شركة
2026-11-11 00:04
في أغسطس من هذا العام، افتتحت MiniMax أوزان نموذج توليد الفيديو H3، وهو أول نموذج فيديو مفتوح المصدر على الإطلاق يصل إلى مستوى SOTA.
في الأشهر التالية، لعب المجتمع حيلًا بناءً عليها تجاوزت العرض الرسمي بكثير، كما أنجبت عددًا من النماذج المشتقة مثل H3 max، والتي دفعت حقًا الصناعة الإبداعية للذكاء الاصطناعي خطوة إلى الأمام.
الآن، MiniMax لا ينوي حتى إخفاء نموذج توليد الصورة. تم الآن إطلاق MiniMax H3 Image رسميًا، مع التركيز على إنشاء الصور وتحريرها، واستهداف SOTA في نماذج الصور مفتوحة المصدر.
لقد اجتاز H3 السابق تدريبًا مسبقًا موحدًا كاملاً، ولديه القدرة على فهم وإنشاء الصور ومقاطع الفيديو والتسجيلات الصوتية والمحتويات الأخرى، بما في ذلك صور فنسنت وتحرير الصور.
هذه المرة، تعتمد H3 Image على القدرات الحالية لـ H3 وتقوم أيضًا بتحسين ما بعد التدريب لإنشاء الصور وتحريرها، مما يسمح للنموذج بأداء أفضل في اتباع التعليمات المعقدة وتفاصيل الصورة والجماليات المرئية.
التجربة الأكثر سهولة هي الدقة والسرعة. في اختبارنا الفعلي، يستغرق الأمر من 10 إلى 20 ثانية فقط لصورة H3 لإنشاء صورة عالية الوضوح بجودة 4096×4096، بدقة 4K.
وهذا يعني أنه في الماضي، كان من الممكن الآن إكمال الصور عالية الدقة التي كانت تتطلب في كثير من الأحيان الانتظار لعشرات الثواني أو حتى لفترة أطول، في غضون اثنتي عشرة ثانية. يدخل إنشاء الصور بمستوى 4K عصرًا مدته عشر ثوانٍ، ويمكن أخيرًا استخدام المزايا التفصيلية التي توفرها الدقة العالية في عمليات إنشاء يومية أكثر تكرارًا.
نحن نستخدم صورة H3 لإنشاء مجموعة متنوعة من الصور الجمالية للغاية، والتي تحقق أداءً جيدًا في CG ومشاهد الألعاب والتصميم الصناعي وأنماط فنية متنوعة.
كما يركز أيضًا على تعزيز القدرة على اتباع التعليمات المعقدة، ودعم ما يصل إلى 16 صورة مرجعية، ويمكنه فهم متطلبات الموضوعات والمواد والأسلوب المختلفة في نفس الوقت.
والأهم من ذلك، أن H3 Image سيتم فتح وزنها في يوم الإصدار، ويمكن للمطورين أيضًا الوصول إليها من خلال واجهة برمجة التطبيقات (API)، أو استخدامها في منصة MiniMax المفتوحة، ومنصة MCode وMiniMax Conch.
كما شهدت APPSO هذا النموذج الجديد مسبقًا. بالإضافة إلى الرسومات الجميلة، نريد أيضًا معرفة مدى تعقيد المتطلبات التي يمكن فهمها ومدى تفصيل الصورة.
يمكن رسم المتطلبات المعقدة بدقة
في الماضي، عندما اختبرنا نماذج الصور، كنا نولي اهتمامًا أكبر في كثير من الأحيان لما إذا كان بإمكانها رسم الكائنات التي تظهر في الكلمات السريعة.
لكن في العمل الفعلي، غالبًا ما تكون المتطلبات التي نقدمها للمصممين أكثر تعقيدًا. على سبيل المثال، كيف ينبغي تجميع أجزاء المنتج، وما هي العناصر التي يجب الاحتفاظ بها في منطقة معينة، وما هي الروابط بين الرسومات المرجعية المختلفة. يحتاج النموذج إلى فهم هذه الشروط قبل أن يتمكن من رسم الصورة الصحيحة.
هذه المرة، بدأنا بالتصميم الهيكلي لمنتج صناعي وسمحنا لـ H3 Image بإنشاء رؤية شاملة لآلة صنع القهوة المستقبلية. يجب أن يُظهر هيكل صومعة الحبوب، والمطحنة، ووحدة التخمير، وخزان المياه، وما إلى ذلك، مع الإشارة إلى علاقة الاتصال لكل جزء، والحفاظ على اتساق تصميم المنتج.
