মিনিম্যাক্স একটি ওপেন-সোর্স H3 ইমেজ মডেল চালু করেছে যা ১০ সেকেন্ডে ৪K জেনারেশন সমর্থন করে

iconMetaEra
শেয়ার
AI summary iconসারাংশ
MiniMax তার ওপেন-সোর্স H3 Image মডেল চালু করেছে, যা 33.1 বিলিয়ন প্যারামিটার বিশিষ্ট একটি AI যা 10 সেকেন্ডে 4K ইমেজ তৈরি করতে পারে। এই মডেলটি সর্বোচ্চ 16টি রেফারেন্স ইমেজ সমর্থন করে এবং এর প্রথম সপ্তাহে হাই-রেজ আউটপুটে 50% ছাড় প্রদান করে। Hugging Face-এর মাধ্যমে উপলব্ধ এবং MiniMax API, MiniMax Code এবং Hailuo AI-এর সাথে ইন্টিগ্রেটেড, এই টুলটিকে AI + crypto খবরের ক্ষেত্রে একটি প্রধান অন-চেইন খবর হিসাবে পজিশন করা হয়েছে।
MiniMax হাই-রেজোলিউশন ইমেজ মডেল H3 Image প্রকাশ এবং ওপেন-সোর্স করেছে, যা সরাসরি 4K ইমেজ জেনারেট করতে পারে, সর্বোচ্চ 16টি রেফারেন্স ইমেজ সমর্থন করে এবং 33.1 বিলিয়ন প্যারামিটার ওয়েট একসাথে খোলা রয়েছে।

লেখক: লি ড্যান

উৎস: ওয়াল স্ট্রিট ভিজন

চীনা এআই কোম্পানি মিনিম্যাক্স আবার ইমেজ জেনারেশন সেগমেন্টে বিনিয়োগ বাড়াচ্ছে।

১১ নভেম্বর, মঙ্গলবার, মিনিম্যাক্স নতুন প্র thế hệ ইমেজ জেনারেশন মডেল H3 Image প্রকাশ এবং ওপেন-সোর্স করেছে, যা সর্বোচ্চ 1600 মিলিয়ন পিক্সেল (4096×4096) এর 4K ইমেজ জেনারেশনের জন্য ডিজাইন করা হয়েছে, যা অফিসিয়ালি বলা হয়েছে যে এটি শুধুমাত্র প্রায় 10 সেকেন্ডে সম্পন্ন হতে পারে, এছাড়াও এটি প্রম্পট বুঝতে, ইমেজ এডিটিং এবং সর্বোচ্চ 16টি রেফারেন্স ইমেজ ইনপুটের জন্য সমর্থন করে।

মিনিম্যাক্স H3 Image-এর মূল প্রতিযোগিতামূলক সুবিধাগুলিকে গতি, চিত্র গুণমান এবং নির্দেশনা পালন হিসাবে সংক্ষেপে উপস্থাপন করেছে: গতির ক্ষেত্রে, মডেলটি ১০ থেকে ২০ সেকেন্ডে 4K ছবি তৈরি করতে পারে; চিত্র গুণমানের ক্ষেত্রে, এটি সাধারণ AI-জেনারেটেড অনুভূতি থেকে মুক্তি পাওয়ার চেষ্টা করে, যা আরও বেশি বিস্তারিত এবং বাস্তবসম্মত প্রভাব প্রদান করে; নির্দেশনা পালনের ক্ষেত্রে, অফিসিয়ালদের মতে, এটি ওপেন-সোর্স ইমেজ মডেলগুলির মধ্যে সবচেয়ে শক্তিশালী পর্যায়ে পৌঁছেছে এবং একাধিক রেফারেন্স ছবির সহযোগিতায় সৃষ্টিশীলতা সমর্থন করে।

শুধুমাত্র API কল খোলা বন্দী মডেলের বিপরীতে, MiniMax এই সময়ে H3 Image মডেলেরও ওজন খুলে দিয়েছে এবং এটিকে তাদের API, MiniMax Code এবং Hai Luo AI প্ল্যাটফর্মের সাথে যুক্ত করেছে। প্রকাশের প্রথম সপ্তাহে, 16MP বা তার বেশি রেজোলিউশনের ইমেজ জেনারেশনের জন্য 50% ছাড় পাওয়া যাবে।

