MiniMax ने 10 सेकंड में 4K जनरेशन के साथ ओपन-सोर्स H3 इमेज मॉडल लॉन्च किया

iconMetaEra
साझा करें
AI summary iconसारांश
MiniMax ने अपना ओपन-सोर्स H3 Image मॉडल लॉन्च किया है, जो 33.1 अरब पैरामीटर वाला एक AI है जो 10 सेकंड में 4K इमेज जेनरेट कर सकता है। यह मॉडल अधिकतम 16 रेफरेंस इमेजेस का समर्थन करता है और अपने पहले हफ्ते के दौरान हाई-रेज आउटपुट पर 50% छूट प्रदान करता है। यह टूल Hugging Face के माध्यम से उपलब्ध है और MiniMax API, MiniMax Code और Hailuo AI में एकीकृत है, जिसे AI + क्रिप्टो समाचार क्षेत्र में एक प्रमुख ऑन-चेन समाचार घटना के रूप में स्थित किया गया है।
MiniMax ने इमेज मॉडल H3 Image को जारी किया और ओपन सोर्स किया, जो सीधे 4K इमेज जेनरेट कर सकता है, सबसे तेज़ एकल इमेज लगभग 10 सेकंड में, अधिकतम 16 रेफरेंस इमेज के साथ समर्थन करता है, और 331 अरब पैरामीटर वेट्स को समानांतर रूप से खोला गया है।

लेखक: ली डैन

स्रोत: वॉल स्ट्रीट विजन

चीनी AI कंपनी MiniMax ने फिर से इमेज जनरेशन सेगमेंट में निवेश बढ़ाया है।

मंगलवार, 10 नवंबर को, MiniMax ने अपना नया चित्र उत्पादन मॉडल H3 Image लॉन्च किया और इसे ओपन सोर्स किया, जो अधिकतम 1600 वर्ग पिक्सल (4096×4096) की 4K छवियों के उत्पादन पर ध्यान केंद्रित करता है। आधिकारिक रूप से दावा किया गया है कि इसे अधिकतम 10 सेकंड में पूरा किया जा सकता है, साथ ही यह प्रॉम्प्ट की सटीक समझ, छवि संपादन और अधिकतम 16 रेफरेंस छवियों के इनपुट को समर्थन करता है।

MiniMax ने H3 Image की मुख्य प्रतिस्पर्धी क्षमताओं को गति, चित्र गुणवत्ता और निर्देश पालन के तीन पहलुओं में समेटा है: गति के मामले में, मॉडल 10 से 20 सेकंड में 4K छवियाँ उत्पन्न कर सकता है; चित्र गुणवत्ता के मामले में, यह सामान्य AI-उत्पादित भावना से बाहर निकलने का प्रयास करता है और अधिक समृद्ध विवरण और अधिक वास्तविकता प्रस्तुत करता है; निर्देश पालन के मामले में, आधिकारिक रूप से इसे ओपन-सोर्स छवि मॉडल में सर्वश्रेष्ठ स्तर प्राप्त है और यह एक से अधिक संदर्भ छवियों के साथ सह-सृजन का समर्थन करता है।

MiniMax ने केवल API कॉल के लिए बंद स्रोत मॉडल के विपरीत, इस बार H3 Image मॉडल के वजन को भी समानांतर रूप से खोला है और इसे अपने API, MiniMax Code और Hai Luo AI प्लेटफॉर्म पर जोड़ा है। प्रकाशन के पहले सप्ताह में, 16MP और उससे अधिक रिज़ॉल्यूशन की छवियों के निर्माण पर 50% छूट उपलब्ध है।

4K इमेज को बिना सुपर रेजोल्यूशन के सीधे जेनरेट करें, जो मुख्य मॉडल्स की तुलना में तेज़ है

Generation speed is one of the key competitive advantages emphasized by H3 Image.

