🎥 شرکت MiniMax از مدل H3 رونمایی کرد؛ تولید ویدئوی ۲K با صدای استریو و قیمت ۰.۱۳ دلار بر ثانیه
مدل جدید MiniMax با نام H3 به‌عنوان یک مدل مولد چندوجهی (Omni‑Modal) معرفی شده که می‌تواند ویدئوهای ۴ تا ۱۵ ثانیه‌ای با کیفیت ۲K و صدای استریو بومی تولید کند. این مدل در بنچمارک Artificial Analysis، رتبه‌ی اول ویرایش ویدئو را به خود اختصاص داده است.
---
🧩 نکات فنی کلیدی که این مدل را خاص می‌کند:
🔹 توکنایزر جدید (H3‑VAE)**، داستان اصلی این مدل است. این توکنایزر **۴ برابر طول مؤثر دنباله را افزایش داده و هزینه‌ی تولید را به‌شدت کاهش می‌دهد. این فشرده‌سازی، راز قیمت مناسب کیفیت ۲K است؛ نه یک بزرگ‌نمایی از روی ۱۰۸۰p.
🔹 رویکرد نوین در توضیح‌نویسی (Captioning) : مدل صرفاً ویدئوی هدف را توصیف نمی‌کند، بلکه رابطه‌ی بین ورودی‌های چندوجهی و نحوه‌ی ارتباط آنها با یکدیگر را نیز توضیح می‌دهد. هر منبع معمولاً حدود ۱۰۰ هزار توکن استنتاج مصرف می‌کند که به‌طور میانگین به ۴ هزار توکن تقطیر می‌شود. همین ویژگی باعث می‌شود یک دستور طبیعی، جایگزین لیست ثابتی از وظایف شود.
🔹 معماری بازطراحی‌شده: MiniMax معماری موفق Hailuo-02 را به‌دلیل پیچیدگی‌های ناشی از ورودی چندوجهی، کنار گذاشته و معماری جدیدی طراحی کرده که بار کاری درک و تولید را جدا می‌کند. این تغییر، توان عملیاتی آموزش را حدود ۳۰٪ افزایش داده است.
🔹 بدون ماژول بزرگ‌نمایی (Super‑Resolution) : برای خروجی ۲K، مدل پایه، خروجی با کیفیت پایین خود را درون‑زمینه (In‑Context) بازتولید می‌کند و زمینه‌ی چندوجهی اصلی را دوباره می‌خواند. این روش، متن‌های ریز و برندها را با دقت بیشتری بازیابی می‌کند و تفاوت بین خروجی قابل‌استفاده و نیاز به بازتولید را رقم می‌زند.
---
💰 قیمت‌گذاری و مقایسه با رقبا
- هزینه به ازای هر دقیقه ویدئوی ۲K با صدا: ۷.۸۰ دلار
- Seedance 2.0 (کیفیت ۱۰۸۰p): ۲۲.۴۵ دلار
- Kling 3.0 (۱۰۸۰p): ۲۰.۱۶ دلار
- Gemini Omni Flash: ۶.۰۰ دلار (ارزان‌تر از H3)
---
📊 جایگاه در بنچمارک‌ها
بر اساس گزارش SCMP و داده‌های Artificial Analysis، مدل H3 در بخش ویرایش ویدئو رتبه‌ی اول را دارد، اما در تبدیل متن به ویدئو از Gemini Omni Flash و در تبدیل تصویر به ویدئو از Seedance 2.0 و Gemini Omni Flash عقب‌تر است.
---
🔗 دسترسی و پشتیبانی
مدل از طریق API (با شناسه‌ی
---
💡 جمع‌بندی: MiniMax H3 با رویکرد یکپارچه‌ی چندوجهی، توکنایزر پیشرفته و قیمت رقابتی، گامی مهم در جهت تولید ویدئوی حرفه‌ای و در دسترس برای تبلیغات، تجارت الکترونیک، طراحی محصول و بازی‌سازی است.