4K ইমেজ সুপার রেজোলিউশন ছাড়াই সরাসরি জেনারেট করার গতি প্রধান মডেলগুলির চেয়ে বেশি

জেনারেশন স্পিড হল H3 Image-এর এই বারের প্রধান প্রতিদ্বন্দ্বিতামূলক বৈশিষ্ট্যগুলির মধ্যে একটি।

বর্তমানে বাজারের প্রধান চিত্র তৈরি মডেলগুলির আউটপুট রেজোলিউশন সাধারণত 1 মিলিয়ন থেকে 4 মিলিয়ন পিক্সেলের মধ্যে সীমাবদ্ধ, এবং জেনারেশন সময় সাধারণত মিনিটের পরিসরে। এমনকি দ্রুততম মডেলগুলিও প্রায় 50 সেকেন্ড সময় নেয়। এর বিপরীতে, H3 Image সরাসরি 4096×4096 4K ছবি তৈরি করতে পারে, যার জেনারেশন সময় 10 থেকে 20 সেকেন্ডে কমিয়ে আনা হয়েছে, এবং অফিসিয়ালি ঘোষিত সর্বোচ্চ গতি প্রায় 10 সেকেন্ড।

এর অর্থ হলো, H3 Image শুধু একবারে উত্পাদিত পিক্সেলের পরিমাণ প্রায় 16 মিলিয়নে বাড়ায়নি, বরং উচ্চ রেজোলিউশনের ছবির অপেক্ষার সময়ও উল্লেখযোগ্যভাবে কমানোর চেষ্টা করছে। কম্পোজিশন, রং, আলো এবং বিস্তারিত নিয়মিতভাবে সামঞ্জস্য করার প্রয়োজনীয় ডিজাইনার এবং কনটেন্ট ক্রিয়েটরদের জন্য, উত্পাদন গতির বৃদ্ধি প্রতিটি ট্রায়াল-এন্ড-এররের সময় খরচ কমিয়ে ক্রিয়েটিভ ইটারেশনকে আরও দক্ষ করে তোলে।

টেকনিক্যাল স্পেসিফিকেশন অনুযায়ী, H3 Image শুধুমাত্র সাধারণ রেজোলিউশনের ছবিকে 4K-এ বড় করে না, বরং অতিরিক্ত সুপার-রেজোলিউশন প্রক্রিয়া ছাড়াই প্রায় 16 মিলিয়ন পিক্সেলের উচ্চ রেজোলিউশনের ছবি সরাসরি তৈরি করতে পারে।

Hugging Face-এ MiniMax-এর মডেল বর্ণনা অনুসারে, H3 Image বিভিন্ন পর্দার অনুপাত সমর্থন করে, যার মধ্যে 4096×4096 বর্গাকার ছবির পাশাপাশি 5472×3072 এর 16:9 প্যানোরামিক ছবি এবং 6272×2688 এর 21:9 ওয়াইডস্ক্রিন ছবি অন্তর্ভুক্ত। মডেলটির কার্যকর জেনারেশন পরিসর প্রায় 400 লক্ষ থেকে 2000 লক্ষ পিক্সেল, এবং অফিসিয়ালভাবে 1600 লক্ষ পিক্সেলের কাছাকাছি ভালো ফলাফলের পরামর্শ দেওয়া হয়েছে।

গতি বৃদ্ধির পেছনে, মডেলটি ডিস্টিলেশন অপ্টিমাইজেশন ব্যবহার করেছে, যা নমুনা পদক্ষেপকে 6 পদক্ষেপে (Sampling Steps) সংকুচিত করেছে, যার ফলে উচ্চ-প্রতিক্রিয়া চিত্র তৈরির গণনা ব্যয় কমেছে, যা প্রচলিত ক্লাস-হীন গাইডেন্স (CFG) এর প্রয়োজনীয়তা বাদ দিয়েছে।

সাধারণ "AI অনুভূতি" থেকে মুক্তি পান, চিত্রের বিস্তারিত এবং বাস্তবসম্মততা হয়ে ওঠে আরেকটি বিক্রয় বিন্দু

জেনারেশন গতির পাশাপাশি, মিনিম্যাক্স হাই-কোয়ালিটি ইমেজকে H3 Image-এর অন্যতম মূল সুবিধা হিসেবে বিবেচনা করে।