वर्तमान में बाजार में मुख्य चित्र उत्पादन मॉडल का आउटपुट रिज़ॉल्यूशन आमतौर पर 100 लाख से 400 लाख पिक्सल के बीच होता है, और उत्पादन गति सामान्यतः मिनटों में होती है, भले ही सबसे तेज़ मॉडल को लगभग 50 सेकंड लगते हैं। इसके विपरीत, H3 Image सीधे 4096×4096 की 4K छवि उत्पन्न कर सकता है, और उत्पादन समय 10 से 20 सेकंड तक सीमित हो जाता है, जिसकी आधिकारिक रूप से घोषित सबसे तेज़ गति लगभग 10 सेकंड है।

इसका अर्थ है कि H3 Image ने एक बार में उत्पन्न पिक्सेल के पैमाने को लगभग 16 मिलियन तक बढ़ाया है और उच्च रिज़ॉल्यूशन इमेज के प्रतीक्षा समय को भी काफी कम करने का प्रयास किया है। ऐसे डिज़ाइनर्स और कंटेंट क्रिएटर्स के लिए, जिन्हें बार-बार संरचना, रंग योजना, प्रकाश और विवरण समायोजित करने की आवश्यकता होती है, उत्पादन गति में वृद्धि से प्रत्येक प्रयास-त्रुटि की समय लागत कम होती है और क्रिएटिव इटरेशन अधिक कुशल होता है।

टेक्निकल स्पेसिफिकेशन के अनुसार, H3 Image केवल सामान्य रेजोल्यूशन की इमेज को 4K तक बढ़ाने के बजाय, बिना किसी अतिरिक्त सुपर-रेजोल्यूशन प्रोसेसिंग के, लगभग 16 मिलियन पिक्सेल की उच्च रेजोल्यूशन इमेज सीधे जनरेट कर सकता है।

Hugging Face पर MiniMax द्वारा प्रकाशित मॉडल विवरण के अनुसार, H3 Image विभिन्न दृश्य अनुपातों का समर्थन करता है, जिसमें 4096×4096 का वर्गाकार चित्र के अलावा 5472×3072 का 16:9 लैंडस्केप चित्र और 6272×2688 का 21:9 वाइडस्क्रीन चित्र शामिल हैं। मॉडल का प्रभावी उत्पादन रेंज लगभग 400 लाख से 2000 लाख पिक्सेल है, और आधिकारिक रूप से 1600 लाख पिक्सेल के आसपास बेहतर परिणाम प्राप्त करने की सिफारिश की गई है।

गति में वृद्धि के पीछे, मॉडल ने डिस्टिलेशन ऑप्टिमाइजेशन का उपयोग किया है, जिससे सैंपलिंग चरणों को 6 चरणों (Sampling Steps) तक संकुचित कर दिया गया है, और उच्च-रिज़ॉल्यूशन इमेज जनरेशन की गणना लागत को कम करने के लिए पारंपरिक क्लासिफायर-फ्री गाइडेंस (CFG) की आवश्यकता नहीं है।

आम "AI अहसास" से बाहर निकलें, चित्र के विवरण और वास्तविकता एक अन्य बिक्री बिंदु बन जाते हैं

जनरेशन स्पीड के अलावा, मिनीमैक्स चित्र गुणवत्ता को H3 Image की दूसरी प्रमुख विशेषता मानता है।

MiniMax ने अपने आधिकारिक मॉडल विवरण में जोर देकर कहा है कि H3 Image सामान्य AI द्वारा उत्पादित चित्रों की दृश्य विशेषताओं को पार कर सकता है, जिससे अधिक समृद्ध दृश्य विवरण और अधिक मजबूत वास्तविकता प्राप्त होती है, जिससे उत्पादित चित्र वास्तविक दुनिया की दृश्य गुणवत्ता के करीब हो जाते हैं।

यह केवल इस बात से संबंधित नहीं है कि छवियाँ कितनी वास्तविक लगती हैं, बल्कि यह मॉडल के उपयोग के दायरे को सीधे प्रभावित करता है। विज्ञापन, ई-कॉमर्स, उत्पाद डिज़ाइन, गेम आर्ट और व्यावसायिक विज़ुअल निर्माण जैसे स्थितियों के लिए, छवि मॉडल को केवल क्रिएटिव आवश्यकताओं के अनुसार चित्र उत्पन्न करने की आवश्यकता ही नहीं है, बल्कि सूक्ष्म सामग्री, प्राकृतिक प्रकाश और विश्वसनीय स्थिति विवरणों को प्रस्तुत करने में सक्षम होना चाहिए। छवि की वास्तविकता और विवरण प्रदर्शन में सुधार, AI द्वारा उत्पन्न छवियों को अवधारणात्मक स्केच और क्रिएटिव सामग्री से आगे बढ़ाकर अधिक पेशेवर व्यावसायिक सृजन तक पहुँचाने की संभावना रखता है।

