MiniMax H3-এর স্পিড-আপ LoRA আসলে কতটা দ্রুত? FL2 ও REF4-এ ২০টি ভিডিওর তুলনা
FL2-এর arry v4_step600 এবং REF4-এর PDD Ref2VA-তে স্পিড-আপ LoRA সহ ও ছাড়া ২০টি ভিডিও তুলনা করা হয়েছে। জেনারেশনের সময় ও ভিডিওর পার্থক্য বাস্তবে মাপা হয়েছে।
MiniMax H3-এর FL2 ও REF4-এ স্পিড-আপ LoRA যোগ করার পর, একই শর্তে জেনারেশনের সময় কতটা বদলায় তা পরীক্ষা করেছি।
ব্যবহৃত কনফিগারেশনটি এমন ছিল।
- FL2:
arry v4_step600। সাধারণ সংস্করণে 20step, স্পিড-আপ LoRA সংস্করণে 8step - REF4:
PDD Ref2VA। সাধারণ সংস্করণে 20step, স্পিড-আপ LoRA সংস্করণে 8step - সব ভিডিও 8 সেকেন্ড, 768×1344, 24fps
- প্রতিটি জোড়ায় একই প্রম্পট, একই seed এবং একই রেফারেন্স ছবি ব্যবহার করা হয়েছে
- বামে স্পিড-আপ LoRA ছাড়া, ডানে স্পিড-আপ LoRA সহ
পরীক্ষায় ছিল পাঁচ ধরনের পরিস্থিতি: দ্রুত নড়াচড়া, তীব্র দৃশ্যান্তর, প্রায় স্থির ভিডিও, চুল ও কাপড়ের সূক্ষ্ম বিবরণ, এবং ক্যামেরা মুভমেন্ট ও ফোরগ্রাউন্ড অবরোধ। FL2-এ 10টি, REF4-এ 10টি—মোট 20টি ভিডিও তৈরি করেছি।
FL2 — arry v4_step600
1. দ্রুত নড়াচড়া
বৃষ্টিভেজা নিয়ন শহরে পারকুরের ভিডিও। দ্রুত চলাচল, পানির ছিটা, কাপড় ও চুলের অনেক নড়াচড়াসহ শর্ত রাখা হয়েছিল।
| স্পিড-আপ LoRA ছাড়া・20step | স্পিড-আপ LoRA সহ・8step |
|---|---|
 再生 |
 再生 |
স্পিড-আপ LoRA ছাড়া 504 সেকেন্ড (8 মিনিট 24 সেকেন্ড), আর সহ 272 সেকেন্ড (4 মিনিট 32 সেকেন্ড) লেগেছে। LoRA ছাড়া দিকটিতে প্রথমবার FL2-কে VRAM-এ লোড করার সময়ও অন্তর্ভুক্ত। LoRA-সহ দিকটিতে প্রথম সুইচের সময় একবার কনটেইনার সংযোগ বিচ্ছিন্ন হয়েছিল, তাই সফল পুনঃচেষ্টার সময় দেওয়া হয়েছে।
2. তীব্র দৃশ্যান্তর
ক্রোমের হামিংবার্ডটিকে স্থির রেখে একে একে জাদুঘর, জঙ্গল, গলিত ধাতুর চুল্লি, বরফের গুহা, কাগজের শহর ও মহাকাশে দৃশ্য বদলানো হয়েছে।
| স্পিড-আপ LoRA ছাড়া・20step | স্পিড-আপ LoRA সহ・8step |
|---|---|
 再生 |
 再生 |
স্পিড-আপ LoRA ছাড়া 454 সেকেন্ড (7 মিনিট 34 সেকেন্ড), সহ 236 সেকেন্ড (3 মিনিট 56 সেকেন্ড)। এই জোড়ায় প্রায় 1.92 গুণ দ্রুত ছিল।
3. কম পরিবর্তনের ভিডিও
একজন ঘড়িসাজিয়ের স্থির ক্যামেরা শট। শুধু পলক ফেলা, কয়েক মিলিমিটারের টুইজার নড়াচড়া, সেকেন্ডের কাঁটা ও ধুলো নড়ানো হয়েছে।
| স্পিড-আপ LoRA ছাড়া・20step | স্পিড-আপ LoRA সহ・8step |
|---|---|
 再生 |
 再生 |
