MiniMax H3, Seedance 2.5 und DeepSeek V4 sind alle erschienen, die chinesischen großen KI-Modelle sind heute ziemlich beschäftigt.

Welcher Tag ist heute? MiniMax H3, Seedance 2.5 und DeepSeek V4-Flash wurden alle veröffentlicht!

Zuerst veröffentlichte MiniMax sein erstes Open-Source-generatives multimodales Modell H3, das Videogenerierung, -bearbeitung und multimodales Verständnis direkt in einem einzigen Modell vereint. Daraufhin brachte ByteDance das neue Videokreationsmodell Seedance 2.5 auf den Markt, das die maximale Dauer einer einzelnen Videogenerierung auf 30 Sekunden verlängert. Auf der anderen Seite war DeepSeek ebenfalls nicht untätig und kündigte den öffentlichen Betatest der offiziellen API von V4-Flash an, wobei die Fähigkeiten von Agenten und Code im Fokus der Aktualisierung stehen.

Innerhalb eines Tages wurden drei Modelle nacheinander vorgestellt. Zwei zielen auf die Videokreation ab, das andere richtet sich an die Codeterminals von Entwicklern. Die inländischen Hersteller großer Sprachmodelle scheinen sich abgesprochen zu haben und reichen ihre Ergebnisse am letzten Tag des Juli gemeinsam ein.

MiniMax H3: Videomodelle streben nun ebenfalls nach "Allround-Fähigkeiten"

Bisherige Videomodelle sind in der Regel klar aufgeteilt: Einige sind für die Text-zu-Video-Generierung zuständig, andere zeichnen sich durch Bild-zu-Video-Generierung aus, wieder andere sind speziell für Videobearbeitung oder Bewegungsübertragung konzipiert. Um ein fertiges Video zu erstellen, mussten Nutzer zwischen mehreren Modellen und Arbeitsabläufen ständig wechseln.

H3 versucht, diese Grenzen aufzuheben.

Es unterstützt Eingaben in verschiedenen Formaten wie Text, Bild, Audio und Video, versteht die kreative Absicht des Nutzers im selben multimodalen Kontext und führt anschließend Generierung, Bearbeitung und Ausdruck durch. Das Modell kann Inhalte in 2K-Auflösung direkt ausgeben, generiert maximal 15 Sekunden lange Videos mit Ton und Bild in einem Durchgang und hat vor allem die Fähigkeiten zur Einhaltung von Anweisungen, zur Darstellung von Text- und Markeninformationen sowie die V2V-Motion-Transfer-Fähigkeit, also die Bewegungsübertragung von Video zu Video, deutlich verbessert.

Beispielsweise können Werbetreibende das Modell anweisen, auf Basis einer Referenzbewegung einer echten Person gleichzeitig die Personen, Kleidung, Produkte und Szenen auszutauschen. E-Commerce-Marken können ebenfalls Produktbilder, Markenschriftarten, Referenzvideos und Musik eingeben, um direkt Werbematerialien zu generieren, die Produktpräsentationen, Darbietungen von Personen und Markeninformationen enthalten.

Aus den Ergebnissen der Ranglisten geht hervor, dass H3 derzeit auf dem ersten Platz der Rangliste für Videobearbeitung mit Ton von Artificial Analysis steht und auch bei den Projekten Text-zu-Video und Bild-zu-Video zu den Spitzenmodellen zählt.

Auch preislich ist H3 sehr wettbewerbsfähig: Die Generierung eines 2K-Videos kostet 0,8 Yuan pro Sekunde, was etwa einem Drittel des Preises vergleichbarer Flaggschiffmodelle in der Branche entspricht. Um die Kosten zu senken, verwendet MiniMax einen hochkomprimierten Tokenizer, um die Anzahl der für die Videogenerierung benötigten Tokens zu reduzieren, und optimiert das heterogene Training, die Lastverteilung der Aufgaben sowie die Effizienz der GPU-Nutzung.