মিনিম্যাক্স অফিসিয়াল মডেল বর্ণনায় জোর দিয়েছে যে H3 Image সাধারণ AI-জেনারেটেড ইমেজের দৃশ্যমান বৈশিষ্ট্যগুলি অতিক্রম করে, আরও সমৃদ্ধ দৃশ্য বিবরণ এবং বেশি বাস্তবসম্মতি প্রদান করে, যার ফলে জেনারেটেড ইমেজগুলি বাস্তব বিশ্বের দৃশ্যমান গুণাবলীর সাথে আরও বেশি মিলে যায়।

এটি শুধু ছবির পর্যাপ্ত বাস্তবসম্মত হওয়ার বিষয়ই নয়, বরং মডেলের প্রয়োগের পরিধিকেও সরাসরি প্রভাবিত করে। বিজ্ঞাপন, ই-কমার্স, পণ্য ডিজাইন, গেম আর্ট এবং বাণিজ্যিক ভিজুয়াল প্রোডাকশনের মতো পরিস্থিতিতে, ছবি মডেলগুলি শুধুমাত্র সৃজনশীল প্রয়োজনীয়তা পূরণকারী দৃশ্য তৈরি করতে পারতে হবে, এছাড়াও সূক্ষ্ম পদার্থ, প্রাকৃতিক আলোক-ছায়া এবং বিশ্বস্ত দৃশ্যের বিস্তারিত বিবরণ উপস্থাপন করতে হবে। দৃশ্যের বাস্তবসম্মততা এবং বিস্তারিত প্রকাশের উন্নতি, AI-দ্বারা তৈরি ছবিকে ধারণা চিত্র, সৃজনশীল উপকরণের বাইরেও আরও পেশাদারি বাণিজ্যিক সৃষ্টিতে বিস্তৃত করতে সহায়তা করবে।

প্রচলিত উচ্চ রেজোলিউশন জেনারেশন পদ্ধতির বিপরীতে, H3 Image সরাসরি প্রায় 16 মিলিয়ন পিক্সেলের ছবি তৈরি করে, যা প্রথমে নিম্ন রেজোলিউশনের ছবি তৈরি করে তারপর সুপার-রেজোলিউশন প্রযুক্তি ব্যবহার করে বড় করার পরিবর্তে। MiniMax উচ্চ রেজোলিউশনের ন্যাটিভ জেনারেশন এবং সংক্ষিপ্ত ইনফারেন্স প্রক্রিয়ার মাধ্যমে চিত্রের গুণগতমান এবং দক্ষতা উভয়কেই সমন্বয় করতে চায়।

ওপেন সোর্স ইমেজ মডেলের মধ্যে সবচেয়ে শক্তিশালী নির্দেশ অনুসরণ ক্ষমতা সহ, সর্বোচ্চ 16টি রেফারেন্স ছবি সমর্থন করে

নির্দেশ অনুসরণের ক্ষেত্রে, MiniMax H3 Image কে ওপেন-সোর্স ইমেজ মডেলের মধ্যে সবচেয়ে শক্তিশালী নির্দেশ অনুসরণ ক্ষমতা সম্পন্ন মডেল হিসাবে চিহ্নিত করেছে এবং এটিকে একাধিক রেফারেন্স ইমেজ ইনপুট এবং ইমেজ এডিটিং ক্ষমতার সাথে একীভূত করেছে।

মডেলটি শুধু টেক্সট প্রম্পট অনুযায়ী সরাসরি ছবি তৈরি করতে পারে না, বরং এক বা একাধিক রেফারেন্স ছবি গ্রহণ করে ব্যবহারকারীর নির্দেশ অনুযায়ী বিদ্যমান ছবিগুলি সংশোধন করতে পারে। 16টি রেফারেন্স ছবির ইনপুট ক্ষমতা মডেলকে ব্যক্তি, বস্তু, দৃশ্য এবং দৃশ্যমান শৈলীসহ বিভিন্ন রেফারেন্স তথ্য একসাথে বুঝতে সাহায্য করে, যা জটিল সৃজনশীলতায় মূল বিষয়বস্তুর বৈশিষ্ট্য এবং চিত্রের সামঞ্জস্যতা বজায় রাখতে সহায়তা করে।