স্পিড-আপ LoRA ছাড়া 447 সেকেন্ড (7 মিনিট 27 সেকেন্ড), সহ 233 সেকেন্ড (3 মিনিট 53 সেকেন্ড)। নড়াচড়া কম হলেও জেনারেশনের সময় তেমন বদলায়নি; পার্থক্য ছিল প্রায় 1.92 গুণ।
4. চুল ও কাপড়ের সূক্ষ্ম বিবরণ
রুপালি সুতো জড়ানো স্বচ্ছ শিফন পোশাক পরে দ্রুত ঘোরা। দ্রুত করার সময় কাপড় ও চুল কতটা ভেঙে যায়, তা দেখার জন্য এই শর্ত।
| স্পিড-আপ LoRA ছাড়া・20step | স্পিড-আপ LoRA সহ・8step |
|---|---|
 再生 |
 再生 |
স্পিড-আপ LoRA ছাড়া 448 সেকেন্ড (7 মিনিট 28 সেকেন্ড), সহ 234 সেকেন্ড (3 মিনিট 54 সেকেন্ড)। এটিও প্রায় 1.91 গুণ দ্রুত ছিল।
5. ক্যামেরা মুভমেন্ট ও ফোরগ্রাউন্ড অবরোধ
বনের মধ্যে চলা মাউন্টেন বাইক। ফার্ন পাতা দিয়ে পুরো দৃশ্য ঢেকে, সেই সময় ক্যামেরাকে 180 ডিগ্রি ঘুরিয়ে নেওয়া হয়েছে।
| স্পিড-আপ LoRA ছাড়া・20step | স্পিড-আপ LoRA সহ・8step |
|---|---|
 再生 |
 再生 |
স্পিড-আপ LoRA ছাড়া 448 সেকেন্ড (7 মিনিট 28 সেকেন্ড), সহ 234 সেকেন্ড (3 মিনিট 54 সেকেন্ড)। বড় ক্যামেরা মুভমেন্টের অবস্থাতেও প্রায় 1.91 গুণ দ্রুত ছিল।
FL2-এর VRAM আগে থেকেই লোড থাকা 4টি কেসের গড় নিলে, LoRA ছাড়া 449.25 সেকেন্ড এবং সহ 234.25 সেকেন্ড। এই পরিবেশে ফল দাঁড়িয়েছে প্রায় 1.92 গুণ।
REF4 — PDD Ref2VA
REF4-এ ChatGPT-এর ইমেজ জেনারেশন দিয়ে বানানো 6-ফ্রেমের স্টোরিবোর্ডকে একটি রেফারেন্স ছবি হিসেবে দেওয়া হয়েছিল।
1. দ্রুত নড়াচড়া
FL2-এর মতো একই পারকুর প্রবাহকে 6টি ফ্রেমের পোজ থেকে ভিডিওতে রূপ দেওয়া হয়েছে।
| স্পিড-আপ LoRA ছাড়া・20step | স্পিড-আপ LoRA সহ・8step |
|---|---|
 再生 |
 再生 |
স্পিড-আপ LoRA ছাড়া 481 সেকেন্ড (8 মিনিট 1 সেকেন্ড), সহ 299 সেকেন্ড (4 মিনিট 59 সেকেন্ড)। LoRA ছাড়া দিকটিতে REF4-কে VRAM-এ লোড করার সময় অন্তর্ভুক্ত। LoRA-সহ দিকটিতে প্রথম চেষ্টা ডিকোডের সময় সংযোগ বিচ্ছিন্ন হওয়ায়, সফল পুনঃচেষ্টার সময় দেওয়া হয়েছে।
2. তীব্র দৃশ্যান্তর
একই হামিংবার্ড ও ছয় ধরনের জগতকে 6-ফ্রেমের স্টোরিবোর্ড থেকে বিস্তৃত করা হয়েছে।
| স্পিড-আপ LoRA ছাড়া・20step | স্পিড-আপ LoRA সহ・8step |
|---|---|
 再生 |
 再生 |
স্পিড-আপ LoRA ছাড়া 424 সেকেন্ড (7 মিনিট 4 সেকেন্ড), সহ 251 সেকেন্ড (4 মিনিট 11 সেকেন্ড)। প্রায় 1.69 গুণ দ্রুত ছিল।
3. কম পরিবর্তনের ভিডিও
ঘড়িসাজিয়ের সূক্ষ্ম পরিবর্তনগুলো 6টি ফ্রেমে সাজানো হয়েছে। স্পিড-আপ LoRA-সহ দিকটিতে স্টোরিবোর্ডের ফ্রেম-বিন্যাস সরাসরি ভিডিওতেই রয়ে গেছে।
| স্পিড-আপ LoRA ছাড়া・20step | স্পিড-আপ LoRA সহ・8step |
|---|---|
 再生 |
