MiniMax H3: открытые веса и локальный запуск видеомодели

В начале августа MiniMax выложила веса своей видеомодели H3 на Hugging Face. Ролики со стереозвуком теперь можно генерировать на собственном компьютере — без подписки и без оплаты каждой генерации через API. Но прежде чем качать сотни гигабайт, стоит учесть две вещи: полный конвейер качества 2K в открытый доступ не попал, а лицензия разрешает использование не всем и не во всех странах.

Что именно выложили

В репозитории MiniMax-H3 лежат два чекпоинта под разные задачи. FL2VA создаёт видео со звуком из текста и умеет оживлять кадры: можно задать первый, последний или оба сразу. Ref2VA собирает ролик по референсам — в один запрос входят до девяти картинок, до трёх видео и до трёх аудиофайлов: внешность героя, движение камеры, стиль и голос задаются отдельными примерами. Ядро модели — плотный трансформер на 33 млрд параметров, веса опубликованы в точности BF16, а весь репозиторий весит около 288 ГБ.

Что умеет модель

H3 принимает текст, изображения, видео и аудио, а на выходе даёт ролики длиной от 4 до 15 секунд при 24 кадрах в секунду — со встроенным стереозвуком, который модель синтезирует сама, синхронно с картинкой. Базовое разрешение — 768p по короткой стороне. Звук здесь не отдельный этап обработки, а часть той же модели: голос или музыкальный ритм можно задать референсом, и это заметно меняет привычный рабочий процесс.

Про 2K — важная оговорка

Заявленные 2K получаются не в открытой части конвейера. За подъём разрешения отвечает отдельный модуль Regenerate-2K, и его MiniMax не выложила: официальный путь к 2K — отправить локальный результат 768p обратно в облачное API компании. Не открыт и модуль Context-IR, который разбирает сложные сочетания текстовых запросов и референсов. Так что «запустить всё локально» пока означает «запустить базовую генерацию».

Потянет ли обычный компьютер

Команда ComfyUI добавила поддержку в день релиза и серьёзно оптимизировала запуск: модуляционные веса — около 40% всех параметров — заменили компактной таблицей поиска, а квантизация int8 ужала общий объём с 123,6 до 42,5 ГБ. Вместе с динамической выгрузкой в оперативную память этого хватает, чтобы модель работала даже на видеокарте уровня RTX 3060. Сообщество пошло дальше: в WanGP появились конфигурации для карт с 5–6 ГБ видеопамяти — агрессивная выгрузка в ОЗУ, сниженное разрешение и долгие минуты на короткий ролик. Важно понимать: это не официальные требования, а народные рецепты. Детализация получается мягче, а стабильность зависит от объёма оперативки и скорости диска. Для полного качества разработчики советуют карты топового класса вроде RTX 5090.

Лицензия: это не open source в привычном смысле

Веса открытые, но распространяются по Community License с условиями. Коммерческое использование разрешено компаниям с годовой выручкой до $20 млн — более крупному бизнесу нужно отдельное соглашение. И главное — география: лицензия действует только в США, Евросоюзе, Великобритании и Южной Корее, в остальных регионах применение требует письменного разрешения MiniMax. Поэтому корректнее говорить «открытые веса», а не «полностью open source».

Кому локальный запуск действительно нужен

Свой инстанс оправдан там, где важны приватность, большие объёмы генераций или доработка модели под свои задачи — тонкую настройку на своих данных дают именно открытые веса. Если же нужно просто быстро получить качественный ролик без фермы и возни с окружением, удобнее облако: в разделе видео NeuralSpace ролики создаются в пару кликов, а подробный разбор возможностей самой H3 мы делали в отдельном обзоре.

Частые вопросы

Какая видеокарта нужна для MiniMax H3?

Для комфортной работы — топовые карты с большим объёмом памяти. На практике базовую генерацию запускают даже на 6 ГБ VRAM через ComfyUI и WanGP, жертвуя разрешением и скоростью: короткий ролик может считаться 10–15 минут.

Можно ли использовать H3 в коммерческих проектах?

Да, если годовая выручка компании меньше $20 млн — это условие Community License. Организациям крупнее требуется отдельное соглашение с MiniMax.

Почему H3 нельзя называть полностью open source?

Открыта только базовая часть конвейера: модули подъёма до 2K и разбора сложных референсов остаются закрытыми, а лицензия ограничивает коммерческое использование и регионы.