Ανοιχτά βάρη MiniMax H3: τι μπορείτε πραγματικά να τρέξετε τοπικά

Στις αρχές Αυγούστου, η MiniMax δημοσίευσε τα βάρη του μοντέλου βίντεο H3 στο Hugging Face. Τα κλιπ με στερεοφωνικό ήχο μπορούν πλέον να δημιουργηθούν στο δικό σας μηχάνημα — χωρίς συνδρομή, χωρίς χρεώσεις API ανά γενιά. Αλλά προτού κατεβάσετε εκατοντάδες gigabyte, λάβετε υπόψη δύο πράγματα: ο πλήρης αγωγός 2K δεν μπήκε στην ανοιχτή έκδοση και η άδεια δεν επιτρέπει σε όλους, παντού.

Τι ακριβώς κυκλοφόρησε

Το αποθετήριο MiniMax-H3 αποστέλλει δύο σημεία ελέγχου για συγκεκριμένες εργασίες. Το FL2VA δημιουργεί βίντεο με ήχο από κείμενο και μπορεί να κάνει κίνηση σε καρέ: παρέχετε το πρώτο, το τελευταίο ή και τα δύο. Το Ref2VA δημιουργεί ένα κλιπ από αναφορές — ένα μόνο αίτημα μπορεί να περιλαμβάνει έως και εννέα εικόνες, τρία βίντεο και τρία αρχεία ήχου, επομένως η εμφάνιση, η κίνηση της κάμερας, το στυλ και η φωνή ενός χαρακτήρα ορίζονται από το δικό τους παράδειγμα. Ο πυρήνας είναι ένας πυκνός μετασχηματιστής 33 δισεκατομμυρίων παραμέτρων, τα βάρη δημοσιεύονται στο BF16 και ολόκληρο το αποθετήριο ζυγίζει περίπου 288 GB.

Τι μπορεί να κάνει το μοντέλο

Το H3 λαμβάνει κείμενο, εικόνες, βίντεο και ήχο ως είσοδο και παράγει κλιπ 4 έως 15 δευτερολέπτων στα 24 fps — με ενσωματωμένο στερεοφωνικό ήχο που το μοντέλο συνθέτει μόνο του, σε συγχρονισμό με την εικόνα. Η ανάλυση βάσης είναι 768p στη μικρή πλευρά. Ο ήχος δεν είναι ένα ξεχωριστό στάδιο επεξεργασίας εδώ, αλλά μέρος του ίδιου μοντέλου: μπορείτε να ορίσετε μια φωνή ή έναν μουσικό ρυθμό με αναφορά, κάτι που αλλάζει αισθητά τη συνήθη ροή εργασίας.

Περίπου 2K — μια σημαντική προειδοποίηση

Το διαφημιζόμενο 2Κ δεν προέρχεται από το ανοιχτό τμήμα του αγωγού. Μια ξεχωριστή μονάδα που ονομάζεται Regenerate-2K χειρίζεται την ενίσχυση ανάλυσης και το MiniMax δεν το κυκλοφόρησε: η επίσημη διαδρομή προς το 2K είναι να στείλετε το τοπικό σας αποτέλεσμα 768p πίσω στο cloud API της εταιρείας. Το Context-IR, το module που αναλύει σύνθετους συνδυασμούς προτροπών και αναφορών, δεν είναι επίσης ανοιχτό. Έτσι, το "τρέχω τα πάντα τοπικά" σημαίνει επί του παρόντος "τρέχοντας τη δημιουργία βάσης".