---
🔗 جزئیات فنی کامل:
https://www.minimax.io/blog/minimax-h3
---
#MiniMax #هوش_مصنوعی #تولید_ویدئو #پردازش_چندوجهی #پیشرفت_فناوری
🆔 @asrgooyeshpardaz
مدل جدید MiniMax با نام H3 به‌عنوان یک مدل مولد چندوجهی (Omni‑Modal) معرفی شده که می‌تواند ویدئوهای ۴ تا ۱۵ ثانیه‌ای با کیفیت ۲K و صدای استریو بومی تولید کند. این مدل در بنچمارک Artificial Analysis، رتبه‌ی اول ویرایش ویدئو را به خود اختصاص داده است.
---
🧩 نکات فنی کلیدی که این مدل را خاص می‌کند:
🔹 توکنایزر جدید (H3‑VAE)**، داستان اصلی این مدل است. این توکنایزر **۴ برابر طول مؤثر دنباله را افزایش داده و هزینه‌ی تولید را به‌شدت کاهش می‌دهد. این فشرده‌سازی، راز قیمت مناسب کیفیت ۲K است؛ نه یک بزرگ‌نمایی از روی ۱۰۸۰p.
🔹 رویکرد نوین در توضیح‌نویسی (Captioning) : مدل صرفاً ویدئوی هدف را توصیف نمی‌کند، بلکه رابطه‌ی بین ورودی‌های چندوجهی و نحوه‌ی ارتباط آنها با یکدیگر را نیز توضیح می‌دهد. هر منبع معمولاً حدود ۱۰۰ هزار توکن استنتاج مصرف می‌کند که به‌طور میانگین به ۴ هزار توکن تقطیر می‌شود. همین ویژگی باعث می‌شود یک دستور طبیعی، جایگزین لیست ثابتی از وظایف شود.
🔹 معماری بازطراحی‌شده: MiniMax معماری موفق Hailuo-02 را به‌دلیل پیچیدگی‌های ناشی از ورودی چندوجهی، کنار گذاشته و معماری جدیدی طراحی کرده که بار کاری درک و تولید را جدا می‌کند. این تغییر، توان عملیاتی آموزش را حدود ۳۰٪ افزایش داده است.
🔹 بدون ماژول بزرگ‌نمایی (Super‑Resolution) : برای خروجی ۲K، مدل پایه، خروجی با کیفیت پایین خود را درون‑زمینه (In‑Context) بازتولید می‌کند و زمینه‌ی چندوجهی اصلی را دوباره می‌خواند. این روش، متن‌های ریز و برندها را با دقت بیشتری بازیابی می‌کند و تفاوت بین خروجی قابل‌استفاده و نیاز به بازتولید را رقم می‌زند.
---
💰 قیمت‌گذاری و مقایسه با رقبا
- هزینه به ازای هر دقیقه ویدئوی ۲K با صدا: ۷.۸۰ دلار
- Seedance 2.0 (کیفیت ۱۰۸۰p): ۲۲.۴۵ دلار
- Kling 3.0 (۱۰۸۰p): ۲۰.۱۶ دلار
- Gemini Omni Flash: ۶.۰۰ دلار (ارزان‌تر از H3)
---
📊 جایگاه در بنچمارک‌ها
بر اساس گزارش SCMP و داده‌های Artificial Analysis، مدل H3 در بخش ویرایش ویدئو رتبه‌ی اول را دارد، اما در تبدیل متن به ویدئو از Gemini Omni Flash و در تبدیل تصویر به ویدئو از Seedance 2.0 و Gemini Omni Flash عقب‌تر است.
---
🔗 دسترسی و پشتیبانی
مدل از طریق API (با شناسه‌ی
MiniMax-H3) و اپلیکیشن Hailuo AI در دسترس است. MiniMax قول داده که وزن‌های مدل را در روزهای آینده متن‌باز کند.---
💡 جمع‌بندی: MiniMax H3 با رویکرد یکپارچه‌ی چندوجهی، توکنایزر پیشرفته و قیمت رقابتی، گامی مهم در جهت تولید ویدئوی حرفه‌ای و در دسترس برای تبلیغات، تجارت الکترونیک، طراحی محصول و بازی‌سازی است.