উদাহরণস্বরূপ, পণ্য বিজ্ঞাপন ডিজাইনে, ব্যবহারকারীরা যথাক্রমে পণ্যের বাহ্যিক চেহারা, ব্র্যান্ড ভিজুয়াল এবং স্থানের রেফারেন্স ছবি আপলোড করতে পারেন এবং তারপর টেক্সট নির্দেশ দিয়ে মডেলকে বিভিন্ন উপাদানগুলিকে একটি নতুন ছবিতে একীভূত করতে বলতে পারেন; গেম আর্ট এবং চরিত্র ডিজাইনেও, ব্যক্তির চেহারা, পোশাক, স্থান এবং সামগ্রিক শৈলী নিয়ন্ত্রণের জন্য একাধিক রেফারেন্স ছবির ব্যবহার করা যেতে পারে।

এই ডিজাইনটি টেক্সট থেকে ইমেজ, ইমেজ এডিটিং এবং একাধিক ইমেজ রেফারেন্সকে একই মডেলে একীভূত করে, যার অর্থ ব্যবহারকারীদের প্রাথমিক জেনারেশন থেকে পরবর্তী সংশোধন পর্যন্ত নিরবচ্ছিন্ন সৃজনশীলতা সম্পন্ন করতে বিভিন্ন পেশাদার মডেল বা কাজের প্রবাহের মধ্যে প্রায়শই সwich করার দরকার হয় না।

33.1 বিলিয়ন প্যারামিটার আর্কিটেকচার, মডেল ওয়েটস সিঙ্ক্রোনাইজডভাবে উন্মুক্ত

মডেল আর্কিটেকচারের ক্ষেত্রে, H3 Image মিনিম্যাক্স H3 মাল্টিমোডাল মডেলের উপর ভিত্তি করে তৈরি করা হয়েছে, যেখানে মূল আর্কিটেকচার থেকে অডিও ব্রাঞ্চটি সরিয়ে ফেলা হয়েছে এবং ইমেজ জেনারেশন এবং এডিটিংয়ের জন্য অপ্টিমাইজ করা হয়েছে।

হাগিং ফেস দ্বারা প্রকাশিত প্রযুক্তিগত ডেটা অনুযায়ী, H3 Image একটি 33.1 বিলিয়ন প্যারামিটারযুক্ত ঘন প্রসারিত Transformer (DiT) ব্যবহার করে, যার 50টি স্তর রয়েছে, এবং MiniMax H3-এর Qwen3-VL টেক্সট এনকোডার এবং রেফারেন্স ছবি ও জেনারেটেড ছবি প্রক্রিয়াকরণের জন্য ইমেজ VAE একত্রিত করা হয়েছে।

এই প্রকাশের অন্যতম গুরুত্বপূর্ণ বিষয় হল মডেলের ওজন খোলা। ডেভেলপাররা Hugging Face থেকে মডেলটি পেতে পারেন এবং SGLang, vLLM-Omni, Diffusers এবং ComfyUI এর মতো টুলস ব্যবহার করে এটি ডিপ্লয় এবং ডেভেলপ করতে পারেন।

তবে, ওপেন ওয়েট বলে সাধারণ কনজুমার লেভেলের কম্পিউটারে পূর্ণাঙ্গ মডেল চালানো সহজ হয়ে যায় না। অফিসিয়ালি প্রকাশিত ইমেজ জেনারেশন DiT ওয়েট ফাইলটি প্রায় 68.65GB, পূর্ণাঙ্গ ডিপ্লয়মেন্টের জন্য একটি স্বতন্ত্র টেক্সট এনকোডারও লোড করতে হয়, যার জন্য গ্রাফিক্স মেমোরি এবং কম্পিউটেশনাল রিসোর্সের উচ্চ প্রয়োজনীয়তা রয়েছে।

API, MiniMax Code এবং হাইলু AI একীভূত হয়েছে, প্রথম সপ্তাহে হাই-রেজোলিউশন জেনারেশনে ৫০% ছাড়

ব্যবসায়িক দিকে, মিনিম্যাক্স ওপেন ওয়েট এবং নিজস্ব পণ্য প্ল্যাটফর্মের সমান্তরাল কৌশল গ্রহণ করে।