Θα τα καταφέρει ένας συνηθισμένος υπολογιστής;

Η ομάδα ComfyUI πρόσθεσε υποστήριξη την ημέρα μηδέν και βελτιστοποίησε σε μεγάλο βαθμό την εκτέλεση: τα βάρη διαμόρφωσης - περίπου το 40% όλων των παραμέτρων - αντικαταστάθηκαν με έναν συμπαγή πίνακα αναζήτησης και η κβαντοποίηση int8 συρρίκνωση του συνολικού αποτυπώματος από 123,6 GB σε 42,5 GB. Σε συνδυασμό με τη δυναμική εκφόρτωση στη μνήμη RAM του συστήματος, αυτό αρκεί για να λειτουργεί το μοντέλο σε μια κάρτα τόσο μέτρια όσο η RTX 3060. Η κοινότητα προχώρησε περισσότερο: εμφανίστηκαν διαμορφώσεις WanGP για κάρτες με 5–6 GB VRAM, χρησιμοποιώντας επιθετική εκφόρτωση RAM, μειωμένη ανάλυση και μεγάλα λεπτά ανά σύντομο κλιπ. Λάβετε υπόψη ότι αυτές είναι συνταγές της κοινότητας και όχι επίσημες απαιτήσεις: οι λεπτομέρειες εμφανίζονται πιο απαλές και η σταθερότητα εξαρτάται από το μέγεθος της μνήμης RAM και την ταχύτητα του δίσκου σας. Για πλήρη ποιότητα, οι προγραμματιστές προτείνουν κορυφαίες κάρτες όπως η RTX 5090.

Αδειοδότηση: δεν είναι ανοιχτού κώδικα με τη συνήθη έννοια

Τα βάρη είναι ανοιχτά αλλά διανέμονται βάσει κοινοτικής άδειας με προϋποθέσεις. Επιτρέπεται η εμπορική χρήση για εταιρείες με ετήσια έσοδα κάτω των 20 εκατομμυρίων $ — οι μεγαλύτερες επιχειρήσεις χρειάζονται ξεχωριστή συμφωνία. Και το πιο σημαντικό, γεωγραφία: η άδεια καλύπτει μόνο τις ΗΠΑ, την Ευρωπαϊκή Ένωση, το Ηνωμένο Βασίλειο και τη Νότια Κορέα. Η χρήση αλλού απαιτεί γραπτή άδεια από το MiniMax. "Ανοιχτά βάρη" είναι ο ακριβής όρος, όχι "πλήρως ανοιχτού κώδικα".

Ποιος χρειάζεται πραγματικά ένα τοπικό τρέξιμο

Μια αυτο-φιλοξενούμενη παρουσία έχει νόημα όταν έχει σημασία το απόρρητο, ο όγκος υψηλής παραγωγής ή η λεπτομέρεια στα δικά σας δεδομένα — τι ακριβώς επιτρέπουν τα ανοιχτά βάρη. Εάν θέλετε απλώς ένα ποιοτικό κλιπ γρήγορα, χωρίς ένα αγρόκτημα GPU ή περιβαλλοντική ταλαιπωρία, το cloud είναι πιο εύκολο:Ενότητα βίντεο NeuralSpaceΤα κλιπ χρειάζονται μερικά κλικ και καλύψαμε τι μπορεί να κάνει το ίδιο το H3 στο δικό μαςξεχωριστή αναθεώρηση.

FAQ

Τι GPU χρειάζεται το MiniMax H3;

Για άνετη εργασία, κορυφαίες κάρτες με άφθονη μνήμη. Στην πράξη, οι άνθρωποι εκτελούν τη δημιουργία βάσης ακόμη και με 6 GB VRAM μέσω ComfyUI και WanGP, ανταλλάσσοντας την ανάλυση και την ταχύτητα: ένα σύντομο κλιπ μπορεί να διαρκέσει 10–15 λεπτά.

Μπορώ να χρησιμοποιήσω το H3 εμπορικά;

Ναι, εάν τα ετήσια έσοδα της εταιρείας σας είναι κάτω των 20 εκατομμυρίων $ — πρόκειται για προϋπόθεση άδειας Κοινότητας. Οι μεγαλύτεροι οργανισμοί χρειάζονται ξεχωριστή συμφωνία με το MiniMax.

Γιατί το H3 δεν είναι πλήρως ανοιχτού κώδικα;

Μόνο το βασικό τμήμα του αγωγού είναι ανοιχτό: οι μονάδες για αναβάθμιση σε 2K και ανάλυση σύνθετων αναφορών παραμένουν κλειστές και η άδεια περιορίζει την εμπορική χρήση και τις περιοχές.