Gleichzeitig wird H3 in Kürze seine Modellgewichte veröffentlichen und damit zum ersten Open-Source-generativen multimodalen Modell werden, das von MiniMax herausgebracht wurde. Unternehmen können es lokal bereitstellen und es anschließend an ihre eigenen Daten und Geschäftsszenarien anpassen. Auch Hersteller inländischer Chips erhalten die Möglichkeit, Hard- und Software rund um das Modell zu optimieren.

Seedance 2.5: Gib mir nicht nur ein Stück Material, sondern erzähle die Geschichte vollständig

Früher fühlte sich das Generieren von Videos mit KI oft wie ein zufälliges Ziehen von Karten an.

Gibt man einen Prompt ein, generiert das Modell möglicherweise eine gute Einstellung, aber wenn die Person den Winkel wechselt, sieht sie aus wie eine andere Person. Bei einem Szenenwechsel können auch Kleidung, Licht und Malstil plötzlich "vergessen" werden. Um ein einminütiges Video zu erstellen, müssen Ersteller oft mehr als ein Dutzend Materialien generieren und diese anschließend manuell auswählen, zusammenfügen und mit Übergängen versehen.

Seedance 2.5 löst zuerst das Problem, dass KI-Videos "stückweise ausgegeben" werden.

Dieses Modell baut auf der einheitlichen kombinierten multimodalen Audio- und Videogenerierungsarchitektur von Seedance 2.0 auf und kann in einem Durchgang Videos mit einer maximalen Länge von 30 Sekunden generieren, was eine Verdopplung gegenüber den 15 Sekunden der Vorgängerversion bedeutet. Diese Aktualisierung besteht nicht nur darin, eine einzelne Einstellung zu verlängern, sondern innerhalb von 30 Sekunden mehrere logisch verbundene Bilder zu organisieren, sodass die Geschichte Einleitung, Entwicklung, Wendepunkt und Abschluss erhält.

Wenn 30 Sekunden nicht ausreichen, können Nutzer die Generierung nach dem vorhandenen Video fortsetzen. Das Modell wird versuchen, die Personen, Szenen, Stile, Geräusche und Erzählrhythmen konsistent zu halten, sodass am Ende Inhalte mit einer Länge von mehreren Minuten und relativ einheitlicher audiovisueller Sprache entstehen. Der frühere Prozess, der das Zerlegen in Einstellungen, wiederholtes zufälliges Generieren und manuelles Zusammenfügen erforderte, wird dadurch weiter vereinfacht.

Seedance 2.5 arbeitet zudem daran, das allgegenwärtige "fettige Gefühl" von KI-Videos zu beseitigen. Die Haut von Personen sieht nicht mehr aus, als wäre sie mit drei Schichten Wachs überzogen, Ausdruck in den Augen, Materialien, Licht und Sättigung der Bilder nähern sich real aufgenommenen Videos an. Gleichzeitig wird die Situation reduziert, in der das Modell eigenmächtig Untertitel und Hintergrundmusik hinzufügt.

Eine weitere Aktualisierung ist die "Referenzfähigkeit". Nutzer können maximal 30 Bilder, 10 Videos und 10 Audiodateien auf einmal eingeben, sodass das Modell gleichzeitig auf Personen, Geräusche, Kompositionen, Szenen, Requisiten und Kamerabewegungen aus verschiedenen Materialien Bezug nehmen kann. Einfach ausgedrückt: Früher hat man der KI nur ein Referenzbild geschickt, jetzt kann man die Charakterbeschreibung, Szenenbilder, Beispielvideos für Bewegungen und Hintergrundmusik gemeinsam an sie übergeben.

