稀宇科技 bugun MiniMax H3 universal multimodal video modelini taqdim etganini e’lon qildi. 魔搭社区 ma’lumotlariga ko‘ra, ushbu model Pekin vaqti bilan 3-avgust soat 00:00 da rasman ochiq kodga chiqariladi.
MiniMax H3 matn, tasvir, video va tovushdan tashkil topgan multimodal kontekstni yagona tarzda tushunishni qo‘llab-quvvatlaydi hamda asl ikki kanalli audio va video chiqara oladi. Maksimal 15 soniyalik 2K aniqlikni qo‘llab-quvvatlaydi.
Contextual Omni Representation, H3-VAE, H3-Omni Transformer, In-context Regeneration kabi bir qator texnologiyalar tufayli MiniMax sanoatdagi eng yaxshi narx va samaradorlik nisbatini taqdim eta olishini bildirdi. Standart ravishda 2K aniqlik taqdim etiladi: modelning 2K aniqlikdagi har bir soniyasi narxi yetakchi modellarnikining 1/3 qismidan kam, 768P aniqlikda esa yetakchi modellarning 720P narxining 1/2 qismiga teng.
Rasmiy ma’lumotlarga ko‘ra, ushbu model quyidagi jihatlari bilan ajralib turadi:
Asl multimodal tushunish va generatsiya: matn, rasm, audio, video kabi turli ma’lumotlarni kiritishni qo‘llab-quvvatlaydi, turli materiallardagi personajlar, harakatlar, tovushlar, hissiyotlar, kadrlar, uslub va ifoda maqsadini tushunadi hamda bir nechta ma’lumotnomalarni tabiiy tarzda birlashtiradi.
Multimodal aniq tahrirlash va boshqarish: personajlar, obyektlar, sahnalar, tovushlar va ritmni ko‘p jihatdan tahrirlashni qo‘llab-quvvatlaydi, shuningdek, batafsil ko‘rsatmalarga amal qilish qobiliyatiga ega.
Tijoriy darajadagi ko‘p ssenariyli kontent generatsiyasi: kino va televideniye, reklama, brendlar, elektron tijorat va o‘yinlar kabi haqiqiy tijoriy kontent sohalariga mo‘ljallangan bo‘lib, matnli subtitrlar, brend ma’lumotlari, kreativ maxsus effektlar, mahsulot namoyishi, UI / UX dinamik namoyishi, o‘yin vizuallari va stilizatsiyalangan ifodani uyg‘unlashtiradi.