بالإضافة إلى البنية الميكانيكية، تعد معالجة النصوص أيضًا مشكلة صعبة غالبًا ما تواجهها نماذج توليد الصور. على وجه الخصوص، من الضروري ليس فقط كتابة الكلمات بشكل صحيح، ولكن أيضًا مراعاة تصميم الخط وتكوين الصورة والتأثير البصري العام.
بالنسبة للملصقات ذات الأحرف الكبيرة، يحتاج النموذج إلى التعامل مع محتوى النص وتصميم الخط والتكوين المرئي في نفس الوقت. في المشاهد التي تحتوي على فقرات كبيرة من نص صغير، ستصبح دقة النص ومستوى المعلومات والتنضيد مشكلات جديدة أيضًا.
لقد طلبنا أولاً من H3 Image إنشاء ملصق آرت ديكو كلاسيكي جديد مع موضوع فينيكس، والذي يجمع بين الأساطير الغربية والنقوش القديمة وأنماط الزخرفة الفيكتورية والطباعة البسيطة الحديثة.
تعرض صورة H3 بدقة العنوان PHOENIX MYTH والعنوان الفرعي Eternal Rebirth of the Fire Bird.
فيما يتعلق بأداء صورة H3 على الطباعة الصغيرة، وجدنا رسالة مفتوحة لـ Huang Jen-Hsun والتي أحدثت الكثير من الضجيج خلال هذه الفترة، وطلبنا من H3 Image إنشاء نسخة ذات رأسية تم وضعها على سطح المكتب.
يتم إنشاء النص الموجود في الصورة بدقة بشكل أساسي، ولا توجد أخطاء واضحة، والنمط العام يتوافق مع النمط المحيط بالصورة. إذا نظرت بعناية إلى التفاصيل حول ورقة الرسالة، فكلها مرتبطة بـ Lao Huang.
يمكننا أيضًا توليد مشهد حنين: سترة جلدية كلاسيكية معلقة على الحائط، مصحوبة بالمونولوج على الآلة الكاتبة، "لقد كنت أرتديها منذ 30 عامًا".
لقد حاولنا أيضًا استخدام صورة H3 لإنشاء واجهة لعبة أكثر تعقيدًا. يشبه عرض النص والتخطيط في الصورة تلك الخاصة بألعاب البقاء على قيد الحياة، حيث يُظهر مستويات الحياة والقوة السحرية والقوة البدنية.
علاوة على ذلك، يعتمد الأمر على ما إذا كانت الصورة قادرة على فهم المنطق بين النص والصور. وهذا يتطلب منه أن يكون لديه القدرة على فهم الدلالات، وكذلك المعرفة في العلوم والرياضيات والأحياء وغيرها، وأن يكون قادرًا على تقديم المنطق بدقة وجمال.
من البنية الميكانيكية إلى تخطيط النص إلى فهم المعرفة، تشير هذه الحالات في الواقع إلى نفس السؤال: ما إذا كان النموذج يمكنه حقًا فهم المعلومات التي يريد المستخدم التعبير عنها وتحويلها بدقة إلى صورة.
هذه المرة تدعم صورة H3 ما يصل إلى 16 صورة كمرجع. هذا يعني أنه يمكننا تقديم وجهات نظر مختلفة للمنتج، ومراجع المواد، وعناصر العلامة التجارية، وصور المشهد كلها مرة واحدة، ثم نطلب من النموذج دمج هذه المعلومات في نفس القطعة.
ما يستحق التطلع إليه أكثر هو أن H3 Image يمكنها هذه المرة أيضًا الوصول إلى Agent Harness مثل MiniMax Code وClaude Code وCodex من خلال واجهة برمجة التطبيقات (API)، والمشاركة بشكل مباشر في عمليات المهام الأكثر تعقيدًا.
بمعنى آخر، يمكننا طرح المتطلبات الإبداعية مباشرةً في مربع الحوار الخاص بالوكيل، والسماح للوكيل بتنظيم المهام، واستدعاء صورة H3 لإنشاء الصور، ثم تعديل التصميم بشكل مستمر من خلال المحادثات اللاحقة.
اسحب لليسار لرؤية المزيد
تمامًا مثل هذه الحالة الخاصة باستخدام MiniMax H3 Image لإنشاء مخططات تفكيك انفجار محرك V8 في Codex، من خلال جمع العميل وتنظيم المعلومات، تكون مخططات التفكيك النهائية التي تم إنشاؤها واقعية للغاية.
