03ข่าว · ระดับเริ่มต้น
MiniMax H3 Image: โมเดลภาพ open source 16MP ใน 6 steps
ชื่อคลิปต้นฉบับ: MiniMax H3 Image : MiniMax's New Open Source AI Image Model Is INSANE
คลิปนี้พาอ่านหน้าโมเดล MiniMax H3 Image บน Hugging Face และลองสร้างภาพผ่าน Space ทางการ เหมาะกับผู้ที่อยากรู้ภาพรวมของโมเดลก่อนตัดสินใจดาวน์โหลดหรือทดลองใช้
สรุปสั้น
- MiniMax H3 Image สร้างภาพได้ถึง 16 megapixels ขณะที่โมเดลส่วนใหญ่ในตอนนี้ให้ภาพราว 1–4 megapixels
- โมเดลใช้ sampling 6 steps และโพสต์ทางการระบุว่าสร้างภาพ 4K ได้ใน 10 วินาที
- รองรับทั้ง text-to-image และ image editing โดยรับภาพ reference ได้สูงสุด 16 ภาพ
- diffusion transformer มี 33.1 พันล้านพารามิเตอร์ จำนวน 50 layers ทำงานร่วมกับ text encoder และ image VAE
- ผู้ทำคลิปเทียบ prompt เดียวกันกับ ChatGPT แล้วเห็นว่าผลจาก MiniMax H3 Image ไม่ด้อยกว่า
เนื้อหาในคลิป
MiniMax H3 Image คืออะไร
MiniMax H3 Image เป็นโมเดล text-to-image แบบ open source จาก MiniMax ที่รองรับ image editing ในตัว ผู้ทำคลิปทดลองผ่าน Hugging Face Space ทางการโดยสร้างภาพครั้งละ 4 ภาพ แล้วนำ prompt เดียวกันไปเทียบกับ ChatGPT เขาเห็นว่าผลจากโมเดลนี้อยู่ในระดับเดียวกัน หรือสวยและมีรายละเอียดมากกว่า
จุดขายหลักที่หน้าโมเดลระบุคือภาพขนาด 16 megapixels ด้วยต้นทุนประมวลผลที่ใช้งานได้จริง ซึ่งผู้ทำคลิปอธิบายว่าเทียบได้กับภาพราว 4096 x 4096 พิกเซล ขณะที่โมเดลส่วนใหญ่ในตอนนี้ให้ภาพราว 1–4 megapixels โมเดลรองรับ aspect ratio หลายแบบ ได้แก่ 1:1, 5:4, 4:3, 3:2, 2:3, 3:4, 16:9, 9:16 และ 21:9
ความสมจริง การทำตามคำสั่ง และภาพ reference
หน้าโมเดลอ้างว่า H3 Image ลดลักษณะ AI look ที่ดูออกทันทีว่าเป็นภาพจาก AI ให้ใกล้ภาพจริงมากขึ้น และทำตามคำสั่งได้ดีที่สุดในกลุ่มโมเดล open source ผู้ทำคลิปทดสอบด้วยภาพบุคคลจาก Unsplash เป็น character reference แล้วสั่งให้สร้างตัวละครเดิมในชุดสูทธุรกิจ ชุดนักบินอวกาศแนวอนาคต ชุด streetwear และเสื้อกาวน์นักวิทยาศาสตร์ ซึ่งได้ภาพออกมาตามที่สั่ง
โมเดลรับภาพ reference ได้สูงสุด 16 ภาพ ช่วยให้คุมตัวละครให้คงเดิมเมื่อสร้างภาพจากหลายมุม นอกจากนี้ MiniMax ยังปล่อยโมเดลอีกตัวคือ MiniMax H3 Image P ซึ่งทำหน้าที่ปรับปรุง prompt สำหรับงาน text-to-image เปิดใช้เป็นตัวเลือกเสริมใน Space ได้ และผู้ทำคลิปบอกว่านำไปใช้ปรับ prompt ร่วมกับโมเดลอื่นได้ด้วย
ขนาดไฟล์ architecture และความเร็ว
โมเดลหลักมีขนาด 68.65 GB ส่วน H3 Image P มีขนาด 17.9 GB โครงสร้างมีสามส่วน คือ text encoder ที่อ่านทั้ง prompt และภาพ reference, image VAE ที่แปลงภาพเป็น latent แบบบีบอัด และ diffusion transformer ขนาด 33.1 พันล้านพารามิเตอร์ จำนวน 50 layers ที่ทำหน้าที่สร้างภาพขั้นสุดท้าย
โมเดลใช้ sampling เพียง 6 steps ซึ่งผู้ทำคลิปเห็นตัวนับ step ใน Space ไล่ไปจนครบก่อนได้ภาพ และโพสต์ทางการระบุว่าสร้างภาพ 4K ได้ใน 10 วินาที เขามองว่าความน่าสนใจไม่ได้อยู่ที่การเป็นโมเดล text-to-image อีกตัวหนึ่ง แต่อยู่ที่การรวมความละเอียดสูง การแก้ภาพ ภาพ reference หลายภาพ และ sampling ที่สั้นไว้ในโมเดลเดียว
ผู้ทำคลิปยอมรับว่าภาพ 16MP ต้องใช้ทรัพยากรประมวลผลมากขึ้น แต่ยังถือว่าใช้งานได้จริงสำหรับการสร้างภาพทั่วไป ผู้ที่อยากลองทำได้สามทาง คือใช้ Space ทางการบน Hugging Face ดาวน์โหลดโมเดลมารันเองถ้าเครื่องมีพื้นที่พอ หรือเรียกใช้ผ่าน API
ข้อสรุปของผู้ทำคลิป
ผู้ทำคลิปมองว่า MiniMax H3 Image เป็นโมเดล open source ที่ควรให้ความสนใจ เพราะรวมภาพ 16MP การแก้ภาพ ภาพ reference หลายภาพ และ sampling 6 steps ไว้ในตัวเดียว
คำถามที่พบบ่อย
MiniMax H3 Image รองรับ aspect ratio อะไรบ้าง
ตามที่คลิปไล่ดูในหน้าโมเดล รองรับ 1:1, 5:4, 4:3, 3:2, 2:3, 3:4, 16:9, 9:16 และ 21:9
MiniMax H3 Image P คืออะไร
เป็นโมเดล open source อีกตัวที่ MiniMax ปล่อยมาพร้อมกัน ใช้ปรับปรุง prompt สำหรับงาน text-to-image มีขนาด 17.9 GB และผู้ทำคลิปบอกว่านำไปใช้ร่วมกับโมเดลอื่นได้
MiniMax H3 Image มีขนาดไฟล์เท่าไร
โมเดลหลักสำหรับ text-to-image และ editing มีขนาด 68.65 GB ตามที่ระบุในหน้าโมเดล
ลองใช้ MiniMax H3 Image ได้ที่ไหน
ลองได้ที่ Hugging Face Space ทางการซึ่งลิงก์จากหน้าโมเดล หรือดาวน์โหลดมารันเองถ้าเครื่องมีพื้นที่พอ และผู้ทำคลิปบอกว่าใช้ผ่าน API ได้อีกทางหนึ่ง
MiniMax H3 Image ทำตัวละครให้คงเดิมได้อย่างไร
อัปโหลดภาพตัวละครเป็น reference แล้วสั่งให้สร้างตัวละครเดิมในชุดหรือมุมใหม่ ในคลิปใช้ภาพเดียวสร้างตัวละครเดิมในสี่ชุด