H3 Image এখন MiniMax API, MiniMax Code এবং হাইলো এআই-এর মাধ্যমে প্রদান করা হচ্ছে, ব্যবহারকারীদের মডেল ডাউনলোড বা ডিপ্লয় করার প্রয়োজন নেই, তারা উচ্চ-রেজোলিউশন ইমেজ জেনারেশন এবং এডিটিং ফিচারগুলি অভিজ্ঞতা করতে পারবেন। প্রকাশের প্রথম সপ্তাহে, 16MP এবং তার বেশি রেজোলিউশনের ইমেজ জেনারেশন রিকোয়েস্টগুলির জন্য 50% ছাড় প্রদান করা হচ্ছে।

এই প্রকাশ থেকে বোঝা যায় যে MiniMax ডেভেলপারদের এবং সাধারণ ক্রিয়েটরদের উভয়কেই কভার করার চেষ্টা করছে: একদিকে, মডেলের ওজন খোলা রেখে ডেভেলপারদের স্থানীয়ভাবে ডিপ্লয়, দ্বিতীয়করণ এবং ওয়ার্কফ্লো ইন্টিগ্রেশনের জন্য আকর্ষণ করছে; অন্যদিকে, API এবং হাইলি AI-এর মতো পণ্যগুলির মাধ্যমে মডেলটির বাণিজ্যিকীকরণ এবং ব্যবহারকারীদের পরিসর বাড়ানো হচ্ছে।

তবে, ওপেন ওয়েট মানে সম্পূর্ণ অনুমোদিত ওপেন সোর্স নয়। হাগিং ফেস দ্বারা প্রকাশিত কমিউনিটি লাইসেন্সটি প্রযোজ্য অঞ্চল, বাণিজ্যিক ব্যবহার এবং মডেলের উত্পাদিত উন্নয়নের জন্য শর্ত নির্ধারণ করে, যেখানে কিছু অঞ্চল এবং নির্দিষ্ট বাণিজ্যিক ব্যবহারের জন্য আলাদাভাবে অনুমতি প্রয়োজন।

এই এআই ইমেজ জেনারেশন প্রতিযোগিতা ক্রমাগত বৃদ্ধি পাচ্ছে এমন প্রেক্ষাপটে, এইচ৩ ইমেজ উচ্চ রেজোলিউশন জেনারেশন গতি, চিত্রের বাস্তবসম্মততা এবং জটিল নির্দেশ অনুসরণের ক্ষমতাকে প্রধান বিষয় হিসেবে গ্রহণ করেছে। এই তিনটি প্রযুক্তিগত সুবিধাকে কি দীর্ঘমেয়াদি সৃজনশীলদের ব্যবহারের চাহিদা এবং এপিআই আয়ে রূপান্তরিত করা যাবে, এবং ওপেন ওয়েটস কি আরও ব্যাপক ডেভেলপার ইকোসিস্টেমকে উৎসাহিত করবে—এটিই মিনিম্যাক্সের জন্য পরবর্তীতে মনোযোগ দেওয়ার মতো বিষয়।

দাবিত্যাগ: এই পৃষ্ঠার তথ্য তৃতীয় পক্ষের কাছ থেকে প্রাপ্ত হতে পারে এবং অগত্যা KuCoin এর মতামত বা মতামত প্রতিফলিত করে না। এই বিষয়বস্তু শুধুমাত্র সাধারণ তথ্যগত উদ্দেশ্যে প্রদান করা হয়, কোন ধরনের প্রতিনিধিত্ব বা ওয়ারেন্টি ছাড়াই, বা এটিকে আর্থিক বা বিনিয়োগ পরামর্শ হিসাবে বোঝানো হবে না। KuCoin কোনো ত্রুটি বা বাদ পড়ার জন্য বা এই তথ্য ব্যবহারের ফলে যে কোনো ফলাফলের জন্য দায়ী থাকবে না। ডিজিটাল সম্পদে বিনিয়োগ ঝুঁকিপূর্ণ হতে পারে। আপনার নিজের আর্থিক পরিস্থিতির উপর ভিত্তি করে একটি পণ্যের ঝুঁকি এবং আপনার ঝুঁকি সহনশীলতা সাবধানে মূল্যায়ন করুন। আরও তথ্যের জন্য, অনুগ্রহ করে আমাদের ব্যবহারের শর্তাবলী এবং ঝুঁকি প্রকাশ পড়ুন।