MiniMax、テキスト・画像・動画・音声を統合処理するオムニモーダル動画モデル「H3」を公開

記事の3ポイント

1. 1

   汎用マルチモーダルモデルへの転換

   MiniMax H3 は従来の個別の専門家モデル（テキストから動画、画像から動画など）を統合し、自然言語による参照や編集関係を表現する単一の事前学習パラダイムを採用した。

2. 2

   高度な生成仕様と制約

   同モデルは 2K 解像度で 4〜15 秒の整数秒動画を生み出し、ネイティブステレオ音声を付与するが、入力ファイル数は最大 12 個に制限される。

3. 3

   技術的革新とアーキテクチャ

   H3-VAE による高圧縮トークナイザーと H3-Omni Transformer の採用により、推論コストを削減しつつ 2K 生成を実現し、コンテキストの理解と生成タスクを分離した。