पारंपरिक उच्च रिज़ॉल्यूशन जनरेशन समाधानों से अलग, H3 Image सीधे लगभग 16 मिलियन पिक्सल की छवियाँ उत्पन्न कर सकता है, बजाय निम्न रिज़ॉल्यूशन छवि बनाने और फिर सुपर-रिज़ॉल्यूशन तकनीक का उपयोग करके उसे बढ़ाने के। MiniMax उच्च रिज़ॉल्यूशन नेटिव जनरेशन और छोटी इन्फरेंस प्रक्रिया के माध्यम से गुणवत्ता और कुशलता दोनों को संतुलित करना चाहता है।

इंस्ट्रक्शन फॉलोइंग क्षमता को ओपन सोर्स इमेज मॉडल में सबसे शक्तिशाली कहा जाता है, जो अधिकतम 16 रेफरेंस इमेजेस का समर्थन करती है।

MiniMax ने H3 Image को ओपन सोर्स इमेज मॉडल में सबसे अधिक निर्देश-अनुसरण क्षमता वाला मॉडल स्थापित किया है और इसे बहु-संदर्भ इमेज इनपुट और इमेज एडिटिंग क्षमता के साथ जोड़ा है।

मॉडल केवल टेक्स्ट प्रॉम्प्ट के आधार पर चित्र उत्पन्न करने के लिए समर्थन करता है, बल्कि एक या अधिक संदर्भ छवियों को भी स्वीकार करता है और उपयोगकर्ता निर्देशों के आधार पर मौजूदा छवियों को संशोधित करता है। अधिकतम 16 संदर्भ छवियों के इनपुट क्षमता, मॉडल को व्यक्ति, वस्तु, प्रसंग और दृश्य शैली जैसी विभिन्न संदर्भ जानकारी को एक साथ समझने में मदद करती है, जिससे जटिल सृजन में प्रमुख विशेषताओं और दृश्य समानता को बेहतर ढंग से बनाए रखा जा सके।

उदाहरण के लिए, उत्पाद विज्ञापन डिजाइन में, उपयोगकर्ता अलग-अलग उत्पाद दृश्य, ब्रांड विज़ुअल और स्थिति संदर्भ चित्र अपलोड कर सकते हैं, और फिर टेक्स्ट निर्देशों के माध्यम से मॉडल को विभिन्न तत्वों को एक नए चित्र में एकीकृत करने का निर्देश दे सकते हैं; गेम आर्ट और किरदार डिजाइन में, व्यक्ति के दृश्य, कपड़े, स्थिति और समग्र शैली को नियंत्रित करने के लिए भी कई संदर्भ चित्रों का उपयोग किया जा सकता है।

इस डिज़ाइन में टेक्स्ट-टू-इमेज, इमेज एडिटिंग और मल्टीपल इमेज रेफरेंस को एक ही मॉडल में एकीकृत किया गया है, जिसका अर्थ है कि उपयोगकर्ता को प्रारंभिक जनरेशन से लेकर बाद के संशोधन तक के लगातार सृजनात्मक कार्य को पूरा करने के लिए अलग-अलग पेशेवर मॉडल या कार्यप्रवाहों के बीच बार-बार स्विच करने की आवश्यकता नहीं होती है।

33.1 अरब पैरामीटर आर्किटेक्चर, मॉडल वेट्स सिंक्रनाइज्ड और खुले हैं

मॉडल आर्किटेक्चर के संदर्भ में, H3 Image, MiniMax H3 मल्टीमॉडल मॉडल पर आधारित है, जिसमें मूल आर्किटेक्चर से ऑडियो शाखा को हटा दिया गया है और इमेज जनरेशन और एडिटिंग के लिए अनुकूलित किया गया है।

हगिंग फेस के द्वारा प्रकाशित तकनीकी डेटा के अनुसार, H3 Image 331 अरब पैरामीटर वाले घने डिफ्यूजन ट्रांसफॉर्मर (DiT) का उपयोग करता है, जिसमें 50 परतें हैं, जो MiniMax H3 के Qwen3-VL टेक्स्ट एन्कोडर का उपयोग करता है और संदर्भ चित्रों और उत्पादित चित्रों को संभालने के लिए इमेज VAE को जोड़ता है।

इस रिलीज़ का एक अन्य महत्वपूर्ण पहलू मॉडल वेट्स का खुलासा है। डेवलपर्स Hugging Face के माध्यम से मॉडल प्राप्त कर सकते हैं और SGLang, vLLM-Omni, Diffusers और ComfyUI जैसे टूल्स का उपयोग करके इसे डिप्लॉय और विकसित कर सकते हैं।