---
🔗 جزئیات فنی کامل:
https://www.minimax.io/blog/minimax-h3
---
#MiniMax #هوش_مصنوعی #تولید_ویدئو #پردازش_چندوجهی #پیشرفت_فناوری
🆔 @asrgooyeshpardaz
MiniMax
MiniMax H3: An Open Model Breaking the Boundaries Between Tasks and Modalities - MiniMax Research
Today, we're officially launching MiniMax H3, a general-purpose omni-modal generation model. H3 can jointly understand multimodal contexts spanning text, images, video, and audio. It generates video with native stereo audio at up to 2K resolution and 15 seconds…
❤1
This media is not supported in your browser
VIEW IN TELEGRAM
🎥 نمونه ویدیوی تولیدشده توسط MiniMax H3
این ویدیو توسط مدل جدید MiniMax H3 تولید شده که توانایی خارق‌العاده‌ای در ترکیب ورودی‌های چندوجهی و تولید ویدیوهای با کیفیت بالا دارد. در این نمونه، مدل با دریافت یک پرامپت ساده، توانسته صحنه‌ای پویا و سینمایی خلق کند.
---
✨ قابلیت‌ها:
🔹 کیفیت ۲K واقعی – جزئیات دقیق و وضوح بالا
🔹 صدای استریو بومی – هماهنگ‌سازی کامل صدا و تصویر
🔹 کنترل دقیق با چندین رفرنس – ترکیب حرکت دوربین، ظاهر شخصیت‌ها و جلوه‌های صوتی در یک پرامپت
🔹 مناسب برای تبلیغات، برندینگ و محتوای تجاری – نمایش دقیق متن‌ها و لوگوها
---
🎬 برای دیدن ویدیوهای بیشتر و دسترسی به مدل:
https://www.minimax.io/blog/minimax-h3
---
#MiniMax #تولید_ویدئو #هوش_مصنوعی #ویدئو_ساز #پیشرفت_فناوری
🆔 @asrgooyeshpardaz
این ویدیو توسط مدل جدید MiniMax H3 تولید شده که توانایی خارق‌العاده‌ای در ترکیب ورودی‌های چندوجهی و تولید ویدیوهای با کیفیت بالا دارد. در این نمونه، مدل با دریافت یک پرامپت ساده، توانسته صحنه‌ای پویا و سینمایی خلق کند.
---
✨ قابلیت‌ها:
🔹 کیفیت ۲K واقعی – جزئیات دقیق و وضوح بالا
🔹 صدای استریو بومی – هماهنگ‌سازی کامل صدا و تصویر
🔹 کنترل دقیق با چندین رفرنس – ترکیب حرکت دوربین، ظاهر شخصیت‌ها و جلوه‌های صوتی در یک پرامپت
🔹 مناسب برای تبلیغات، برندینگ و محتوای تجاری – نمایش دقیق متن‌ها و لوگوها
---
🎬 برای دیدن ویدیوهای بیشتر و دسترسی به مدل:
https://www.minimax.io/blog/minimax-h3
---
#MiniMax #تولید_ویدئو #هوش_مصنوعی #ویدئو_ساز #پیشرفت_فناوری
🆔 @asrgooyeshpardaz
🔥3🤯3❤1
عصر گویش | هوش مصنوعی
🎥 نمونه ویدیوی تولیدشده توسط MiniMax H3 این ویدیو توسط مدل جدید MiniMax H3 تولید شده که توانایی خارق‌العاده‌ای در ترکیب ورودی‌های چندوجهی و تولید ویدیوهای با کیفیت بالا دارد. در این نمونه، مدل با دریافت یک پرامپت ساده، توانسته صحنه‌ای پویا و سینمایی خلق کند.…
🌟 بررسی مدل ویدیویی H3 از شرکت MiniMax
همانطور که قبلاً در روز جمعه اعلام شده بود، شرکت چینی، مدل H3 خود را منتشر کرده که ویدیوهای کوتاه با صدا را بر اساس توضیحات متنی، تصاویر، ویدیوها و فایل‌های صوتی تولید می‌کند.
این مدل با 33 میلیارد پارامتر، کلیپ‌هایی با طول 4 تا 15 ثانیه، با نرخ 24 فریم در ثانیه، صدای استریو 32 کیلوهرتز و در نسبت‌های تصویر از 21:9 (عریض) تا 9:16 (عمودی) تولید می‌کند. برای دیالوگ‌های شخصیت‌ها از 11 زبان پشتیبانی می‌شوند.
