MiniMax щойно опублікувала ваги своєї моделі для генерації відео H3 на Hugging Face, тож кожен, хто має пристойну відеокарту (GPU), може завантажити основну систему. Цей реліз не охоплює повний комерційний конвеєр — лише генератор H3-Base є з відкритими вагами; етапи попередньої обробки та масштабування (upscaling) залишаються доступними лише через API.

Що насправді містить реліз із відкритими вагами

Архітектура H3 від MiniMax поділяється на три логічні блоки. Два з них залишаються доступними лише через API:

  • Context-IR layer — здійснює попередню обробку вхідного тексту, зображень або відеофрагментів.
  • Regenerate-2K layer — підвищує роздільну здатність вихідного відео до 2K.

Розробники можуть завантажити H3-Base core generator — двигун, який перетворює мультимодальні запити на відеокліп із коротшою стороною у 768 пікселів та вбудованим аудіо.

Апаратні вимоги та реалії роботи

Модель містить 33 мільярди параметрів і постачається у двох варіантах:

  • fl2va — приймає текстові запити та зображення.
  • ref2va — приймає референсне відео як частину запиту.

Найменший квантований чекпоінт становить близько 21 ГБ; чекпоінт із повною точністю — 123,6 ГБ. MiniMax рекомендує мати щонайменше 42,5 ГБ відеопам'яті (VRAM) або сховища для комфортної роботи.

На відеокарті з 12 ГБ розробники можуть запускати модель із використанням CPU offloading, але швидкість інференсу помітно знижується. Локальна генерація обмежена роздільною здатністю 768 пікселів по коротшій стороні, що значно нижче за роздільну здатність 2K, яку забезпечує пропрієтарний шар Regenerate-2K.

Чому цей реліз важливий

Нещодавній рейтинг Artificial Analysis ставить H3 на перше місце в категорії «video editing» та в трійку лідерів як у «text-to-video», так і в «image-to-video». Завдяки цим показникам вона є найпотужнішою відеомоделлю з відкритими вагами, доступною на сьогодні.

Модель є мультимодальною: вона розуміє текст, зображення, відео та аудіо, а також може синтезувати відео із синхронізованим звуком — це рідкісна широта можливостей для набору ваг, доступного для публічного завантаження.

Обмеження та інша сторона медалі

H3 перемагає не всюди; Gemini Omni Flash перевершує її в певних завданнях. Оскільки масштабування до високої роздільної здатності доступне лише через API, розробники не можуть отримати повноцінний комерційний результат, не оплачуючи сервіс MiniMax.

Ліцензування створює ще одну перешкоду. Умови прямо забороняють використання в Європейському Союзі, Великій Британії, Південній Кореї та Сполучених Штатах. Організації в цих регіонах мають домовлятися про окрему комерційну угоду або шукати інші варіанти.

Підсумок: H3 від MiniMax із відкритими вагами надає розробникам потужний мультимодальний відеогенератор, який можна запускати локально, проте попередню обробку та масштабування лише через API, високі вимоги до обладнання та регіональні ліцензійні заборони роблять повний комерційний досвід недоступним для багатьох.