف ماڈلز کے ایک تہائی سے بھی کم، جبکہ 768P ریزولوشن پر معروف ماڈلز کے 720P کی نصف ہے۔
حکام کے مطابق اس ماڈل کی نمایاں خصوصیات درج ذیل ہیں:
مقامی ملٹی موڈل سمجھ اور تخلیق: متن، تصاویر، آڈیو اور ویڈیو سمیت متعدد ان پٹس سپورٹ کرتا ہے، مختلف مواد میں موجود کرداروں، حرکات، آوازوں، جذبات، کیمرا شاٹس، انداز اور اظہار کے ارادے کو سمجھتا ہے، اور متعدد حوالہ جاتی معلومات کو قدرتی طور پر یکجا کرتا ہے۔
ملٹی موڈل درست تدوین اور کنٹرول: کرداروں، اشیا، مناظر، آوازوں اور رفتار کی کثیر جہتی تدوین سپورٹ کرتا ہے، اور ہدایات پر باریک بینی سے عمل کرنے کی صلاحیت رکھتا ہے۔
تجارتی معیار کی متعدد منظرناموں پر مبنی مواد کی تخلیق: فلم، اشتہارات، برانڈز، ای کامرس اور گیمز جیسے حقیقی تجارتی مواد کے منظرناموں کے لیے تیار کیا گیا ہے، اور متن کے سب ٹائٹلز، برانڈ کی معلومات، تخلیقی خصوصی اثرات، مصنوعات کی نمائش، UI / UX متحرک مظاہروں، گیم کے بصری عناصر اور اسٹائلائزڈ اظہار کو یکجا کرتا ہے۔