کل سیستم H3 از سه بخش تشکیل شده است:
🟠 بخش H3-Context-IR: این بخش، درخواست کاربر را به همراه تمام ورودی‌ها (تصاویر، ویدیوها، فایل‌های صوتی) تجزیه و تحلیل می‌کند و آن را به یک فرمت داخلی تبدیل می‌کند که مدل با آن کار می‌کند.
🟢 بخش H3-Base: این بخش، با استفاده از فرمت داخلی، ویدیو را با وضوح 768p تولید می‌کند.
🟠 بخش H3-Regenerate-2K: این بخش، ویدیو تولید شده را به وضوح 2K ارتقا می‌دهد.
اما کل سیستم منتشر نشده است - فقط ماژولی که مستقیماً مسئول تولید ویدیو است، در دسترس قرار گرفته است. بخش‌های H3-Context-IR و H3-Regenerate-2K همچنان غیرقابل دسترس هستند.
🟡مدل H3-Base در دو نسخه منتشر شده است
مدل H3-Base-FL2VA: این نسخه با اولین و آخرین فریم کار می‌کند. اگر هیچ تصویری به عنوان ورودی وجود نداشته باشد، ویدیو بر اساس متن تولید می‌شود. در صورت وجود یک یا دو تصویر، ویدیو بر اساس فریم مشخص شده یا بین دو فریم تولید می‌شود.
مدل H3-Base-Ref2VA: این نسخه، ورودی‌های ترکیبی را دریافت می‌کند - حداکثر 9 تصویر، حداکثر 3 ویدیو و حداکثر 3 فایل صوتی، اما در مجموع، حداکثر 12 فایل. این سیستم، فایل صوتی را بدون تصویر یا ویدیو نمی‌پذیرد.
بر اساس رتبه‌بندی شرکت Artificial Analysis، مدل H3 در جایگاه اول در زمینه ویرایش ویدیو، دوم در تولید ویدیو بر اساس متن و سوم در تولید ویدیو بر اساس تصویر قرار دارد.
شرکت ComfyUI، یک راهنمای دقیق برای استفاده از این مدل در محیط خود تهیه کرده و جریان‌های کاری (workflow) پایه برای تولید ویدیو بر اساس متن و تصویر را منتشر کرده است.
علاوه بر ComfyUI، کتابچه‌های راهنما (cookbook) برای SGLang، vLLM و diffusers نیز وجود دارد، و همچنین راهنماهای مربوط به پرامپت (prompt) برای نسخه پایه و نسخه کامل (full-ref) ارائه شده است.
مجوز استفاده از این مدل، امکان آموزش مجدد آن را بر روی ویدیوها، شخصیت‌ها یا سبک‌های بصری خاص فراهم می‌کند. در حال حاضر، کد رسمی برای آموزش مجدد مدل در دسترس نیست.
⚠️ استفاده تجاری فقط برای شرکت‌هایی با درآمد کمتر از 20 میلیون دلار مجاز است.
📌مجوز:
MiniMax H3 Community License
🟡مدل
https://huggingface.co/MiniMaxAI/MiniMax-H3
#AI #ML #Video #H3 #Minimax
🆔 @asrgooyeshpardaz
همانطور که قبلاً در روز جمعه اعلام شده بود، شرکت چینی، مدل H3 خود را منتشر کرده که ویدیوهای کوتاه با صدا را بر اساس توضیحات متنی، تصاویر، ویدیوها و فایل‌های صوتی تولید می‌کند.
این مدل با 33 میلیارد پارامتر، کلیپ‌هایی با طول 4 تا 15 ثانیه، با نرخ 24 فریم در ثانیه، صدای استریو 32 کیلوهرتز و در نسبت‌های تصویر از 21:9 (عریض) تا 9:16 (عمودی) تولید می‌کند. برای دیالوگ‌های شخصیت‌ها از 11 زبان پشتیبانی می‌شوند.
کل سیستم H3 از سه بخش تشکیل شده است:
🟠 بخش H3-Context-IR: این بخش، درخواست کاربر را به همراه تمام ورودی‌ها (تصاویر، ویدیوها، فایل‌های صوتی) تجزیه و تحلیل می‌کند و آن را به یک فرمت داخلی تبدیل می‌کند که مدل با آن کار می‌کند.