بالنسبة للوكيل، فإنه يحتاج إلى إدارة السياق والآراء الصحيحة للمستخدم بشكل مستمر؛ بالنسبة لصورة H3، فإنها تحتاج إلى فهم التعليمات المعقدة التي جمعها الوكيل وتنفيذها بأكبر قدر ممكن من الدقة. تطرح طريقة العمل هذه أيضًا متطلبات أعلى لقدرة نموذج الصورة على اتباع التعليمات وفهم المعلومات المعقدة.
يمكن لنموذج توليد الصور مفتوح المصدر H3 Image بالفعل فهم المتطلبات المعقدة وإجراء تعديلات دقيقة والحفاظ على الاتساق في الإنشاء المستمر. هذا هو المكان الذي يبدأ فيه الاندماج حقًا في سير عمل الوكيل.
على وجه الخصوص، لا تزال الصور التي تم إنشاؤها بواسطة العديد من نماذج توليد الصور السائدة الحالية تبلغ مليون بكسل أو أربعة ملايين بكسل، في حين يمكن لـ H3 Image إنشاء صور فائقة الوضوح بدقة 4096 × 4096، مع وصول عدد البكسلات إلى جودة 4K.
وهذا يعني أنه في سير العمل اللاحق، حتى لو قمنا بتكبير أو قص أجزاء من الصورة، ستظل هناك تفاصيل كافية متاحة. سواء كان الأمر يتعلق بتصميم المنتج، أو الملصقات التجارية، أو المواد المرئية التي يجب عرضها على الشاشة الكبيرة، فهناك مساحة أكبر للمعالجة اللاحقة.
ما عليك سوى الاعتماد على كلمة سريعة لاستخلاص إحساس حقيقي بالجمال
الفهم القوي لا يعني بالضرورة جماليات جيدة. لقد رأينا العديد من أنظمة الذكاء الاصطناعي التي يمكنها الالتزام الصارم بالكلمات السريعة، لكن الأشياء التي ترسمها تكون دائمًا أقل إثارة للاهتمام.
تمامًا مثل GPT-Image، لدى العديد من الأشخاص انطباع بأنها تولد رسومات معلومات قوية جدًا، ولكن عندما يتعلق الأمر بإنشاء صور منمقة للغاية مثل Midjourney، فإن GPT-Image أيضًا ضعيفة بعض الشيء.
بالنسبة لصور الذكاء الاصطناعي، وخاصة المشاهد مثل CG وتصميم مفهوم اللعبة والرسوم التوضيحية، لا يمكننا في كثير من الأحيان وصف التكوين واللون والجو المطلوب بشكل كامل. يمكننا فقط إعطاء اتجاه عام يعتمد بشكل أساسي على المستوى الجمالي للنموذج.
هذه المرة لاختبار جماليات صورة H3، وجدنا بعض الصور المرجعية التي أعجبتنا في Midjourney. لقد طلبنا أولاً من ChatGPT تحليل التركيب والضوء والمواد الموجودة في الصورة إلى كلمات سريعة، ثم استخدمنا هذه الكلمات السريعة لتوجيه الأسئلة إلى H3 Image.
على سبيل المثال، في صور سباق الخيل المليئة بالسرعة، أوضحنا بالكلمات السريعة أن النمط الأساسي للصور هو التصوير الفوتوغرافي الديناميكي السينمائي، والتصوير الفوتوغرافي بتتبع الحركة البطيئة، وجماليات الأفلام الرياضية القديمة.
يمكن لصورة H3 أن تصور بدقة اللطاخة الأفقية الناتجة عن الجري عالي السرعة للحصان، والخلفية الخضراء الداكنة، والخيول المضاءة بغروب الشمس الذهبي، والمساحة الكبيرة المظلمة والمجردة السلبية في الصورة.
وغني عن القول أنه لا يوجد نكهة للذكاء الاصطناعي. عندما ترى هذه الصور يتم إنشاؤها، يكون هناك شعور قوي بوجود فيلم رائج، بعد أن أمضى المصورون الكثير من الوقت في تنقيح الصور.
نستمر في استخدام هذه المجموعة من الكلمات السريعة لاختبار مشاهد رياضية مختلفة، بدءًا من السباقات وركوب الدراجات والتزلج إلى السيارات المتحركة وتشغيل الأشخاص والحيوانات، لنرى ما إذا كانت صورة H3 يمكنها تقديم جمال السرعة والنسيج غير المثالي ولكن المتحرك في التصوير الفوتوغرافي.
كل صورة عاطفية للغاية، حيث يتحلل الهدف المتحرك تدريجيًا إلى آثار الضوء واللون والوقت.
