مینی میکس نے تصویری ماڈل H3 Image جاری کیا اور اسے اوپن سورس کر دیا ہے، جو ب без تبدیلی 4K تصاویر بنانے کی صلاحیت رکھتا ہے، ایک تصویر کی تیاری میں صرف تقریباً 10 سیکنڈ لگتے ہیں، زیادہ سے زیادہ 16 رفرنس تصاویر کی حمایت کرتا ہے، اور 33.1 ارب پیرامیٹر وزن بھی فراہم کیے گئے ہیں۔لی دان
ماخذ: وول سٹریٹ ویزن
چینی AI کمپنی MiniMax نے تصویر تخلیق کے شعبے میں مزید سرمایہ کاری کی ہے۔
منگل، 10 نومبر کو، MiniMax نے اپنا نیا جنریشن ایمیج مدل H3 Image کو باہر نکالا اور اسے اوپن سورس کر دیا، جو 4K تصاویر کی تخلیق میں 16 ملین پکسل (4096×4096) تک کی صلاحیت رکھتا ہے، جسے آفیشل طور پر صرف تقریباً 10 سیکنڈ میں تیار کیا جا سکتا ہے، ساتھ ہی یہ تفصیلی پرومپٹ سمجھنے، تصویر ایڈٹ کرنے اور زیادہ سے زیادہ 16 ریفرنس تصاویر کے ان پٹ کو بھی سپورٹ کرتا ہے۔
مینی میکس نے H3 Image کی بنیادی طاقت کو تیزی، تصویر کی کوالٹی اور ہدایات کی پابندی کے تین پہلوؤں میں شامل کیا ہے: تیزی کے لحاظ سے، ماڈل 4K تصویروں کو 10 سے 20 سیکنڈ میں جنریٹ کر سکتا ہے؛ تصویر کی کوالٹی کے لحاظ سے، یہ عام AI جنریٹڈ احساس سے نکلنا چاہتا ہے اور زیادہ تفصیلات اور زیادہ حقیقی محسوس ہونے والی تصویر فراہم کرتا ہے؛ ہدایات کی پابندی کے لحاظ سے، ادارہ کا دعویٰ ہے کہ یہ اوپن سورس تصویر ماڈلز میں سب سے زیادہ طاقتور سطح تک پہنچ گیا ہے اور متعدد رفرنس تصویروں کے ساتھ مل کر تخلیق کرنے کی سہولت فراہم کرتا ہے۔
مینی میکس نے صرف API کالس کے لیے کھلے بند ماڈل کے بجائے اس بار H3 Image ماڈل کے وزن بھی کھول دیے ہیں اور انہیں اپنے API، مینی میکس کوڈ اور ہائیلوائی AI پلیٹ فارم پر جوڑ دیا ہے۔ شروعاتی ہفتے میں، 16MP یا اس سے زیادہ ریزولوشن والی تصاویر بنانے پر 50 فیصد کی چھوٹ دی جائے گی۔
4K تصویریں بغیر سپر ریزولوشن کے، فوری طور پر مارکیٹ کے مقبول ماڈلز سے تیزی سے جنریٹ ہوتی ہیں
پیداواری رفتار H3 Image کی ایک اہم مقابلہ کی صلاحیت ہے۔
موجودہ بازار میں مقبول تصویر تخلیق ماڈلز کی پیداواری تفصیل عام طور پر ایک ملین سے لے کر چار ملین پکسل تک ہوتی ہے، اور تخلیق کا وقت عام طور پر منٹوں میں ہوتا ہے، حتیٰ کہ سب سے تیز ماڈلز کو بھی تقریباً 50 سیکنڈ لگتے ہیں۔ اس کے مقابلے میں، H3 Image 4096×4096 کی 4K تصویریں براہ راست تخلیق کر سکتا ہے، جس کا وقت صرف 10 سے 20 سیکنڈ تک محدود ہے، اور آفیشل طور پر اس کی سب سے تیز رفتار تقریباً 10 سیکنڈ ہے۔
