ওপেন-সোর্স এআই ভিডিও মডেল অবশেষে ধরে ফেলছে

নতুন ওপেন-সোর্স প্রতিদ্বন্দ্বী

আমি সরাসরি বলছি: যদি আপনি এক বছর আগে ওপেন-সোর্স ভিডিও জেনারেশন চেষ্টা করে হতাশায় ছেড়ে দিয়ে থাকেন, তাহলে আবার চেষ্টা করার সময় এসেছে। ল্যান্ডস্কেপ সম্পূর্ণ পরিবর্তিত হয়েছে।

Wan 2.2: MoE ব্রেকথ্রু

Alibaba-র Wan 2.2 বিশেষ মনোযোগ পাওয়ার যোগ্য। এটি প্রথম ওপেন-সোর্স ভিডিও মডেল যা Mixture-of-Experts আর্কিটেকচার ব্যবহার করে, যে পদ্ধতি GPT-4-কে এত শক্তিশালী করেছে। ফলাফল? কনজিউমার RTX 4090 কার্ডে 24fps-এ নেটিভ 720p চলে, AI আপস্কেলিংয়ের মাধ্যমে 1080p অর্জনযোগ্য।

মডেলটি ফিজিক্স আশ্চর্যজনকভাবে ভালোভাবে হ্যান্ডেল করে, অবজেক্ট পার্মানেন্স এবং গ্র্যাভিটি কনসিস্টেন্সি বজায় রাখে যা পূর্ববর্তী ওপেন মডেলগুলো ব্যর্থ হয়েছিল। এটি নিখুঁত নয়, তবে অর্থবহ হওয়ার জন্য যথেষ্ট কাছাকাছি।

HunyuanVideo 1.5: কম দিয়ে বেশি করা

Tencent HunyuanVideo 1.5-এর সাথে ভিন্ন পদ্ধতি নিয়েছে। স্কেল আপ করার পরিবর্তে, তারা স্কেল ডাউন করেছে, 13 বিলিয়ন থেকে 8.3 বিলিয়ন প্যারামিটারে, একই সাথে কোনোভাবে গতি এবং মান উভয়ই বাড়িয়েছে।

দক্ষতার উন্নতি গুরুত্বপূর্ণ কারণ এটি গুরুতর ভিডিও জেনারেশন ল্যাপটপ এবং ওয়ার্কস্টেশনে নিয়ে আসে, শুধু ডেটা সেন্টারে নয়।

Open-Sora 2.0: $200K এক্সপেরিমেন্ট

এখানে একটি উত্তেজক সংখ্যা: Open-Sora 2.0 প্রায় $200,000-এ প্রশিক্ষিত হয়েছে। প্রোপ্রাইটারি মডেলগুলোতে খরচ হওয়া শত শত মিলিয়নের সাথে তুলনা করুন। তবুও এটি 11-বিলিয়ন-প্যারামিটার HunyuanVideo-এর মান মেলায় এবং এমনকি Step-Video-র 30-বিলিয়ন-প্যারামিটার জায়ান্টকে চ্যালেঞ্জ করে।

ট্রেনিং কোড সম্পূর্ণ ওপেন। ওয়েটস ডাউনলোডযোগ্য। আর্কিটেকচার ডকুমেন্টেড। এটি কোনো রিসার্চ প্রিভিউ নয়, এটি একটি প্রোডাকশন-রেডি মডেল যা আপনি আজই চালাতে পারেন।

কেন ব্যবধান কমছে

তিনটি শক্তি একত্রিত হচ্ছে:

প্যাটার্নটি LTX-2 কনজিউমার GPU-তে 4K আনার সাথে যা ঘটেছিল তার প্রতিফলন, কিন্তু বড় স্কেলে।

ব্যবহারিক বাস্তবতা

"ধরে ফেলা" আসলে কী অর্থ বহন করে সে সম্পর্কে সৎ থাকতে দিন:

ওপেন-সোর্স এখনও রয় কোয়ালিটি এবং স্পিডে পিছিয়ে। কিন্তু অনেক ইউজ কেসের জন্য, সেই ব্যবধান আর গুরুত্বপূর্ণ নয়।

কার মনোযোগ দেওয়া উচিত?

ছয় মাসের পূর্বাভাস

বর্তমান গতিপথের উপর ভিত্তি করে, আমি আশা করি:

• ✓Q2 2026-এর মধ্যে সাব-10-সেকেন্ড জেনারেশন স্ট্যান্ডার্ড হয়ে যাবে
• ✓বছরের মাঝামাঝি রিয়েল-টাইম জেনারেশন প্রোটোটাইপ আসবে
• ○প্রোপ্রাইটারি মডেলের সাথে কোয়ালিটি প্যারিটি (এখনও 12-18 মাস দূরে)
• ✓মেইনস্ট্রিম ComfyUI অ্যাডপশন ত্বরান্বিত হচ্ছে

এই মডেলগুলোকে চালিত করা ডিফিউশন ট্রান্সফর্মার আর্কিটেকচার উন্নতি অব্যাহত রাখছে। প্রতি মাসে নতুন অপটিমাইজেশন, নতুন ট্রেনিং টেকনিক, নতুন এফিসিয়েন্সি গেইন আসছে।

শুরু করা

আপনি যদি এই মডেলগুলো নিজে চেষ্টা করতে চান:

1. Wan 2.2: RTX 4090 বা সমতুল্য প্রয়োজন। ComfyUI নোড সহ GitHub-এ পাওয়া যাচ্ছে।
2. HunyuanVideo 1.5: 14GB+ VRAM-এ চলে। Hugging Face ইন্টিগ্রেশন আছে।
3. Open-Sora 2.0: সম্পূর্ণ ট্রেনিং এবং ইনফারেন্স কোড GitHub-এ।

বৃহত্তর চিত্র

আমাকে সবচেয়ে উত্তেজিত করে তা নয় যে ওপেন-সোর্স ভিডিও আজ কোথায়, বরং এটি কোথায় যাচ্ছে। ফিজিক্স সিমুলেশন এবং নেটিভ অডিও জেনারেশন-এ প্রতিটি ব্রেকথ্রু অবশেষে ওপেন মডেলে প্রবাহিত হয়।

গণতন্ত্রীকরণ বাস্তব। টুলগুলো অ্যাক্সেসযোগ্য। ব্যবধান কমছে।

প্রিমিয়াম এআই ভিডিও সাবস্ক্রিপশন থেকে বঞ্চিত ক্রিয়েটরদের জন্য, অন-প্রিমাইজ সলিউশন প্রয়োজন এমন এন্টারপ্রাইজদের জন্য, সম্ভাবনার সীমানা ঠেলে দেওয়া গবেষকদের জন্য, এটি মনোযোগ দেওয়ার মুহূর্ত।

সাইকেল মোটরসাইকেল হয়ে যাচ্ছে। এবং সুপারকার রেস অনেক বেশি আকর্ষণীয় হয়ে উঠেছে।