لإنشاء صور شخصية، طلبنا من H3 Image إنشاء عدة صور لتصوير فيلم فلاش مباشر قديم + تصوير وثائقي لأسلوب الحياة + جماليات مجلة أزياء مستقلة.
الصورة الناتجة تشبه لحظة عشوائية التقطها صديق في حفلة خاصة. لا توجد أوضاع مرتبة بعناية، ولكنها أكثر أهمية من الصورة الرسمية.
وتجدر الإشارة بشكل خاص إلى واقعية الشخصيات التي تظهر في هذه الصور. يحتفظ الجلد بملمسه الطبيعي، وتكون تفاصيل الشعر والملابس والضوء والظل غنية بما فيه الكفاية، دون الملمس الدهني المفرط للبشرة الشائع في العديد من الصور التي تم إنشاؤها بواسطة الذكاء الاصطناعي.
عند نسخ هذا النمط إلى صور أخرى، يمكنك أيضًا رؤية قدرة H3 Image على التحكم في النمط. تم بنجاح إنشاء التباين القوي بين الضوء والظلام الناتج عن الفلاش المباشر في الليل، واللحظة التي لا يمكن السيطرة عليها عندما تضحك الشخصية بشكل طبيعي، والتركيبة الفوضوية قليلاً، والألوان الزهرية الغنية، والملمس غير المعدل للقطة الفيلم.
تشتمل الصور الشخصية المشابهة على فيلم ثابت بجماليات شرقية كلاسيكية قمنا بإنشائها باستخدام صورة H3، ودمج التصوير الفوتوغرافي لأفلام الأزياء الصينية، والضوء والظل الطبيعيين، والملمس البصري للفيلم القديم.
يبدو أن هذه الصور تعيد خلق لحظة عادية وحميمة في الحياة القديمة. ضوء الشمس بعد الظهر الذي يمر عبر الأوراق يضيء وجوه الشخصيات بلطف. تعمل التعابير الطبيعية وظلال الأشجار المرقطة على تحويل الصورة إلى ذاكرة سينمائية ستظل عزيزة بمرور الوقت.
في عملية إعادة إنتاج شاشة اللعبة الفعلية لـ GTA V، قمنا أيضًا بتحديد النمط ومنظور الشخص الثالث في الكلمة السريعة، وطلبنا من H3 Image إنشاء لقطة شاشة للعبة ثلاثية الأبعاد لعالم مفتوح مع النمط المرئي الفعلي للعبة "Grand Theft Auto V".
تدرك H3 Image تمامًا أن ما نريده هو "رسومات لعبة GTA"، وليس "نمط GTA" البسيط. العديد من الصور تشبه الإطار الذي تم التقاطه بشكل عشوائي من قبل اللاعبين في عالم GTA المفتوح. إنها مختلفة عن الصور الأخرى التي تم إنشاؤها بواسطة الذكاء الاصطناعي. الصور الأخرى التي تم إنشاؤها بواسطة الذكاء الاصطناعي تشبه إلى حد كبير الصور الترويجية الرسمية المنتجة بعناية.
لقد أنشأنا أيضًا العديد من الصور عالية الأسلوب، وكلها في شكل صور Vincentian تم إنشاؤها مباشرة في وقت واحد. لا يوجد مرجع صورة إضافية. من خلال الكلمات السريعة لمرة واحدة فقط، يمكن أن تكون صورة H3 خالية تمامًا من الذكاء الاصطناعي من الناحية الجمالية بينما تصور أيضًا النمط الذي نطلبه بدقة.
بالنسبة للمبدعين الذين لديهم صور مرجعية بالفعل، يمكننا استخدام GPT-Image لاستخراج الكلمات المطالبة بالنمط المقابل، أو يمكننا استخدام الوظيفة المرجعية لصورة H3 مباشرةً لتطبيق طريقة تتبع التركيز البؤري لصورة معينة، أو رسم توضيحي لكشف ضربات الفرشاة في الجزء السفلي من الورقة، ثم وضعها على موضوع آخر.
عندما يمكن أخذ فهم التعليمات المعقدة والجماليات البصرية بعين الاعتبار في نفس الوقت، سيكون لنموذج الصورة استخدامات عملية أكثر. بدءًا من رسومات مفاهيم الألعاب وملصقات العلامات التجارية وحتى المخططات الهيكلية للمنتج وخطط التصميم، فإن عدد المرات التي يحتاج فيها المستخدمون إلى شرح احتياجاتهم بشكل متكرر وضبط الكلمات السريعة لديه الفرصة لتقليلها بشكل أكبر.