اس کا مطلب یہ ہے کہ H3 Image نے صرف ایک بار میں پیدا کیے جانے والے پکسلز کی تعداد لگ بھگ 16 ملین تک بڑھا دی ہے، بلکہ اعلیٰ وضاحت والی تصاویر کے انتظار کے وقت کو بھی کافی حد تک کم کرنے کی کوشش کر رہا ہے۔ جو ڈیزائنرز اور مواد تخلیق کرنے والے اپنی ترتیب، رنگ، روشنی اور تفصیلات کو دوبارہ دوبارہ تبدیل کرتے ہیں، ان کے لیے پیداواری رفتار میں اضافہ ہر تجربہ و غلطی کے وقت کے اخراجات کو کم کر دے گا اور تخلیقی ترقی کو زیادہ موثر بنائے گا۔

ٹیکنیکل اسپیفیکیشن کے مطابق، H3 Image صرف عام ریزولوشن کی تصاویر کو 4K تک بڑھانے کا کام نہیں کرتا، بلکہ یہ بغیر کسی اضافی سپر ریزولوشن پروسیسنگ کے تقریباً 16 ملین پکسل کی اعلیٰ ریزولوشن کی تصاویر براہ راست جنریٹ کر سکتا ہے۔
MiniMax کی طرف سے Hugging Face پر جاری کردہ ماڈل کی تفصیل میں بتایا گیا ہے کہ H3 Image مختلف اسکرین نسبتوں کو سپورٹ کرتا ہے، جس میں 4096×4096 کا مربع تصویر کے علاوہ 5472×3072 کا 16:9 لینڈسکیپ اور 6272×2688 کا 21:9 وائڈ اسکرین بھی شامل ہیں۔ ماڈل کا مؤثر جنریشن رینج تقریباً 4 ملین سے 20 ملین پکسل تک ہے، اور باقاعدہ تجویز ہے کہ 16 ملین پکسل کے قریب بہترین نتائج حاصل کیے جائیں۔
سپیڈ میں اضافے کے پیچھے، ماڈل نے ڈسٹلیشن آپٹیمائزیشن کا استعمال کیا، جس نے نمونہ لینے کے مراحل کو صرف 6 مراحل (Sampling Steps) تک کم کر دیا، اور اعلیٰ وضاحت والی تصاویر کی تولید کے لیے کمپوٹیشنل خرچ کو کم کرنے کے لیے روایتی کلاس فری ہدایت (CFG) کی ضرورت نہیں ہے۔
عام "AI محسوس" سے نکلیں، تصویر کی تفصیلات اور حقیقی محسوس کرنا دوسری خصوصیت بن جاتی ہیں
سپیڈ کے علاوہ، مینی میکس ہیویو کوالٹی کو ایچ3 ایمیج کا دوسرا مرکزی فائدہ سمجھتا ہے۔
مینی میکس نے اپنے آفیشل ماڈل کے تفصیل میں زور دیا ہے کہ H3 Image عام AI جنریٹڈ تصاویر کے ویژوئل خصوصیات کو عبور کر سکتا ہے، زیادہ غنی تصویری تفصیلات اور مضبوط حقیقیت فراہم کرتا ہے، جس سے جنریٹڈ تصاویر حقیقی دنیا کے ویژوئل کوالٹی کے قریب ہوتی ہیں۔
یہ صرف اس بات سے متعلق نہیں کہ تصویر کتنا واقعی لگتی ہے، بلکہ یہ ماڈل کے استعمال کے دائرہ کار کو بھی براہ راست متاثر کرتا ہے۔ اشتہار، الیکٹرانک کمرس، مصنوعات ڈیزائن، گیم آرٹ اور تجارتی ویژوئل پروڈکشن جیسے مناظر کے لیے، تصویری ماڈل کو صرف تخلیقی درخواستوں کے مطابق تصاویر بنانے کے علاوہ، نرم مادہ، قدرتی روشنی اور قابل اعتماد منظر کے تفصیلات کو بھی پیش کرنا ہوگا۔ تصویر کی واقعیت اور تفصیلات کے بہتر ہونے سے AI سے تخلیق کردہ تصاویر کو تصوراتی اسکچ، تخلیقی مواد سے آگے بڑھا کر زیادہ پیشہ ورانہ تجارتی تخلیقات تک پہنچایا جا سکتا ہے۔
