MiniMax H3 يخفض الأسعار أمام منافسي الفيديو ويخطط لفتح الأوزان

تطلق MiniMax نموذج H3 رهانًا على اقتصاديات توليد الفيديو. يستقبل النموذج سياقًا مختلطًا من النصوص والصور والفيديو والصوت، ويُجيب بلقطات تحمل صوت ستيريو أصليًا، حتى 15 ثانية بدقة 2K. سعر المخرجات أقل من ثلث أسعار النماذج السائدة لكل ثانية، وتُوعَد الأوزان بالفتح خلال أيام.

هذا الوعد الأخير هو الجزء الذي يلاحظه المنافسون أولًا. تقول MiniMax إن توليد الفيديو يعمل بنماذج مغلقة، وأن سرعة التكرار وانفتاح النظام البيئي تأخرا مقارنة بعالم نماذج اللغة الكبيرة. فتح H3 يطبّق اللعبة التي نشرت نماذج اللغة المفتوحة على نطاق واسع وبتكلفة منخفضة، على فئة قاومت ذلك حتى الآن.

نموذج واحد، لا حزمة متخصصة

مبدأ التصميم هو التوحيد. أنظمة MiniMax السابقة، Hailuo 01 وHailuo 02، كانت نماذج فيديو بُنيت جيلًا بعد جيل. أما H3 فيدمج الأقسام المتخصصة, خبراء منفصلين لمهام تحويل النص إلى صورة، والتحرير، والصوت، والمؤثرات، والموسيقى، والإحالة المرجعية للفيديو, في نموذج واحد يُدرَّب عليها جميعًا معًا. تسمي MiniMax التوحيد والتعميم مبدأها الأول، ويتجلى العائد في المطالبة التجريبية: «استخدم حركة كاميرا هيتشكوك من الفيديو 1، واجعل الشخص في الصورة 2 يغني، وخذ الصوت من الملف الصوتي 3». تعليمة واحدة، أربعة أنماط وسائط، ولا توجيه بين النماذج الفرعية.

وفقًا للشركة، تُظهر الملاحظات المبكرة من الاختبارات بالدعوة نتائج بمستوى تجاري في اتباع التعليمات، وعرض النصوص وعناصر العلامة التجارية، ونقل الحركة من فيديو إلى فيديو، عبر الإعلانات والتجارة الإلكترونية وتصميم المنتجات وواجهات المستخدم/تجربة المستخدم والألعاب. في التدريب التمهيدي، يخلط النموذج بين تحويل النص إلى صورة، وتحويل النص إلى فيديو مع توليد صوتي مشترك، ونمذجة متعددة اللقطات، وتحويل النص إلى صوت يعالج الصوت والمؤثرات والموسيقى بوصفها مشكلة واحدة، والإحالة المرجعية والتحرير المعمم عبر أزواج الصور والصوت والفيديو.

من أين يأتي السعر المنخفض

الرقم الأكثر حدة في الإصدار هو السعر: بدقة 2K، أقل من ثلث تكلفة النماذج السائدة لكل ثانية؛ وبدقة 768P، نحو نصف أسعار النماذج السائدة بدقة 720P. لا يوجد اختبار مستقل يدعم هذه الأرقام بعد:

الادعاء	التفاصيل (وفقًا لـ MiniMax)
الإخراج الافتراضي	دقة 2K أصلية، مقاطع حتى 15 ثانية
السعر لكل ثانية بدقة 2K	أقل من 1/3 من أسعار النماذج السائدة
السعر لكل ثانية بدقة 768P	نحو 1/2 من أسعار 720P السائدة
ضغط H3-VAE	زيادة طول التسلسل 4 مرات
إنتاجية التدريب	أعلى بنحو 30% من البداية إلى النهاية
خط أنابيب التسميات التوضيحية	حوالي 100 ألف رمز استدلال لكل عينة، وحوالي 4 آلاف رمز تسمية توضيحية في المتوسط