Die Bearbeitungsfähigkeit von Seedance 2.5 wurde zudem weiter gestärkt. Nutzer können über Zeitstempel festlegen, welche Handlung zu welcher Sekunde stattfindet, welche Aktion ausgeführt wird und welche Perspektive verwendet wird. Sie können auch nur Personen, Geräusche oder Kamerafahrten in lokalen Segmenten ändern. Beispielsweise kann man die Bewegungen der Schauspieler beibehalten und nur den Greenscreen durch eine andere Szene ersetzen, oder Personen und Bild unverändert lassen und nur die Kamerabewegung von der 5. bis zur 10. Sekunde neu gestalten.

Das bedeutet, dass sich Seedance allmählich von einem "Generator für Videomaterial" zu einem kreativen Werkzeug entwickelt, das Fähigkeiten eines Regisseurs, Kameramanns und Schnittmeisters kombiniert.

DeepSeek V4-Flash: Das Modell selbst wurde nicht verändert, aber durch Post-Training wurde es "neu ausgebildet"

Am 31. Juli startete der öffentliche Betatest der offiziellen API von DeepSeek-V4-Flash. Nutzer behalten ihre gewohnte Art des API-Aufrufs, setzen den Modellnamen auf deepseek-v4-flash und können bereits die neueste Version verwenden.

DeepSeek-V4-Flash-0731 verfügt über dieselbe Modellarchitektur und -größe wie die vorherige Vorschauversion. Die Leistungssteigerung stammt hauptsächlich aus dem neu durchgeführten Post-Training. Mit anderen Worten: DeepSeek hat dem Modell kein größeres Gehirn gegeben, sondern dasselbe Gehirn erneut in ein Trainingscamp geschickt, wobei vor allem die Fähigkeiten zum Aufruf von Werkzeugen, Aufgabenplanung, Codeentwicklung und Ausführung von Agenten intensiv trainiert wurden.

Laut den von DeepSeek veröffentlichten Daten haben sich die Ergebnisse von V4-Flash in Terminal Bench 2.1, NL2Repo, DeepSWE, Toolathlon und mehreren Agent-Tests deutlich verbessert, wobei der Wert in Terminal Bench 2.1 82,7 erreicht. Es ist zu beachten, dass DSBench-FullStack und DSBench-Hard zu den internen Testdatensätzen von DeepSeek gehören, sodass die zugehörigen Ergebnisse noch durch mehr externe Nutzungsergebnisse validiert werden müssen.

Die offizielle Version von V4-Flash unterstützt nativ die Responses API und wurde an Codex angepasst. Entwickler können das DeepSeek-Modell in Agent-Entwicklungsumgebungen wie Codex aufrufen, sodass das Modell Aufgaben wie das Lesen von Code, Zerlegen von Aufgaben, Ändern von Dateien, Aufrufen von Werkzeugen und Überprüfen von Ergebnissen erledigt – anstatt nur eine isolierte Programmieraufgabe zu beantworten. Das Harness-Framework von DeepSeek zur Bearbeitung von Code-Agent-Aufgaben wird in einer späteren Version veröffentlicht.

In gewisser Weise unterstreicht diese Aktualisierung von V4-Flash erneut den Wert des Post-Trainings. Da die Grundmodelle immer größer werden und die Kosten für das Vortraining stetig steigen, wird die Nutzung hochwertiger Daten, Reinforcement Learning und Aufgabenumgebungen, um vorhandene Modelle zu zuverlässigeren Agenten zu optimieren, zu einer weiteren zentralen Wettbewerbslinie.

Allerdings wurde heute nur die V4-Flash-API aktualisiert, die App, die Webversion und V4-Pro von DeepSeek wurden noch nicht synchron aktualisiert. Die offizielle Version von V4-Pro wird zu einem späteren Zeitpunkt veröffentlicht. Daher ist es noch zu früh, um zu sagen, dass "Flash Pro vollständig übertrifft". Die genauere Aussage lautet: Die Fähigkeitslücke zwischen leichtgewichtigen Modellen und Flaggschiffmodellen wird durch Post-Training schnell verkleinert.