روایتی اعلیٰ وضاحت والی پیداواری منصوبوں کے برعکس، H3 Image براہ راست تقریباً 16 ملین پکسل کی تصاویر پیدا کر سکتا ہے، نہ کہ پہلے کم وضاحت والی تصویر بنائے اور پھر اسے اعلیٰ وضاحت تک بڑھائے۔ MiniMax اعلیٰ وضاحت کے ساتھ ساتھ کارکردگی کو بھی حاصل کرنے کے لیے اعلیٰ وضاحت کی اصلی پیداوار اور مختصر استدلال عمل کو ملا رہا ہے۔
اینstruction following کی صلاحیت کو اوپن سورس ایمیج ماڈل کے طور پر سب سے طاقتور قرار دیا جاتا ہے، جو زیادہ سے زیادہ 16 ریفرنس تصاویر کی حمایت کرتا ہے۔
ہدایات کی پابندی کے حوالے سے، مینی میکس نے H3 Image کو اوپن سورس تصویری ماڈلز میں سب سے زیادہ ہدایات کی پابندی کرنے والے ماڈل کے طور پر پیش کیا ہے اور اسے متعدد حوالہ تصویری ان پٹ اور تصویر ایڈٹنگ کی صلاحیتوں کے ساتھ جوڑا ہے۔
ماڈل صرف متن کے حوالے سے تصویر بنانے کے لیے ہی محدود نہیں، بلکہ ایک یا ایک سے زیادہ حوالہ تصاویر کو بھی قبول کرتا ہے اور صارف کے ہدایات کے مطابق موجودہ تصاویر کو تبدیل کرتا ہے۔ 16 تک کی حوالہ تصاویر کی درجہ بندی کی صلاحیت، ماڈل کو انسان، اشیاء، مناظر اور ویژوئل انداز جیسی مختلف حوالہ معلومات کو одно وقت سمجھنے میں مدد کرتی ہے، جس سے پیچیدہ تخلیقی کاموں میں موضوع کے خصوصیات اور تصویر کی ایک جنسیت کو بہتر طور پر برقرار رکھا جا سکتا ہے۔
مثال کے طور پر، مصنوعات کے اشتہار ڈیزائن میں، صارفین مصنوعات کی شکل، برانڈ ویژن اور منظر کی حوالہ تصاویر الگ الگ اپ لوڈ کر سکتے ہیں، اور پھر متن کے ہدایات کے ذریعہ ماڈل کو مختلف عناصر کو ایک نئی تصویر میں مربوط کرنے کا حکم دے سکتے ہیں؛ گیم آرٹ اور کردار ڈیزائن میں، کردار کی شکل، لباس، منظر اور کل تھیم کو کنٹرول کرنے کے لیے بھی متعدد حوالہ تصاویر استعمال کی جا سکتی ہیں۔
اس طرح کی ڈیزائن جس میں متن سے تصویر، تصویر ایڈیٹنگ اور متعدد تصاویر کے حوالے ایک ہی ماڈل میں ادغام کیے گئے ہیں، کا مطلب یہ بھی ہے کہ صارفین کو شروعاتی جنریشن سے لے کر بعد کے ترمیم تک مسلسل تخلیق کرنے کے لیے مختلف پیشہ ورانہ ماڈلز یا عمل کے درمیان بار بار تبدیل نہیں کرنا پڑتا۔
3.31 ارب پیرامیٹر آرکیٹیکچر، ماڈل وزنز کو ایک ساتھ کھولا گیا ہے
ماڈل آرکیٹیکچر کے حوالے سے، H3 Image کو MiniMax H3 ملٹی میڈیا ماڈل پر مبنی بنایا گیا ہے، جس میں اصل آرکیٹیکچر سے آڈیو برانچ کو ہٹا دیا گیا ہے اور تصویر بنانے اور ایڈٹ کرنے کے لیے بہتر بنایا گیا ہے۔
ہگنگ فیس کی طرف سے جاری کردہ ٹیکنیکل ڈیٹا کے مطابق، H3 Image میں 33.1 ارب پیرامیٹرز والی ڈینس ڈیفیوژن ٹرانسفارمر (DiT) استعمال ہوتی ہے، جس میں کل 50 لیئرز ہیں، جو MiniMax H3 کے Qwen3-VL ٹیکسٹ اینکوڈر کو استعمال کرتی ہے اور ریفرنس تصاویر اور جنریٹڈ تصاویر کو معالجہ کرنے کے لیے ایک تصویر VAE کے ساتھ جوڑتی ہے۔