🟢 بخش H3-Base: این بخش، با استفاده از فرمت داخلی، ویدیو را با وضوح 768p تولید می‌کند.
🟠 بخش H3-Regenerate-2K: این بخش، ویدیو تولید شده را به وضوح 2K ارتقا می‌دهد.
اما کل سیستم منتشر نشده است - فقط ماژولی که مستقیماً مسئول تولید ویدیو است، در دسترس قرار گرفته است. بخش‌های H3-Context-IR و H3-Regenerate-2K همچنان غیرقابل دسترس هستند.
🟡مدل H3-Base در دو نسخه منتشر شده است
مدل H3-Base-FL2VA: این نسخه با اولین و آخرین فریم کار می‌کند. اگر هیچ تصویری به عنوان ورودی وجود نداشته باشد، ویدیو بر اساس متن تولید می‌شود. در صورت وجود یک یا دو تصویر، ویدیو بر اساس فریم مشخص شده یا بین دو فریم تولید می‌شود.
مدل H3-Base-Ref2VA: این نسخه، ورودی‌های ترکیبی را دریافت می‌کند - حداکثر 9 تصویر، حداکثر 3 ویدیو و حداکثر 3 فایل صوتی، اما در مجموع، حداکثر 12 فایل. این سیستم، فایل صوتی را بدون تصویر یا ویدیو نمی‌پذیرد.
بر اساس رتبه‌بندی شرکت Artificial Analysis، مدل H3 در جایگاه اول در زمینه ویرایش ویدیو، دوم در تولید ویدیو بر اساس متن و سوم در تولید ویدیو بر اساس تصویر قرار دارد.
شرکت ComfyUI، یک راهنمای دقیق برای استفاده از این مدل در محیط خود تهیه کرده و جریان‌های کاری (workflow) پایه برای تولید ویدیو بر اساس متن و تصویر را منتشر کرده است.
علاوه بر ComfyUI، کتابچه‌های راهنما (cookbook) برای SGLang، vLLM و diffusers نیز وجود دارد، و همچنین راهنماهای مربوط به پرامپت (prompt) برای نسخه پایه و نسخه کامل (full-ref) ارائه شده است.
مجوز استفاده از این مدل، امکان آموزش مجدد آن را بر روی ویدیوها، شخصیت‌ها یا سبک‌های بصری خاص فراهم می‌کند. در حال حاضر، کد رسمی برای آموزش مجدد مدل در دسترس نیست.
⚠️ استفاده تجاری فقط برای شرکت‌هایی با درآمد کمتر از 20 میلیون دلار مجاز است.
📌مجوز:
MiniMax H3 Community License
🟡مدل
https://huggingface.co/MiniMaxAI/MiniMax-H3
#AI #ML #Video #H3 #Minimax
🆔 @asrgooyeshpardaz
❤2👍1
🎵 معرفی MiniMax Music 3؛ مدل متن‌باز تولید موسیقی با آواز
شرکت MiniMax وزن‌های مدل جدید خود را برای تولید موسیقی منتشر کرده است. این مدل می‌تواند قطعات کامل تا ۵ دقیقه با کیفیت ۳۲ کیلوهرتز استریو و فرمت ۱۶-bit WAV تولید کند. 🎶
---
🧩 نحوه‌ی کار با مدل
ورودی مدل شامل دو بخش اصلی است:
- متن آهنگ (با تگ‌هایی مثل
- توضیحات موسیقی (ژانر، سرعت، گام، نوع آکورد و...)
اگر حوصله‌ی نوشتن دستی ندارید، می‌توانید از یک ابزار کمکی به نام music-caption-rewriter استفاده کنید تا پرامپت شما را بهینه‌سازی کند.
---
⚙️ معماری فنی در دو سطح
سطح اول: مدل جهانی (Global LLM)
- یک مدل Qwen3-8B که برای درک ساختار کلی موسیقی تنظیم شده است.
- این مدل، چارچوب اصلی آهنگ را طراحی می‌کند و قدم‌به‌قدم، اولین کتاب‌کد صوتی (از ۱۶,۳۸۴ رمز) را پیش‌بینی می‌کند.
