MiniMax hat die Gewichte für sein H3-Videomodell veröffentlicht und nun steht erstmals ein offenes Modell an der Spitze eines Videorankings
MiniMax hat die Gewichte für H3 veröffentlicht, ein Videomodell mit 33 Milliarden Parametern, das Text, Bilder, Video und Audio zusammen verarbeitet. Bei der Videobearbeitung belegt Artificial Analysis den ersten Platz. Zwei Komponenten blieben geschlossen und die Lizenz unterliegt einer Erlösobergrenze.
Das chinesische Labor MiniMax hat die Gewichte für H3, sein neuestes Videomodell, veröffentlicht und zum ersten Mal steht ein kostenlos herunterladbares Modell an der Spitze einer Rangliste der Videogenerationen. Die Benchmarking-Site Artificial Analysis platziert H3 bei der Videobearbeitung an erster Stelle, bei Text zu Video an zweiter Stelle und bei Bild zu Video an dritter Stelle. Bislang waren die Marktführer in jeder dieser Kategorien geschlossene, kostenpflichtige Produkte.
H3 verfügt über 33 Milliarden Parameter, was nach aktuellen Maßstäben klein ist und für einen einzelnen, gut ausgestatteten Arbeitsplatz gut erreichbar ist. Parameter sind die einstellbaren Zahlen, die ein Modell während des Trainings lernt, und sie sind eher ein grober Indikator für die Größe als für die Qualität. Das Modell nimmt Text, Bilder, Video und Audio in einem Durchgang als Eingabe auf und produziert Clips von vier bis fünfzehn Sekunden Länge mit Stereoton. Laut der Modellkarte von Hugging Face kann eine einzelne Eingabeaufforderung bis zu neun Referenzbilder, drei Videoclips und drei Audioclips enthalten, was die Bearbeitungspartitur plausibel macht: Sie können ihr eine vorhandene Aufnahme geben und ihr sagen, was sie ändern soll.
Zwei Vorbehalte sollten Sie kennen, bevor Sie sich aufregen. Das 2K-Auflösungsmodul ist nicht Teil der Version, ebenso wenig wie H3-Context-IR, das Teil, das Ihr Eingabeaufforderungs- und Referenzmaterial in ein strukturiertes internes Format umwandelt, das das Modell tatsächlich liest. Führen Sie H3 selbst in ComfyUI aus, einer beliebten knotenbasierten Schnittstelle für offene Bild- und Videomodelle, und erreichen Sie eine maximale Auflösung von 768p, während Sie die Kontextvorbereitung manuell mithilfe der veröffentlichten Eingabeaufforderungshandbücher von MiniMax durchführen. Die Lizenz fügt eine weitere Grenze hinzu: Die kommerzielle Nutzung ist nur für Unternehmen unter 20 Millionen Dollar Umsatz gestattet.
Was dahinter steckt. Offene Gewichtungen bedeuten, dass die trainierte Modelldatei heruntergeladen und auf Ihrer eigenen Hardware ausgeführt werden kann, im Gegensatz zu einer API, bei der Sie eine Eingabeaufforderung an den Server eines anderen senden. Video ist die letzte Hochburg geschlossener Modelle, weil die Erzeugung bewegter Bilder teuer in der Schulung und kostspielig in der Bereitstellung ist und weil die Urheberrechtsbelastung unbequem ist. Was MiniMax hier getan hat, ist ein bekanntes Muster mit einer Wendung: Geben Sie genug frei, um das Ranking und den guten Willen der Entwickler zu gewinnen, und halten Sie die Teile zurück, die das gehostete Produkt praktisch machen. Das Auflösungsmodul und der Kontextübersetzer sind genau die Teile, die aus einem starken Modell ein reibungsloses Produkt machen. ByteDance veröffentlichte am selben Tag sein geschlossenes Seedance 2.5 mit 30-Sekunden-Clips und integriertem Audio, was zeigt, dass der kommerzielle Wettlauf nicht nachlässt.
Was das für dich bedeutet: Wenn Sie neugierig auf KI-Videos waren, aber kein Material an einen Cloud-Dienst übergeben wollten, ist dies die erste Version, bei der die lokale Ausführung eine echte Option und kein Kompromiss bei der Qualität darstellt. Rechnen Sie damit, einen Nachmittag mit der Einrichtung zu verbringen und mit 768p zu leben. Für alle anderen stellt sich der praktische Effekt später und indirekt ein: Offene Gewichtungen senken den Preis gehosteter Videotools und ermöglichen es kleineren europäischen Anbietern, Angebote ohne Lizenzierung eines Grenzmodells aufzubauen. Wenn Sie professionell Videos erstellen, ist die Umsatzobergrenze in der Lizenz doppelt zu lesen.
Quellen
Karpathy verwandelte einen Absatz von Tolkien für zehn Dollar in eine 3D-Szene und nannte es einen Vibe Check
Andrej Karpathy gab Claude Opus 5 die Eröffnung von „Der Herr der Ringe“ und erhielt in zwei Stunden 5.500 Zeilen funktionierenden 3D-Browsercodes zurück. Er achtet darauf, zu sagen, dass dies kein Benchmark ist, was der nützlichste Teil der Geschichte ist.
