MiniMax H3 nyitott súlyok: amit ténylegesen futtathat helyben

Augusztus elején a MiniMax közzétette H3 videómodelljének súlyait a Hugging Face oldalon. A sztereó hangzású klipeket mostantól saját gépén is előállíthatja – nincs előfizetés, nincs generációnkénti API díj. Mielőtt azonban több száz gigabájtot letöltene, ne feledjen két dolgot: a teljes 2K-s csővezeték nem jutott be a nyílt kiadásba, és a licenc nem engedi meg mindenkinek, mindenhol.

Pontosan mi került kiadásra

A MiniMax-H3 adattár két feladatspecifikus ellenőrzőpontot szállít. Az FL2VA videót hoz létre hanggal szövegből, és képes animálni a képkockákat: Ön adja meg az elsőt, az utolsót vagy mindkettőt. A Ref2VA referenciákból klipet készít – egyetlen kérés akár kilenc képet, három videót és három hangfájlt is tartalmazhat, így a karakter megjelenése, kameramozgása, stílusa és hangja a saját példáján alapul. A mag egy sűrű, 33 milliárdos paraméterű transzformátor, a súlyok a BF16-ban jelentek meg, a teljes tároló súlya pedig 288 GB körül mozog.

Mit tud a modell

A H3 szöveget, képeket, videót és hangot fogad be, és 4-15 másodperces klipeket készít 24 fps sebességgel – beépített sztereó hanggal, amelyet a modell saját maga szintetizál, a képpel szinkronban. Az alapfelbontás 768p a rövid oldalon. A hang itt nem egy különálló feldolgozási szakasz, hanem ugyanannak a modellnek a része: hivatkozással beállíthat egy hangot vagy zenei ritmust, ami észrevehetően megváltoztatja a megszokott munkafolyamatot.

Körülbelül 2K – fontos figyelmeztetés

A meghirdetett 2K nem a csővezeték nyitott részéből származik. A Regenerate-2K nevű külön modul kezeli a felbontásnövelést, a MiniMax pedig nem adta ki: a hivatalos út a 2K-hoz az, hogy a helyi 768p-s eredményt visszaküldjük a cég felhő API-jába. A Context-IR, a promptok és hivatkozások összetett kombinációit elemző modul sem nyitott. Tehát a "mindent helyileg futtatni" jelenleg azt jelenti, hogy "alapgeneráció futtatása".

Egy közönséges számítógép megbirkózik vele?

A ComfyUI csapata a nulladik napon hozzáadta a támogatást, és nagymértékben optimalizálta a futtatást: a modulációs súlyokat – az összes paraméter körülbelül 40%-át – egy kompakt keresési táblázatra cserélték, és az int8 kvantálása a teljes helyigényt 123,6 GB-ról 42,5 GB-ra csökkentette. A rendszer RAM-ba való dinamikus kitöltéssel kombinálva ez elegendő ahhoz, hogy a modell olyan szerény kártyán is működjön, mint az RTX 3060. A közösség tovább ment: megjelentek az 5–6 GB VRAM-mal rendelkező kártyák WanGP konfigurációi, amelyek agresszív RAM-letöltést, csökkentett felbontást és hosszú perceket használnak rövid klipenként. Ne feledje, hogy ezek közösségi receptek, nem pedig hivatalos követelmények: a részletek lágyabbak, a stabilitás pedig a RAM méretétől és a lemez sebességétől függ. A teljes minőség érdekében a fejlesztők olyan csúcskategóriás kártyákat ajánlanak, mint az RTX 5090.

Licenc: ez nem nyílt forráskódú a szokásos értelemben

A súlyok nyitottak, de közösségi licenc alapján, feltételekkel kerülnek forgalomba. A kereskedelmi felhasználás 20 millió dollárnál kevesebb éves bevétellel rendelkező vállalatok számára engedélyezett – a nagyobb vállalkozásoknak külön megállapodásra van szükségük. És ami a legfontosabb, a földrajz: az engedély csak az Egyesült Államokra, az Európai Unióra, az Egyesült Királyságra és Dél-Koreára vonatkozik; máshol a MiniMax írásos engedélye szükséges. A "nyílt súlyok" a pontos kifejezés, nem a "teljesen nyílt forráskódú".

Akinek nagyon kell egy helyi futás

A saját üzemeltetésű példánynak akkor van értelme, ha az adatvédelem, a nagy generációs mennyiség vagy a saját adatok finomhangolása számít – pontosan mit tesznek lehetővé a nyitott súlyok. Ha csak egy minőségi klipet szeretne gyorsan, GPU-farm vagy környezeti gondok nélkül, a felhő egyszerűbb: aNeuralSpace videó részA klipek néhány kattintást igényelnek, és megtudtuk, mire képes maga a H3külön áttekintés.

GYIK

Milyen GPU-ra van szüksége a MiniMax H3-nak?

A kényelmes munka érdekében csúcskategóriás kártyák rengeteg memóriával. A gyakorlatban az emberek még 6 GB VRAM-on is futtatják az alapgenerációt a ComfyUI-n és a WanGP-n keresztül, a felbontással és sebességgel kereskednek: egy rövid klip 10-15 percig is eltarthat.

Használhatom a H3-at kereskedelmi forgalomba?

Igen, ha a vállalat éves bevétele 20 millió dollár alatt van – ez közösségi licencfeltétel. A nagyobb szervezeteknek külön megállapodásra van szükségük a MiniMaxszal.

Miért nem teljesen nyílt forráskódú a H3?

A folyamatnak csak az alaprésze nyitott: a 2K-ra felskálázást és az összetett referenciák elemzését szolgáló modulok zárva maradnak, a licenc pedig korlátozza a kereskedelmi felhasználást és a régiókat.