MiniMax H3: pesos abertos e lançamento local de modelo de

No início de agosto, MiniMax postou os pesos de seu modelo de vídeo H3 no Hugging Face. Vídeos com som estéreo agora podem ser gerados no seu próprio computador - sem assinatura e sem pagar por cada geração através do API. Mas antes de baixar centenas de gigabytes, vale a pena considerar duas coisas: o pipeline completo de qualidade 2K não está disponível publicamente e a licença não permite o uso por todos e nem em todos os países.

O que exatamente foi postado

O repositório MiniMax-H3 contém dois pontos de verificação para tarefas diferentes. FL2VA cria vídeo com som de texto e pode animar quadros: você pode definir o primeiro, o último ou ambos ao mesmo tempo. Ref2VA coleta um vídeo com base em referências - uma solicitação inclui até nove fotos, até três vídeos e até três arquivos de áudio: a aparência do personagem, o movimento da câmera, o estilo e a voz são especificados em exemplos separados. O núcleo do modelo é um transformador denso com 33 bilhões de parâmetros, os pesos são publicados exatamente como BF16 e todo o repositório pesa cerca de 288 GB.

O que um modelo pode fazer?

H3 aceita texto, imagens, vídeo e áudio, e a saída produz vídeos de 4 a 15 segundos de duração a 24 quadros por segundo - com som estéreo integrado, que o próprio modelo sintetiza, em sincronia com a imagem. A resolução básica é 768p no lado curto. O som aqui não é um estágio de processamento separado, mas parte do mesmo modelo: uma voz ou ritmo musical pode ser definido como referência, e isso altera significativamente o fluxo de trabalho usual.

Sobre 2K - um aviso importante

Os 2K declarados não são obtidos na parte aberta do pipeline. Um módulo separado, Regenerate-2K, é responsável por aumentar a resolução, e MiniMax não postou: a forma oficial de 2K é enviar o resultado local de 768p de volta para a nuvem API da empresa. O módulo Context-IR, que analisa combinações complexas de consultas e referências de texto, também não está aberto. Portanto, “executar tudo localmente” por enquanto significa “executar a geração de base”.

Um computador normal aguentará isso?

A equipe do ComfyUI adicionou suporte no dia do lançamento e otimizou seriamente o lançamento: os pesos de modulação - cerca de 40% de todos os parâmetros - foram substituídos por uma tabela de pesquisa compacta e a quantização int8 reduziu o volume total de 123,6 para 42,5 GB. Junto com o upload dinâmico para RAM, isso é suficiente para que o modelo funcione mesmo em uma placa de vídeo do nível RTX 3060. A comunidade foi além: WanGP introduziu configurações para placas com 5 a 6 GB de memória de vídeo - upload agressivo para RAM, resolução reduzida e longos minutos para um vídeo curto. É importante entender: não se trata de requisitos oficiais, mas de receitas populares. O detalhamento é mais suave e a estabilidade depende da quantidade de RAM e da velocidade do disco. Para qualidade total, os desenvolvedores recomendam placas de primeira classe como a RTX 5090.

Licença: não é código aberto no sentido tradicional

Os pesos são de código aberto, mas são distribuídos sob uma licença comunitária com condições. O uso comercial é permitido para empresas com receitas anuais de até US$ 20 milhões – empresas maiores exigem um acordo separado. E o principal é a geografia: a licença é válida apenas nos EUA, União Europeia, Grã-Bretanha e Coreia do Sul; em outras regiões, o uso requer permissão por escrito MiniMax. Portanto, é mais correto dizer “pesos abertos” em vez de “código completamente aberto”.

Quem realmente precisa de um lançamento local?

Sua própria instância é justificada onde privacidade, grandes volumes de geração ou modificação do modelo para atender às suas tarefas são importantes - pesos abertos fornecem ajuste fino em seus dados. Se você só precisa obter rapidamente um vídeo de alta qualidade sem farm e sem mexer no meio ambiente, a nuvem é mais conveniente: seção de vídeo NeuralSpace os vídeos são criados com apenas alguns cliques, e fizemos uma análise detalhada dos recursos do próprio H3 em revisão separada.

Perguntas frequentes

Que tipo de placa de vídeo é necessária para MiniMax H3?

Para um trabalho confortável - cartões de última geração com grande quantidade de memória. Na prática, a geração básica é lançada mesmo em VRAM de 6 GB via ComfyUI e WanGP, sacrificando a resolução e a velocidade: um vídeo curto pode ser considerado de 10 a 15 minutos.

O H3 pode ser usado em projetos comerciais?

Sim, se a receita anual da empresa for inferior a US$ 20 milhões, esta é uma condição da Licença Comunitária. Organizações maiores exigem um acordo separado com MiniMax.

Por que H3 não pode ser chamado de código totalmente aberto?

Apenas a parte básica do pipeline está aberta: os módulos para atualização para 2K e análise de referências complexas permanecem fechados, e a licença limita o uso comercial e as regiões.