Otvorené závažia MiniMax H3: čo môžete skutočne spustiť lokálne

Začiatkom augusta zverejnil MiniMax váhy svojho H3 video modelu na Hugging Face. Klipy so stereo zvukom je teraz možné generovať na vašom vlastnom počítači – žiadne predplatné, žiadne poplatky za API za generáciu. Pred stiahnutím stoviek gigabajtov však majte na pamäti dve veci: úplný 2K kanál sa nedostal do otvoreného vydania a licencia neumožňuje všetkým a všade.

Čo presne vyšlo

Úložisko MiniMax-H3 dodáva dva kontrolné body špecifické pre úlohu. FL2VA vytvára video so zvukom z textu a dokáže animovať snímky: poskytnete prvý, posledný alebo oboje. Ref2VA zostavuje klip z referencií – jedna požiadavka môže obsahovať až deväť obrázkov, tri videá a tri zvukové súbory, takže vzhľad postavy, pohyb kamery, štýl a hlas sú každý daný vlastným príkladom. Jadrom je hustý transformátor s 33 miliardami parametrov, hmotnosti sú zverejnené v BF16 a celé úložisko váži okolo 288 GB.

Čo dokáže modelka

H3 prijíma text, obrázky, video a zvuk ako vstup a vytvára klipy v dĺžke 4 až 15 sekúnd pri 24 snímkach za sekundu – so vstavaným stereo zvukom, ktorý si model syntetizuje sám, v synchronizácii s obrázkom. Základné rozlíšenie je 768p na krátkej strane. Zvuk tu nie je samostatným stupňom spracovania, ale súčasťou toho istého modelu: pomocou odkazu môžete nastaviť hlasový alebo hudobný rytmus, čo výrazne zmení obvyklý pracovný postup.

O 2K — dôležité upozornenie

Inzerované 2K nepochádza z otvorenej časti potrubia. Samostatný modul s názvom Regenerate-2K sa stará o zvýšenie rozlíšenia a MiniMax ho neuvoľnil: oficiálnou cestou k 2K je poslať váš lokálny výsledok 768p späť do cloudového API spoločnosti. Nie je otvorený ani modul Context-IR, ktorý analyzuje zložité kombinácie výziev a odkazov. Takže „spustiť všetko lokálne“ v súčasnosti znamená „spustiť základnú generáciu“.

Zvládne to obyčajný počítač?

Tím ComfyUI pridal podporu v deň nula a výrazne optimalizoval chod: modulačné váhy – asi 40 % všetkých parametrov – boli nahradené kompaktnou vyhľadávacou tabuľkou a kvantizácia int8 zmenšila celkovú stopu z 123,6 GB na 42,5 GB. V kombinácii s dynamickým sťahovaním do systémovej RAM to stačí na to, aby model bežal na tak skromnej karte, ako je RTX 3060. Komunita išla ďalej: Objavili sa konfigurácie WanGP pre karty s 5–6 GB VRAM, využívajúce agresívne vykladanie RAM, znížené rozlíšenie a dlhé minúty na krátky klip. Majte na pamäti, že ide o recepty komunity, nie oficiálne požiadavky: detaily sú mäkšie a stabilita závisí od veľkosti vašej pamäte RAM a rýchlosti disku. Pre plnú kvalitu vývojári odporúčajú karty najvyššej úrovne, ako je RTX 5090.

Licencovanie: toto nie je open source v obvyklom zmysle

Závažia sú otvorené, ale distribuované na základe licencie Spoločenstva s podmienkami. Komerčné využitie je povolené pre spoločnosti s ročným príjmom nižším ako 20 miliónov USD – väčšie podniky potrebujú samostatnú zmluvu. A čo je najdôležitejšie, geografia: licencia sa vzťahuje len na USA, Európsku úniu, Spojené kráľovstvo a Južnú Kóreu; použitie inde vyžaduje písomné povolenie od MiniMax. „Otvorené váhy“ je presný výraz, nie „plne otvorený zdroj“.

Kto skutočne potrebuje miestny beh

Samoobslužná inštancia má zmysel, keď záleží na súkromí, veľkom objeme generovania alebo doladení vašich vlastných údajov – presne to, čo umožňujú otvorené váhy. Ak chcete iba kvalitný klip rýchlo, bez problémov s GPU farmou alebo prostredím, cloud je jednoduchší: vSekcia videa NeuralSpaceklipy zaberú pár kliknutí a my sme sa zaoberali tým, čo dokáže samotná H3 v našomsamostatná recenzia.

FAQ

Aký GPU potrebuje MiniMax H3?

Pre pohodlnú prácu sú prvotriedne karty s dostatkom pamäte. V praxi ľudia spúšťajú základnú generáciu dokonca aj na 6 GB VRAM cez ComfyUI a WanGP, pričom sa vymieňajú za rozlíšenie a rýchlosť: krátky klip môže trvať 10 – 15 minút.

Môžem používať H3 komerčne?

Áno, ak je ročný príjem vašej spoločnosti nižší ako 20 miliónov USD – to je podmienka licencie Spoločenstva. Väčšie organizácie potrebujú samostatnú zmluvu s MiniMax.

Prečo H3 nie je plne open source?

Otvorená je iba základná časť kanála: moduly pre upscaling na 2K a analýzu komplexných referencií zostávajú zatvorené a licencia obmedzuje komerčné využitie a regióny.