हालांकि, ओपन वेट्स का अर्थ यह नहीं है कि सामान्य उपभोक्ता स्तरीय कंप्यूटर आसानी से पूर्ण मॉडल चला सकते हैं। आधिकारिक रूप से प्रकाशित इमेज जनरेशन DiT वेट्स फाइल लगभग 68.65GB है, और पूर्ण डिप्लॉयमेंट के लिए अलग टेक्स्ट एन्कोडर को लोड करने की आवश्यकता होती है, जिससे GPU मेमोरी और कैलकुलेशन संसाधनों की उच्च मांग होती है।

API, MiniMax Code और Conch AI के साथ समन्वय, पहले सप्ताह में उच्च रिज़ॉल्यूशन जेनरेशन पर 50% छूट

व्यावसायिकीकरण के संदर्भ में, MiniMax ओपन वेट्स और अपने स्वयं के उत्पाद प्लेटफॉर्म की समानांतर रणनीति अपनाता है।

H3 Image अब MiniMax API, MiniMax Code और Conch AI के माध्यम से उपलब्ध है, जिससे उपयोगकर्ता मॉडल को अपने आप डाउनलोड या डिप्लॉय किए बिना हाई-रेजोल्यूशन इमेज जनरेशन और एडिटिंग की सुविधा का अनुभव कर सकते हैं। प्रकाशन के पहले सप्ताह में, 16MP और उससे अधिक रेजोल्यूशन की इमेज जनरेशन अनुरोधों पर 50% छूट उपलब्ध है।

इस लॉन्च से पता चलता है कि MiniMax विकासकों और सामान्य सृजनकर्ताओं दोनों को एक साथ कवर करने का प्रयास कर रहा है: एक ओर, मॉडल वेट्स को खुला करके विकासकों को स्थानीय डिप्लॉयमेंट, द्वितीयक विकास और कार्यप्रवाह एकीकरण के लिए आकर्षित करना; दूसरी ओर, API और हैइलुओ AI जैसे उत्पादों के माध्यम से मॉडल का व्यावसायिकीकरण करना और उपयोगकर्ता आधार का विस्तार करना।

हालांकि, ओपन वेट्स का अर्थ पूरी तरह से अनियंत्रित ओपन सोर्स नहीं है। हगिंग फेस द्वारा प्रकाशित समुदाय लाइसेंस में उपयोग के क्षेत्र, व्यावसायिक उपयोग और मॉडल अनुवाद विकास के लिए शर्तें निर्धारित की गई हैं, और कुछ क्षेत्रों और विशिष्ट व्यावसायिक उपयोगों के लिए अतिरिक्त अनुमति की आवश्यकता होती है।

AI इमेज जनरेशन के प्रतिस्पर्धी परिदृश्य में, H3 Image ने उच्च रिजोल्यूशन जनरेशन स्पीड, रियलिस्टिक विजुअल क्वालिटी और कॉम्प्लेक्स इंस्ट्रक्शन फॉलोइंग क्षमता को मुख्य ब्रेकथ्रू के रूप में अपनाया है। इन तीन तकनीकी फायदों को लगातार क्रिएटर उपयोग की मांग और API आय में परिवर्तित करना और ओपन वेट्स के माध्यम से व्यापक डेवलपर इकोसिस्टम को प्रेरित करना, MiniMax के लिए आगे के दौर में ध्यान देने योग्य मुख्य बिंदु होंगे।

डिस्क्लेमर: इस पेज पर दी गई जानकारी थर्ड पार्टीज़ से प्राप्त की गई हो सकती है और यह जरूरी नहीं कि KuCoin के विचारों या राय को दर्शाती हो। यह सामग्री केवल सामान्य सूचनात्मक उद्देश्यों के लिए प्रदान की गई है, किसी भी प्रकार के प्रस्तुतीकरण या वारंटी के बिना, न ही इसे वित्तीय या निवेश सलाह के रूप में माना जाएगा। KuCoin किसी भी त्रुटि या चूक के लिए या इस जानकारी के इस्तेमाल से होने वाले किसी भी नतीजे के लिए उत्तरदायी नहीं होगा। डिजिटल संपत्तियों में निवेश जोखिम भरा हो सकता है। कृपया अपनी वित्तीय परिस्थितियों के आधार पर किसी प्रोडक्ट के जोखिमों और अपनी जोखिम सहनशीलता का सावधानीपूर्वक मूल्यांकन करें। अधिक जानकारी के लिए, कृपया हमारे उपयोग के नियम और जोखिम प्रकटीकरण देखें।