Bugun MiniMax yangi avlod umumiy video modeli MiniMax H3 ni rasman ochiq kodga chiqardi.
Ma’lumotlarga ko‘ra, MiniMax H3 umumiy to‘liq multimodal generatsiya tizimidir. U matn, tasvir, video va audiodan tashkil topgan multimodal kontekstni yagona tarzda tushuna oladi hamda 2K gacha aniqlikda, 15 soniyagacha davom etadigan, original stereofonik audioga ega videolarni yarata oladi. Vazifalarni umumlashtirishga yo‘naltirilgan tizim dizayni tufayli H3 dastlabki o‘qitish bosqichidayoq keng ko‘lamli multimodal kontekstni tushunish va generatsiya qilish qobiliyatiga ega bo‘ladi. Shu sababli u murakkab multimodal ko‘rsatmalarga juda yaxshi amal qiladi.
H3 quyidagi kiritish va chiqarish xususiyatlarini qo‘llab-quvvatlaydi:
Chiqarish davomiyligi: 4–15 soniya
Chiqarish tomonlar nisbati: 21:9, 16:9, 4:3, 1:1, 3:4 va 9:16 kabi turli nisbatlar, shu jumladan ular bilan cheklanmagan holda
Chiqarish aniqligi: turli aniqlik o‘lchamlari qo‘llab-quvvatlanadi, sukut bo‘yicha qisqaroq tomon 768 piksel qilib belgilanadi. H3-Regenerate-2K yordamida 2K aniqlikda generatsiya qilish mumkin
Chiqarish kadrlar tezligi: 24 FPS
Chiqarish audiosi: 32 kHz stereofonik audio
Qo‘llab-quvvatlanadigan muloqot tillari: 11 ta til barqaror qo‘llab-quvvatlanadi: arab, xitoy, ingliz, fransuz, nemis, italyan, yapon, koreys, portugal, rus va ispan tillari. Boshqa tillar ham turli darajada qo‘llab-quvvatlanadi.
Model versiyalari va kiritish xususiyatlari:
① H3-Base-FL2VA
Birinchi va oxirgi kadr rejimi: 0 ta, 1 ta yoki 2 ta tasvir kiritilishini qo‘llab-quvvatlaydi:
Tasvir kiritilmasa, bu matndan video yaratish rejimi;
Birinchi kadr tasviri kiritilsa, bu birinchi kadrdan video yaratish rejimi;
Oxirgi kadr tasviri kiritilsa, bu oxirgi kadrdan video yaratish rejimi;
Birinchi va oxirgi kadr tasvirlari bir vaqtda kiritilsa, bu birinchi va oxirgi kadrlardan video yaratish rejimi
② H3-Base-Ref2VA
To‘liq multimodal ma’lumotnoma rejimi:
Tasvir: ko‘pi bilan 9 ta;
Video: ko‘pi bilan 3 ta; har birining davomiyligi 2–15 soniya, umumiy davomiyligi 15 soniyadan oshmasligi kerak;
Audio: ko‘pi bilan 3 ta. Audio tasvir yoki video bilan birga kiritilishi kerak, yagona kiritish sifatida berib bo‘lmaydi; har birining davomiyligi 2–15 soniya, umumiy davomiyligi 15 soniyadan oshmasligi kerak;
Aralash kiritish: barcha turdagi kiritish fayllari jami ko‘pi bilan 12 ta
To‘liq H3 tizimi quyidagi uchta moduldan iborat:
H3-Contex t-IR: Kiritish ma’lumotlari tobora murakkablashib borayotgani sababli, multimodal ko‘rsatmalarni chuqur tushunish va ajratib olish, keyin ularni H3 osonroq tushunadigan va generatsiyada bevosita qo‘llay oladigan shaklga, ya’ni Context Intermediate Representation (kontekstning oraliq taqdimoti)ga aylantirish uchun maxsus tizim yaratdik. H3-Context-IR yakuniy chiqish sifatiga juda muhim ta’sir ko‘rsatadi. Shu sababli H3-Context-IR API sini generatsiya jarayoniga ulashni qat’iy tavsiya qilamiz. Shuningdek, promptlar qo‘llanmasiga murojaat qilib, o‘zingizning kontekstni qayta ishlash tizimingizni yaratishingiz mumkin.
H3-Base: H3-Context-IR chiqishiga ko‘ra audio va video yaratadi hamda 768p aniqlikdagi natijani chiqaradi.
H3-Regenerate-2K: 768p generatsiya natijasini asl kontekst bilan birga H3 ga qayta yuborib, chiqishni 2K aniqlikda qayta generatsiya qiladi. Bu H3 ning kuchli generatsiya qobiliyatidan foydalanish bilan birga, asl kontekstda mavjud boy ma’lumotlardan to‘liq foydalanadi. Natijada tafsilotlari aniqroq va vizual aniqligi yuqoriroq bo‘lgan yuqori aniqlikdagi natija hosil bo‘ladi.
MiniMax H3 MiniMax H3 Community License asosida chiqarildi.
Ochiq kod manzili: huggingface.co/MiniMaxAI/MiniMax-H3