اس جاری کردہ ایک اور اہم بات یہ ہے کہ ماڈل کے وزن کو کھول دیا گیا ہے۔ ڈویلپرز Hugging Face سے ماڈل حاصل کر سکتے ہیں اور SGLang، vLLM-Omni، Diffusers اور ComfyUI جیسے ٹولز کا استعمال کرتے ہوئے اسے ڈپلوی اور ترقی دے سکتے ہیں۔
تاہم، ویٹس کا کھلا ہونا اس بات کا مطلب نہیں کہ عام صارفین کے کمپیوٹر پر مکمل ماڈل آسانی سے چل جائے گا۔ باضابطہ طور پر جاری کیے گئے تصویر تخلیق DiT ویٹس فائل کا سائز تقریباً 68.65GB ہے، اور مکمل ڈیپلومنٹ کے لیے الگ متن اینکوڈر کو لوڈ کرنا ضروری ہے، جس کے لیے ویڈیو میموری اور کمپوٹیشنل وسائل پر اعلیٰ درجے کی ضرورت ہوتی ہے۔
API، MiniMax Code اور ہیلو AI کو سینکرونائز کیا گیا ہے، پہلے ہفتے ہائی ریزولوشن جنریشن پر 50 فیصد ڈسکاؤنٹ
کمرشلائزیشن کے حوالے سے، MiniMax نے اوپن ویٹس اور اپنی ملکی پلیٹ فارم کو ایک ساتھ اپنایا ہے۔
H3 Image اب MiniMax API، MiniMax Code اور Shell AI کے ذریعے دستیاب ہے، صارفین کو مدل ڈاؤن لوڈ یا ڈیپلوی کرنے کی ضرورت نہیں، وہ اعلیٰ وضاحت والی تصویر بنانے اور ایڈٹ کرنے کی سہولت کا تجربہ کر سکتے ہیں۔ شروعاتی ہفتے میں، 16MP یا اس سے زیادہ وضاحت والی تصاویر کے لیے جنریشن کے درخواستوں پر 50 فیصد چھوٹ دی جائے گی۔

اس اطلاق کے مطابق، MiniMax ڈیولپرز اور عام تخلیق کار دونوں کو ایک ساتھ ہدف بناتا ہے: ایک طرف، ماڈل وزن کو کھول کر ڈیولپرز کو مقامی ڈیپلومنٹ، دوبارہ ترقی اور ورک فلو اینٹیگریشن کے لیے متوجہ کرتا ہے؛ دوسری طرف، API اور ہیلو AI جیسے پروڈکٹس کے ذریعے ماڈل کو تجارتی شکل دی جا رہی ہے اور صارفین کی دائرہ کار کو وسعت دی جا رہی ہے۔
تاہم، کھلے وزن کا مطلب یہ نہیں کہ وہ مکمل طور پر بے رکاوٹ اوپن سورس ہیں۔ ہگنگ فیس نے جو کمیونٹی لائسنس جاری کیا ہے، اس میں علاقائی دائرہ کار، تجارتی استعمال اور ماڈل کے مشتقہ ترقیات کے لیے شرائط متعین کی گئی ہیں، جہاں کچھ علاقوں اور خاص تجارتی مقاصد کے لیے الگ سے اجازت درکار ہوگی۔
AI تصویر جنریشن کے مقابلے کے بڑھتے ہوئے ماحول میں، H3 Image نے اعلیٰ وضاحت کے ساتھ جنریشن کی رفتار، تصویر کی حقیقیت اور پیچیدہ ہدایات کی پابندی کو اہم نقطہِ شروع قرار دیا ہے۔ کیا یہ تین تکنیکی فوائد مستقل مصنفین کی استعمال کی ضرورت اور API آمدنی میں تبدیل ہو سکتے ہیں، اور کھلے وزن کیا وسیع ڈویلپر ایکوسسٹم کو فروغ دے سکتے ہیں، یہ MiniMax کے لیے اگلے دنوں میں نظر رکھنے کا نقطہ ہوگا۔