 再生 |
স্পিড-আপ LoRA ছাড়া 418 সেকেন্ড (6 মিনিট 58 সেকেন্ড), সহ 247 সেকেন্ড (4 মিনিট 7 সেকেন্ড)। সময়ে প্রায় 1.69 গুণ দ্রুত হলেও, এবার দৃশ্যগত পার্থক্য বেশ বড়।
4. চুল ও কাপড়ের সূক্ষ্ম বিবরণ
একই নৃত্যশিল্পীর ঘূর্ণনকে 6টি ফ্রেমে রেফারেন্স করা হয়েছে। এখানে LoRA সহ ও ছাড়া—দুই ক্ষেত্রেই তুলনামূলকভাবে পরিষ্কারভাবে পূর্ণ-স্ক্রিন ভিডিওতে রূপ দেওয়া গেছে।
| স্পিড-আপ LoRA ছাড়া・20step | স্পিড-আপ LoRA সহ・8step |
|---|---|
 再生 |
 再生 |
স্পিড-আপ LoRA ছাড়া 420 সেকেন্ড (7 মিনিট 0 সেকেন্ড), সহ 249 সেকেন্ড (4 মিনিট 9 সেকেন্ড)। প্রায় 1.69 গুণ দ্রুত ছিল।
5. ক্যামেরা মুভমেন্ট ও ফোরগ্রাউন্ড অবরোধ
মাউন্টেন বাইকের কাছে আসা, ফোরগ্রাউন্ড ওয়াইপ এবং পেছন দিকে ঘুরে যাওয়ার নির্দেশনা 6টি ফ্রেমে দেওয়া হয়েছে। এবার উভয় ক্ষেত্রেই ফ্রেম-বিন্যাসের কাঠামো বেশ রয়ে গেছে।
| স্পিড-আপ LoRA ছাড়া・20step | স্পিড-আপ LoRA সহ・8step |
|---|---|
 再生 |
 再生 |
স্পিড-আপ LoRA ছাড়া 419 সেকেন্ড (6 মিনিট 59 সেকেন্ড), সহ 248 সেকেন্ড (4 মিনিট 8 সেকেন্ড)। প্রায় 1.69 গুণ দ্রুত ছিল।
REF4-এর VRAM আগে থেকেই লোড থাকা 4টি কেসের গড় নিলে, LoRA ছাড়া 420.25 সেকেন্ড এবং সহ 248.75 সেকেন্ড। এই পরিবেশে ফল দাঁড়িয়েছে প্রায় 1.69 গুণ।
পরীক্ষা থেকে যা জানা গেল
শুধু জেনারেশনের সময় দেখলে, স্পিড-আপ LoRA-এর প্রভাব বেশ বড়। FL2-এ সময় প্রায় অর্ধেক, REF4-এও প্রায় 40% কমানো গেছে। প্রম্পট ও কম্পোজিশন পরিমার্জনের সময় প্রোটোটাইপ তৈরিতে এটি বেশ সুবিধাজনক মনে হচ্ছে।
তবে REF4-এ একটি ফ্রেম-বিভক্ত স্টোরিবোর্ড দিলে, কখনও কখনও সেটি সেই গ্রিডকেই কম্পোজিশন হিসেবে শিখে নেয়। বিশেষ করে স্পিড-আপ LoRA-সহ কিছু ক্ষেত্রে ফ্রেম-বিভাজন দীর্ঘ সময় রয়ে গেছে। REF4-এ স্বাভাবিক পূর্ণ-স্ক্রিন ভিডিও চাইলে, একটি কনট্যাক্ট শিটের বদলে প্রতিটি ফ্রেম আলাদা ছবি হিসেবে দেওয়া বেশি নিরাপদ বলে মনে হয়।
এ ছাড়া FL2 ও REF4—দুই ক্ষেত্রেই প্রথমবার সাধারণ সংস্করণ থেকে স্পিড-আপ LoRA সংস্করণে বদলানোর সময় একবার কনটেইনার সংযোগ বিচ্ছিন্ন হয়েছিল। একই শর্তে আবার চালালে সফল হয়েছে এবং পরে স্থিতিশীল ছিল। প্রথম সুইচের পর একটি ছোট টেস্ট ভিডিও চালিয়ে নেওয়ার পদ্ধতিই সম্ভবত ভালো।
এবারের সংখ্যাগুলো এই মেশিন, এই রেজোলিউশন এবং এই 8-সেকেন্ডের ভিডিওর বাস্তব মাপ। একে পরম বেঞ্চমার্ক হিসেবে নয়, বরং একই পরিবেশে LoRA সহ ও ছাড়া তুলনার ফল হিসেবে দেখা উচিত।