خياران في التصميم يجعلان السعر معقولًا على الورق. مُرمّز H3-VAE هو إعادة عمل كاملة لمُرمّز الجيل السابق، وضغطه الأعلى يحقق زيادة في طول التسلسل بمقدار 4 مرات تخفض تكلفة التدريب والاستدلال. وهذا أيضًا ما يجعل دقة 2K هي الدقة الافتراضية. بالنسبة لرفع الدقة، لا توجد وحدة مخصصة للدقة الفائقة: النموذج الأساسي يعيد توليد نتيجته منخفضة الدقة في السياق، معيدًا استخدام السياق متعدد الوسائط لاستعادة النصوص الصغيرة والتفاصيل التي كان على مُرقٍّ تقليدي تخمينها.

كان فهم السياق مركز تكلفة بحد ذاته. استهلكت معظم عينات التدريب نحو 100 ألف رمز من الاستدلال وأنتجت، في المتوسط، نحو 4 آلاف رمز من التسمية التوضيحية. هذا الخط، الذي تسميه MiniMax «التمثيل الشامل السياقي» (Contextual Omni Representation)، هو المكان الذي يتعلم فيه النموذج اتباع التعليمات التي تمزج الوسائط ووصف العلاقات داخل سياق متعدد الوسائط.

تقرّ ملاحظات البنية بالانعطاف الكامل. تخلى MiniMax عن بنية Hailuo-02 التي كانت تمنحه ميزة كبيرة في السابق، لأن هذا التصميم أضاف تعقيدًا بمجرد أن أصبح تعميم المهام هو الهدف. ضاعف السياق متعدد الوسائط تباين طول التسلسل ثلاث مرات وفصل أعباء الفهم والتوليد عن بعضها، لذا انتقل الفريق إلى إعداد تدريب غير متجانس مع ضبط عتاد لكل عبء عمل وموازنة أحمال على مستوى العينات. تدّعي MiniMax أنها حققت من ذلك إنتاجية تدريب أعلى بنحو 30% من البداية إلى النهاية.

رهان الأوزان المفتوحة

تاريخ الفتح غير محدد، «في الأيام المقبلة»، ومشروط بالقانون المعمول به. أسباب MiniMax: دفع مجتمع المصادر المفتوحة إلى الأمام، وتسهيل التكيف مع الرقائق الصينية المحلية (كان التوافق مع العديد من المعجلات المحلية القائمة محل نظر منذ مرحلة التصميم)، والسماح للمستخدمين بتخصيص نسختهم الخاصة.

لا شيء من ذلك محايد. الإشارة إلى الرقائق الصينية المحلية، دون تسمية أي منها، تشير إلى المكان الذي تتوقع MiniMax أن تنمو فيه قاعدة مستخدميها.

ما يعترف H3 بأنه لا يستطيع فعله بعد

تسرد MiniMax حدودها الخاصة. يترك حجم النموذج مجالًا للتحسين في مدى اكتمال بعض القدرات، وما زالت التفاصيل الدقيقة في بعض المشاهد تحتاج عملًا، مع دقة أعلى وجودة أدق على خارطة الطريق. يُوعَد بتقرير تقني أكثر اكتمالًا، ومن المخطط أن يندمج إصدار H-series التالي مع نماذج M-series. في رأي MiniMax، اللغة نظام حوسبة قابل للتعميم والتوسع، ويجب أن يظل تعدد الوسائط مقترنًا بها ارتباطًا وثيقًا.

سيستغرق التحقق المستقل وقتًا؛ لا يحتوي الإصدار على أرقام معايير. ما يمكن التحقق منه اليوم هو الاستراتيجية: نموذج شامل الوسائط يبدو قادرًا، مُسعَّرًا بخصم، مع الأوزان الموعودة لمجتمع المصادر المفتوحة. بالنسبة لسوق مبني على النماذج المغلقة، هذا اختبار ضغط. إذا اقترب H3 من وعوده، فسيتعين على أسعار المنافسين التحرك. وإن لم يفعل، فإن الأوزان المفتوحة ما زالت تخفض الحد الأدنى للجميع.