من الفيديو إلى الصور، يفتح MiniMax إمكانيات متعددة الوسائط
بالعودة إلى صورة H3، يجب أن يكون الجانب الأكثر جدارة بالملاحظة في هذا الإصدار هو المصدر المفتوح.
سواء كان نموذج إنشاء الفيديو في البداية أو توليد الصور الحالي، فهذه هي المجالات التي تتطلب منذ فترة طويلة قوة حوسبة عالية وبيانات تدريب وقدرات نموذجية.
وخاصة أفضل نماذج التوليد المرئي، في كثير من الحالات، لا يمكننا استخدامها إلا من خلال المنتجات الرسمية أو واجهات برمجة التطبيقات. ما يمكن أن يفعله النموذج، وكيف يعمل، وكيف يمكن تعديله بشكل أكبر لا يزال يعتمد على مزود الخدمة.
لقد حوّل المصدر المفتوح لـ MiniMax النموذج من منتج الشركة إلى نقطة بداية لمزيد من المستخدمين والمطورين لمواصلة الإنشاء: لا يمكنهم فقط استخدام النماذج الجاهزة، ولكن لديهم أيضًا الفرصة للنشر والضبط والتحسين وفقًا لاحتياجاتهم الخاصة، وتطوير أدوات إنشاء جديدة حوله، ودمج إمكانات النموذج في المنتجات الحالية وسير العمل.
بالنسبة للمحتوى والصناعة الأوسع، فإن H3 Image، باعتبارها نموذج صورة مفتوح المصدر لـ SOTA، تمنح الجميع خيارًا جديدًا. على سبيل المثال، يمكن لمطوري الألعاب محاولة إنشاء عملية إنشاء مواد تتوافق مع أسلوبهم الفني الخاص، ويمكن لفرق التصميم إنشاء سير عمل آلي لمنتجات معينة، كما تتاح للمطورين الفرديين أيضًا فرصة إنشاء تطبيقاتهم الإبداعية الخاصة حول النموذج المفتوح.
من مقاطع الفيديو إلى الصور، جنبًا إلى جنب مع النص والصوت والنماذج الأخرى، يشكل التصميم متعدد الوسائط لـ MiniMax تدريجيًا مصفوفة قدرات أكثر اكتمالاً. لقد أثبتت H3 ذات مرة أنه عند فتح الوزن، فإن طريقة اللعب والنماذج المشتقة وسير العمل الناشئة من المجتمع تتجاوز بكثير حدود العرض الرسمي، كما أنها تحققت من أن النموذج مفتوح المصدر يمكنه أيضًا دعم التسويق القوي.
بالنسبة لنا، الشيء الأكثر إثارة هو أن قدرات الجيل المرئي من المستوى الأول لم تعد قادرة على الاعتماد على عدد قليل من الخدمات المغلقة.
عندما يصبح من الممكن إتاحة النماذج الإبداعية التي تتسم بالذكاء الكافي والجمال الكافي للمطورين، ستتاح الفرصة لعدد أكبر من الأشخاص لتحويل أفكارهم إلى أدوات وأعمال تنتمي إليهم حقًا.
*تم إنشاء جميع الصور في هذه المقالة باستخدام صورة MiniMax H3
تشانغ زيهاو
تم نشر ما مجموعه 201 مقالة
هذه المقالة تأتي من العمود
المادة السابقة2026-11-10 17:30
يضغط "تيرنوس" على رئيس "سيري"، ولا يستطيع الذكاء الاصطناعي لشركة "آبل" الانتظار أكثر من ذلك
تطبيق ايفنار
أسلوب الحب، يجعل المستقبل في متناول اليد
العلامات التجارية الرقمية العصرية التي تركز على منتجات الغد
الأدوات المتقدمة، الأنبياء أولاً، دليل إلهام AIGC
حقبة جديدة من صناعة السيارات، مسافرو الغد
استكشف أنماط الحياة الجديدة في المدينة وكن دليلك لحياة الغد
حقوق الطبع والنشر © شراكة إدارة الاستثمار في قوانغتشو Liwo Zhiyuan (شراكة محدودة) 2008 - 2026. يتطلب استخدام محتوى موقع Aifaner للأغراض التجارية الحصول على إذن. الاستخدام غير التجاري مرخص بموجب CC BY-NC 4.0.
كل المحتوى متاح بموجب CC BY-NC 4.0 للاستخدام غير التجاري. يحظر الاستخدام التجاري لهذا المحتوى دون الحصول على إذن صريح.