سطح دوم: مدل محلی (Local LLM)
- یک مدل ۰.۶ میلیارد پارامتری که در هر مرحله، ۷ کتاب‌کد صوتی دیگر را برای جزئیات دقیق صدا تولید می‌کند.
برخلاف روش‌های معمول که صدا را مستقیماً از توکن‌های گسسته کد می‌کنند، این مدل از روشی جدید استفاده می‌کند: ادغام حالات پنهان هر دو مدل و سپس عبور دادن آنها از یک زنجیره‌ی تولید شامل Flow Matching، Flow-VAE و در نهایت رمزگشا برای خروجی نهایی با کیفیت بالا.
---
💻 دسترسی و سخت‌افزار موردنیاز
- اجرا با SGLang، HuggingFace Diffusers و ComfyUI
- نسخه کامل: ۲۴ گیگابایت VRAM
- با فعال‌سازی CPU offloading: حدود ۲۲ گیگابایت
- با استریمینگ لایه‌به‌لایه: روی کارت‌های ۸ گیگابایت هم اجرا می‌شود (اما کندتر)
---
⚠️ محدودیت‌ها
🔸 پشتیبانی ندارد از تولید جریانی (Streaming) – فقط خروجی کامل
🔸 حداکثر طول پرامپت: ۵,۰۰۰ توکن
🔸 حداکثر طول خروجی: ۹,۰۰۰ فریم صوتی (حدود ۵ دقیقه)
---
📌 مجوز: MiniMax-Music3 Community License
---
🔗 لینک‌های مفید
🔹 صفحه‌ی پروژه
🔹 وزن‌های مدل
🔹 دموی آنلاین
🔹 گیت‌هاب
---
#MiniMax #موسیقی_با_هوش_مصنوعی #تولید_موسیقی #پیشرفت_فناوری
🆔 @asrgooyeshpardaz
شرکت MiniMax وزن‌های مدل جدید خود را برای تولید موسیقی منتشر کرده است. این مدل می‌تواند قطعات کامل تا ۵ دقیقه با کیفیت ۳۲ کیلوهرتز استریو و فرمت ۱۶-bit WAV تولید کند. 🎶
---
🧩 نحوه‌ی کار با مدل
ورودی مدل شامل دو بخش اصلی است:
- متن آهنگ (با تگ‌هایی مثل
[Chorus] یا [Solo])- توضیحات موسیقی (ژانر، سرعت، گام، نوع آکورد و...)
اگر حوصله‌ی نوشتن دستی ندارید، می‌توانید از یک ابزار کمکی به نام music-caption-rewriter استفاده کنید تا پرامپت شما را بهینه‌سازی کند.
---
⚙️ معماری فنی در دو سطح
سطح اول: مدل جهانی (Global LLM)
- یک مدل Qwen3-8B که برای درک ساختار کلی موسیقی تنظیم شده است.
- این مدل، چارچوب اصلی آهنگ را طراحی می‌کند و قدم‌به‌قدم، اولین کتاب‌کد صوتی (از ۱۶,۳۸۴ رمز) را پیش‌بینی می‌کند.
سطح دوم: مدل محلی (Local LLM)
- یک مدل ۰.۶ میلیارد پارامتری که در هر مرحله، ۷ کتاب‌کد صوتی دیگر را برای جزئیات دقیق صدا تولید می‌کند.
برخلاف روش‌های معمول که صدا را مستقیماً از توکن‌های گسسته کد می‌کنند، این مدل از روشی جدید استفاده می‌کند: ادغام حالات پنهان هر دو مدل و سپس عبور دادن آنها از یک زنجیره‌ی تولید شامل Flow Matching، Flow-VAE و در نهایت رمزگشا برای خروجی نهایی با کیفیت بالا.
