Otwarte ciężarki MiniMax H3: co faktycznie możesz biegać lokalnie

Na początku sierpnia MiniMax opublikował wagi swojego modelu wideo H3 na Hugging Face. Klipy z dźwiękiem stereo można teraz generować na własnym komputerze — bez subskrypcji i opłat API za każdą generację. Ale zanim pobierzesz setki gigabajtów, pamiętaj o dwóch rzeczach: pełny potok 2K nie przedostał się do otwartej wersji, a licencja nie pozwala wszystkim i wszędzie.

Co dokładnie zostało wydane

Repozytorium MiniMax-H3 zawiera dwa punkty kontrolne specyficzne dla zadania. FL2VA tworzy wideo z dźwiękiem z tekstu i może animować klatki: podajesz pierwszą, ostatnią lub obie. Ref2VA tworzy klip na podstawie referencji — pojedyncze żądanie może zawierać maksymalnie dziewięć obrazów, trzy filmy i trzy pliki audio, więc wygląd postaci, ruch kamery, styl i głos są ustalane na podstawie własnego przykładu. Rdzeń stanowi gęsty transformator o parametrach wynoszących 33 miliardy, wagi opublikowane są w BF16, a całe repozytorium waży około 288 GB.

Co potrafi model

H3 pobiera tekst, obrazy, wideo i dźwięk jako dane wejściowe i tworzy klipy trwające od 4 do 15 sekund przy 24 kl./s — z wbudowanym dźwiękiem stereo, który model sam syntetyzuje i synchronizuje z obrazem. Podstawowa rozdzielczość to 768p na krótszym boku. Dźwięk nie jest tu oddzielnym etapem przetwarzania, ale częścią tego samego modelu: możesz ustawić głos lub rytm muzyczny przez odniesienie, co zauważalnie zmienia zwykły przebieg pracy.

Około 2K — ważne zastrzeżenie

Reklamowane 2K nie pochodzi z otwartej części rurociągu. Oddzielny moduł o nazwie Regenerate-2K obsługuje zwiększanie rozdzielczości, a MiniMax go nie udostępnił: oficjalna droga do 2K polega na wysłaniu lokalnego wyniku 768p z powrotem do firmowego API w chmurze. Kontekst-IR, moduł analizujący złożone kombinacje podpowiedzi i odwołań, również nie jest otwarty. Zatem „uruchamianie wszystkiego lokalnie” oznacza obecnie „uruchamianie generowania bazy”.

Czy zwykły komputer sobie poradzi?

Zespół ComfyUI dodał obsługę już pierwszego dnia i mocno zoptymalizował działanie: wagi modulacji — około 40% wszystkich parametrów — zastąpiono kompaktową tabelą przeglądową, a kwantyzacja int8 zmniejszyła całkowitą powierzchnię ze 123,6 GB do 42,5 GB. W połączeniu z dynamicznym odciążaniem do systemowej pamięci RAM wystarczy, aby model działał na tak skromnej karcie jak RTX 3060. Społeczność poszła dalej: pojawiły się konfiguracje WanGP dla kart z 5–6 GB VRAM, wykorzystujące agresywne odciążanie RAM, zmniejszoną rozdzielczość i długie minuty na krótki klip. Pamiętaj, że są to przepisy społeczności, a nie oficjalne wymagania: szczegóły są bardziej miękkie, a stabilność zależy od rozmiaru pamięci RAM i szybkości dysku. Aby zapewnić pełną jakość, twórcy zalecają karty z najwyższej półki, takie jak RTX 5090.

Licencjonowanie: nie jest to oprogramowanie typu open source w zwykłym tego słowa znaczeniu

Odważniki są otwarte, ale dystrybuowane na podstawie licencji wspólnotowej z pewnymi warunkami. Komercyjne wykorzystanie jest dozwolone w przypadku firm o rocznych przychodach poniżej 20 milionów dolarów — większe firmy wymagają osobnej umowy. I co najważniejsze, geografia: licencja obejmuje tylko Stany Zjednoczone, Unię Europejską, Wielką Brytanię i Koreę Południową; użycie w innym miejscu wymaga pisemnej zgody MiniMax. „Otwarte wagi” to dokładny termin, a nie „w pełni otwarte oprogramowanie”.

Kto naprawdę potrzebuje lokalnego biegu

Instancja hostowana samodzielnie ma sens, gdy liczy się prywatność, duży wolumen generacji lub dostrajanie własnych danych — dokładnie to, co umożliwiają otwarte wagi. Jeśli chcesz po prostu szybko uzyskać wysokiej jakości klip, bez konieczności posiadania farmy GPU lub problemów ze środowiskiem, chmura jest łatwiejsza: w formacieSekcja wideo NeuralSpaceklipy wymagają kilku kliknięć, a my omówiliśmy, co sam H3 może zrobić w naszymosobna recenzja.

Często zadawane pytania

Jakiego procesora graficznego potrzebuje MiniMax H3?

Do komfortowej pracy służą najwyższej klasy karty z dużą ilością pamięci. W praktyce ludzie uruchamiają generację bazową nawet na 6 GB VRAM poprzez ComfyUI i WanGP, rezygnując z rozdzielczości i szybkości: krótki klip może zająć 10–15 minut.

Czy mogę używać H3 komercyjnie?

Tak, jeśli roczny przychód Twojej firmy jest niższy niż 20 milionów dolarów — jest to warunek licencji społecznościowej. Większe organizacje potrzebują osobnej umowy z MiniMax.

Dlaczego H3 nie jest w pełni otwartym oprogramowaniem?

Otwarta jest tylko podstawowa część potoku: moduły skalowania do 2K i analizowania złożonych odniesień pozostają zamknięte, a licencja ogranicza wykorzystanie komercyjne i regiony.