Технические характеристики и возможности
MiniMax-H3 — это универсальная генеративная система, способная понимать и создавать контент на основе текста, изображений, видео и аудио. Ключевые особенности модели:
- Разрешение: до 2K (2560x1440).
- Длительность: до 15 секунд за один проход.
- Аудио: нативная генерация стерео-звука, синхронизированного с видео.
- Режимы: FL2VA (по первым/последним кадрам) и Ref2VA (мультимодальные референсы).
Архитектура и варианты моделей
Модель предлагает два основных подхода к генерации, что расширяет сценарии использования:
| Вариант | Название | Входные данные | Размер (FP16) |
|---|---|---|---|
| FL2VA | minimax_h3_fl2va | 0-2 изображения (T2V, I2V, FLI2V) | 61.73 GB |
| Ref2VA | minimax_h3_ref2va | До 9 изображений, 3 видео, 3 аудио (макс. 12 файлов) | 61.73 GB |
Экосистема квантований для потребительских GPU
Официальные веса требуют мощного железа, поэтому сообщество активно выпускает оптимизированные версии. Доступны форматы GGUF, NF4, FP8, NVFP4 и W4A4. Ниже приведены примеры оптимизаций от разных авторов:
| Автор/Репозиторий | Тип квантования | Мин. VRAM (примерно) | Особенности |
|---|---|---|---|
| realrebelai / rockerBOO | NVFP4 / INT4 | 8-16 GB | Экспериментальные INT4 ConvRot, прунинг |
| rzgar | FP8 (E4M3FN) / MXFP8 | 16-24 GB | Лучшее качество аудио при 5-8 шагах |
| DiffSynth-Studio | NF4 (4-bit) | 8 GB | Для DiffSynth-Studio, полный стек (VAE, Text Encoder) |
| W4A4 (OrbitQuant) | W4A4 Native | 16+ GB | Требует ComfyUI-OrbitQuant, оптимизация памяти |
| DmitryDB | INT8 / INT4 / NVFP4 | 8-32 GB | Stock-compatible, несколько уровней качества |
Интеграция с ComfyUI
Основной способ работы с моделью — через ComfyUI. Существуют официальные репозитории с упакованными файлами (Comfy-Org/MiniMax-H3) и множество кастомных нод. Для работы с квантованными моделями часто требуются специфические ветки ComfyUI (например, comfy-kitchen PR #90 для W4A8) или патчи ядра для экспериментальных версий с динамическим временем (Dynamic-Time sQKV).
Почему это важно
MiniMax-H3 закрывает сразу две боли: отсутствие качественного звука в видео-генерации и сложность управления композицией через референсы. Доступность квантованных версий делает технологию доступной для пользователей с видеокартами уровня RTX 3060/4060 (через NF4/INT4), что демократизирует доступ к SOTA-качеству генерации.
Источник: Github ↗