---
💻 دسترسی و سخت‌افزار موردنیاز
- اجرا با SGLang، HuggingFace Diffusers و ComfyUI
- نسخه کامل: ۲۴ گیگابایت VRAM
- با فعال‌سازی CPU offloading: حدود ۲۲ گیگابایت
- با استریمینگ لایه‌به‌لایه: روی کارت‌های ۸ گیگابایت هم اجرا می‌شود (اما کندتر)
---
⚠️ محدودیت‌ها
🔸 پشتیبانی ندارد از تولید جریانی (Streaming) – فقط خروجی کامل
🔸 حداکثر طول پرامپت: ۵,۰۰۰ توکن
🔸 حداکثر طول خروجی: ۹,۰۰۰ فریم صوتی (حدود ۵ دقیقه)
---
📌 مجوز: MiniMax-Music3 Community License
---
🔗 لینک‌های مفید
🔹 صفحه‌ی پروژه
🔹 وزن‌های مدل
🔹 دموی آنلاین
🔹 گیت‌هاب
---
#MiniMax #موسیقی_با_هوش_مصنوعی #تولید_موسیقی #پیشرفت_فناوری
🆔 @asrgooyeshpardaz
MiniMax
Building AGI with our mission Intelligence with Everyone. Global leader in multi-modal models and AI-native products with over 200 million users.
❤4🔥1
📌 مدل MiniMax M3.1 Flash معرفی شد؛ مدلی ارزان و پرسرعت برای کارهای روزمره
شرکت MiniMax مدل M3.1 Flash را عرضه کرد. این مدل برای کدنویسی، تحقیق و کارهای خلاقانه ساخته شده است. نسخه پیش‌نمایش آن از اواخر سپتامبر در دسترس بود و حالا نسخه نهایی به MiniMax Code اضافه شده است.
🧠 مشخصات فنی
• معماری MoE با حدود ۴۲۸ میلیارد پارامتر که در هر لحظه فقط ۲۳ میلیارد پارامتر آن فعال است
• پنجره زمینه یک میلیون توکنی
• پذیرش ورودی متن، تصویر و ویدئو
• پنج سطح قابل تنظیم برای عمق استدلال، از low تا max
💰 قیمت API
• ورودی: ۰.۱۵ دلار به ازای هر میلیون توکن
• خروجی: ۰.۶۰ دلار به ازای هر میلیون توکن
📊 عملکرد
• مدل M3.1 Flash در آزمون مستقل KingBench 3 امتیاز ۶۶.۲۵٪ گرفت، بیش از دو برابر امتیاز M3 (۳۱.۲۵٪).
• در همین آزمون، Opus 5.5 امتیاز ۹۳.۷۵٪ گرفت. یعنی M3.1 Flash هنوز با مدل‌های پرچم‌دار فاصله دارد، اما با این قیمت پایین گزینه به‌صرفه‌ای است.
🔗 مستندات مدل
🔗 توییت
#AI #MiniMax #M31Flash #Coding #LLM
🆔 @asrgooyeshpardaz
شرکت MiniMax مدل M3.1 Flash را عرضه کرد. این مدل برای کدنویسی، تحقیق و کارهای خلاقانه ساخته شده است. نسخه پیش‌نمایش آن از اواخر سپتامبر در دسترس بود و حالا نسخه نهایی به MiniMax Code اضافه شده است.
🧠 مشخصات فنی
• معماری MoE با حدود ۴۲۸ میلیارد پارامتر که در هر لحظه فقط ۲۳ میلیارد پارامتر آن فعال است
• پنجره زمینه یک میلیون توکنی
• پذیرش ورودی متن، تصویر و ویدئو
• پنج سطح قابل تنظیم برای عمق استدلال، از low تا max
💰 قیمت API
• ورودی: ۰.۱۵ دلار به ازای هر میلیون توکن
• خروجی: ۰.۶۰ دلار به ازای هر میلیون توکن
📊 عملکرد
• مدل M3.1 Flash در آزمون مستقل KingBench 3 امتیاز ۶۶.۲۵٪ گرفت، بیش از دو برابر امتیاز M3 (۳۱.۲۵٪).
• در همین آزمون، Opus 5.5 امتیاز ۹۳.۷۵٪ گرفت. یعنی M3.1 Flash هنوز با مدل‌های پرچم‌دار فاصله دارد، اما با این قیمت پایین گزینه به‌صرفه‌ای است.
🔗 مستندات مدل
🔗 توییت
#AI #MiniMax #M31Flash #Coding #LLM
🆔 @asrgooyeshpardaz
❤4👏1