Pruna AI تضغط MiniMax-H3 من 143 إلى 20 جيجابايت وتحوّل نموذج الفيديو إلى مولّد صور

تعيش نماذج الفيديو الكبيرة عادةً على الكلاستر، ويكاد يكون تشغيلها في المنزل أو في استوديو صغير مستحيلًا. لكن Pruna AI أظهرت طريقًا معاكسًا. فقد أخذت الشركة نموذج الفيديو MiniMax-H3 (تشغل أوزانه في صيغته الأصلية 143 جيجابايت)، وحوّلته إلى مولّد صور باسم P-H3-Image، ونشرته بأوزان مفتوحة. يزن النموذج الآن نحو 20 جيجابايت، ويرسم الصورة في 8 خطوات بدل 50، ويحتاج لإطار بدقة 8 ميغابكسل (MP) إلى 21 جيجابايت من الذاكرة المرئية (VRAM). وببساطة، ما كان يتطلب رفًّا كاملًا من وحدات GPU يمكن الآن تجربته على بطاقة واحدة من فئة RTX 4090. ويستطيع النموذج توليد الصور من النص، وتحرير الصور الجاهزة.

لماذا نصنع الصور من نموذج فيديو

لكي ينتج النموذج مقطع فيديو مقنعًا، عليه أن يفهم كيف يبدو الجسم من زوايا مختلفة، وكيف يقع الضوء على الزجاج أو القماش أو الجلد. وهذه المعرفة تنفع أيضًا في الإطار الواحد، ولذلك يصلح نموذج الفيديو أساسًا جيدًا للصور. غير أن H3 الأصلي يعطي إطارًا منفردًا يبدو «باهتًا» ضبابيًا، كما يتطلب عتادًا كبيرًا.

أعادت Pruna AI بناء النموذج على عدة خطوات:

• قُلّص مشفّر النصوص، الذي يقرأ الموجّه (prompt)، من 32B إلى 4B معامل. وانخفض وزنه من 67 إلى 9 جيجابايت.
• خُفّض عدد خطوات التوليد من 50 إلى 8 بفضل تقطير DMD، أي تدريب نموذج «سريع» على تكرار نتيجة نموذج «بطيء». ولهذا لا حاجة إلى CFG (تعزيز الالتزام بالموجّه) ولا إلى الموجّه السلبي.
• استُبدلت بكتلة الـtimestep، التي كانت تستحوذ على 40% من المحوّل (Transformer)، كتلةٌ مكافئة أكثر إحكامًا.
• أُعيد تدريب فك الترميز (decoder): فبعد أن كان يعمل مع الفيديو، صار يعمل مع إطار واحد.

وبحسب المطوّرين، لا يمكن في معظم الموجّهات التمييز بين نتيجة 8 خطوات ونتيجة 50 خطوة.

ما المطلوب للتشغيل

الحد الأدنى هو 21 جيجابايت من VRAM في وضع w4a8 عند إطار بدقة 8 ميغابكسل. تستوفي RTX 4090 وRTX 5090 هذا الشرط، وتكفي سعة 24 جيجابايت بالكاد. أما إذا اخترتَ int8 فستحتاج إلى 31 جيجابايت، وإلى 56 جيجابايت مع bf16. وتتطلب نوى int8 بطاقة NVIDIA من جيل Ampere أو أحدث، أو AMD RDNA3/4.

الدعم في ComfyUI أصلي ودون عُقد (nodes) مخصصة. لكنه متاح حتى الآن في النسخة الحديثة فقط من GitHub (nightly)، ولا يوجد إصدار مستقر.

يقبل النموذج حتى ثماني صور في الإدخال. تُحرَّر الصورة الأولى، وتعمل البقية مراجع؛ فيمكن مثلًا عرض شخصية أو غرض من زوايا مختلفة. تُدعم الدقة من 2 إلى 16 ميغابكسل، ويعطي 8 ميغابكسل أفضل نتيجة. وتزداد العيوب البصرية (artifacts) دون 8 ميغابكسل، أما 4 ميغابكسل فهو حل وسط من حيث السرعة.

وبحسب وصف المطوّرين، يتميز النموذج في الصور الوثائقية والتحريرية، والبورتريه ذي ملمس البشرة الحيّ، واللقطات «كأنها من فيلم»، والأنمي، والريزوغراف (Risograph)، والرسوميات ذات النصوص القصيرة.

قيود ينبغي معرفتها

ينبغي أخذ نقاط الضعف في الحسبان قبل الاعتماد على النموذج:

• تظهر الأيدي والأشكال الصغيرة في الخلفية والتفاصيل الدقيقة مشوّهة أو «سائلة»، خصوصًا دون 8 ميغابكسل.
• النص الكثيف لا يخرج بشكل موثوق. أما الاقتباسات القصيرة بين علامتي تنصيص فتظهر جيدًا.
• الإضافات المعتادة مثل «8k, masterpiece» تعطي صورة لامعة أكثر من اللازم مع إضاءة زائدة. لذلك يكون مُحسِّن الموجّهات (prompt upsampler) القائم على Qwen3.5-9B، الذي يعيد كتابة الطلب، مفعَّلًا افتراضيًا.
• قد يفسد التكميم (quantization) بدقة 4 بت تكوين الصورة. وإذا كانت دقة الإطار مهمة، فمن المنطقي مقارنة الأوضاع المختلفة.

ماذا نفعل عمليًا

إذا كانت لديك بطاقة استهلاكية واحدة من الفئة العليا، فيمكنك اختبار النموذج في الرسوم التوضيحية التحريرية والتصورات الأولية (concepts) والتحرير بالاعتماد على المراجع، دون استئجار كلاستر. أما للإنتاج (production) فالأفضل انتظار إصدار مستقر من ComfyUI، أو تثبيت نسخة nightly محددة. أما الوصفة نفسها، أي ضغط مشفّر النصوص وتقليص الخطوات وإعادة تدريب فك الترميز، فهي مثال مفيد على كيفية تحويل نموذج ثقيل إلى أداة عملية مدمجة.

يمكن تجربة النموذج فورًا: للمشروع عرض تجريبي على Hugging Face، ومدونة Pruna AI، والأوزان، وحزمة منفصلة لـComfyUI.