MiniMax تخلّت عن معماريتها المُثبتة لكي يقوم H3 بكل شيء

إطلاق نموذج أمر روتيني. أما الإعلان في المنشور نفسه عن التخلي عن المعمارية التي قام عليها الجيل السابق فليس كذلك. إطلاق H3 من MiniMax يفعل الأمرين معًا، والاعتراف هو الجزء الأكثر كشفًا في الإعلان: تقول الشركة إنها تخلت عن معمارية Hailuo-02، التي منحتها بحسب تقديرها الخاص ميزة كبيرة، لأن تلك المعمارية أضافت تعقيدًا إلى نموذج بُني حول مبدأ أول واحد: توحيد المهام.

وفقًا لمنشور الإطلاق، H3 نموذج توليد شامل الوسائط. يقرأ سياقًا متعدد الوسائط يتألف من نصوص وصور وفيديو وصوت، ويفهمه كوحدة واحدة، ويولّد صوتًا وفيديو بصوت أصلي مزدوج القنوات، حتى 15 ثانية بدقة 2K. طرح MiniMax للتسعير صريح: عند 2K، التكلفة لكل ثانية أقل من ثلث تكلفة النماذج السائدة، وتُسعّر مخرجات 768P بنصف معدل 720P السائد، مع ضبط 2K كإعداد افتراضي. وتخطط الشركة أيضًا لفتح الأوزان خلال أيام.

المعمارية التي تخلت عنها MiniMax

تاريخ MiniMax نفسه يجعل التضحية مفهومة. بنى Hailuo 01 نظام التوليد من الصفر؛ وركز Hailuo 02 على كفاءة المعمارية وجودة البيانات والحجم. يقول فريق H3 إنه وضع ذلك التصميم جانبًا على أي حال، لأن تعميم المهام اتجاه لا رجعة فيه، ويجب أن تخضع حيل المعمارية لتعريف النموذج. البديل، H3-Omni Transformer، يقسّم الفهم والتوليد إلى إعداد تدريب غير متجانس. زاد السياق متعدد الوسائط تباين أطوال التسلسلات إلى ثلاثة أضعاف، وأصبح عبئا العمل مختلفين بشكل حاد في متطلبات الحوسبة. تقول MiniMax إن هذا الإعداد، المضبوط لكل عبء عمل مع موازنة الأحمال عبر العينات، يحقق مكسبًا يقارب 30% في إنتاجية التدريب الشاملة.

خط أنابيب واحد بدلًا من مجموعة من الخبراء

يمتد التوحيد عبر التدريب التمهيدي. تحويل النص إلى صورة، وتحويل النص إلى فيديو مع صوت مشترك، وتحويل النص إلى صوت, كلها تعيش في نموذج واحد. الصوت البشري والمؤثرات الصوتية والموسيقى تُنمذج معًا، وليس كمجالات منفصلة. تغطي الإحالة والتحرير العامان تحويل الصورة إلى صورة، والصورة إلى فيديو، والصوت إلى صوت، والصوت-فيديو إلى صوت-فيديو، مع التعبير عن العلاقة بلغة طبيعية، وليس اختيارها من قائمة ثابتة. مثال MiniMax على التلقين هو جملة واحدة تضم ثلاث إحالات معًا: حركة كاميرا هيتشكوك من مقطع فيديو، والشخص في صورة، وصوت من ملف صوتي. يحل النموذج خريطة الربط بنفسه. اللغة، في تصميم MiniMax، هي الجسر القابل للتعميم عبر أي مهمة وأي وسيط.

قراران تقنيان يحملان الاقتصاديات. أُعيد بناء مُرمّز H3-VAE لهذا الجيل، ويوفّر ضغطه الأعلى مكسبًا بمقدار 4 أضعاف في طول التسلسل، مما يخفض تكلفة التدريب والاستدلال ويجعل مخرجات 2K الأصلية ممكنة. وبدلًا من مُحسّن دقة مخصص، يعيد H3 توليد نتائجه منخفضة الدقة داخل السياق، معيدًا استخدام قدرة التوليد للنموذج الأساسي والسياق متعدد الوسائط الأصلي. تقول MiniMax إن هذا يحافظ على النصوص الصغيرة والتفاصيل التي كانت محسّنات الدقة التقليدية ستضطر إلى تخمينها.

يُظهر خط أنابيب التعليق التوضيحي ثمن ذلك. وصف الفيديو المستهدف، والعلاقة بين السياق والهدف، والعلاقات بين العناصر داخل السياق يستهلك نحو 100 ألف توكن من الاستدلال لكل مادة، ليتقلص إلى متوسط يبلغ نحو 4 آلاف توكن. تسمي MiniMax هذا “التمثيل الشامل السياقي” (Contextual Omni Representation)، وتشير إلى ملاحظات الاختبار المبكر القائم على الدعوات كدليل: اتباع قوي للتعليمات، وعرض متين للنصوص ومعلومات العلامات التجارية، ونقل الحركة من فيديو إلى فيديو، للإعلانات والتجارة الإلكترونية وتصميم المنتجات وواجهات المستخدم/تجربة المستخدم والألعاب.

الهجوم على الأسعار وخطة الأوزان المفتوحة

ادعاء التسعير هو الجزء الأكثر قابلية للتحقق في الإعلان والأقل قابلية للتدقيق، لأن النماذج السائدة التي يقارن بها غير مسماة. أقل من الثلث عند 2K، والنصف عند 768P، إضافة إلى تأكيد أفضل أداء سعري في الصناعة. الاتجاه واضح؛ أما الأدلة فلا.

خطة الأوزان المفتوحة رهان من ثلاثة أجزاء: تنمية مجتمع المصادر المفتوحة، وتسريع تكيّف الرقائق الصينية المحلية، التي صُمم H3 للعمل مع عدد منها، والسماح للمستخدمين بتخصيص بنياتهم الخاصة. وهي أيضًا رد على هيمنة المصادر المغلقة التي تقول MiniMax إنها أعاقت توليد الفيديو، وهي حجة تدعمها بالمقارنة مع وتيرة التكرار الأسرع في النظام البيئي لنماذج اللغات الكبيرة (LLM).

ما تعترف MiniMax بأنها لا تستطيع فعله بعد

الإعلان صريح بشأن الثغرات. يقول MiniMax إن فهم السياق متعدد الوسائط هو أساس التوليد، وهو المجال الذي يملك أكبر حيّز للتحسين؛ وستندمج النسخة التالية من سلسلة H مع خط نماذج M. حجم النموذج قيد، مع تسمية التوسع (scaling) كاتجاه صريح. التفاصيل الدقيقة في بعض المشاهد ما زالت تحتاج إلى عمل، مع وضع دقة أعلى وجودة أدق على خارطة الطريق.

الرهان متماسك، وهذا لا يعني أنه آمن. خطوط الأنابيب المتخصصة قابلة للتنبؤ: اختر مهمة، اختر أداة، واضبطها. النموذج العام يستبدل تلك القدرة على التنبؤ بالمرونة، وتراهن MiniMax على أن المرونة تساوي أكثر من المعمارية التي تخلت عنها، بأسعار سيتعين على المنافسين الرد عليها. ما إذا كان نموذج واحد يمكنه حقًا أن يحل محل مجموعة الخبراء هو السؤال المفتوح. اختارت MiniMax الإجابة عنه علنًا.