Pruna AI تحوّل نموذج الفيديو MiniMax H3 إلى مولّد صور: 2.6 ثانية بدلًا من 12.4 ثانية لصورة بدقة 4 ميغابكسل

أخذت Pruna AI نموذج الفيديو الثقيل MiniMax H3 وحوّلته إلى P-H3-Image، وهو مولّد ومحرّر صور سريع بأوزان مفتوحة. المشكلة أن مولّدات الفيديو قوية لكنها بطيئة وشرهة للموارد: فالحصول على صورة واحدة من H3 يتطلب مئات الغيغابايت من الذاكرة وعشرات الثواني من الانتظار. أما الآن، وبحسب قياسات Pruna نفسها، فيجهز إطار بدقة 4 ميغابكسل (أي نحو 2000×2000 بكسل) على مسرّع NVIDIA B200 خلال 2.6 ثانية بدلًا من 12.4 ثانية في H3 الأصلي. وهذا يعني للمطوّر أن فكرة «استخدام نموذج فيديو أساسًا لتوليد الصور» صارت قابلة للتشغيل دون مركز بيانات كامل.

لماذا يصلح نموذج الفيديو لتوليد الصور

تتردد منذ وقت طويل شائعات عن إمكانية بناء مولّد صور على أساس MiniMax، لكن MiniMax نفسها اكتفت بالوعود. الفكرة مفهومة: لكي يرسم نموذج الفيديو مقطعًا مقنعًا، يتعلم أثناء التدريب كيف يبدو الجسم من زوايا مختلفة، وكيف تتغير الإضاءة والمنظور والحركة. ويمكن استخدام هذه المعرفة في الإطار الواحد أيضًا.

لكن Pruna لم تكتفِ بأن تطلب من H3 إخراج إطار واحد بدلًا من الفيديو. فقد أعادت تصميم البنية بصورة جذرية:

• استُبدل مشفّر النصوص (text encoder) البالغ 32 مليار معامل، وهو الجزء الذي يحوّل مطالبتك إلى تمثيل يفهمه النموذج، بمشفّر مقطَّر (distilled) أي «مضغوط» إلى 4 مليارات معامل؛
• خُفّض حجم المحوّل (transformer) الرئيسي من 33 إلى 20 مليار معامل؛
• أُعيد تدريب فك التشفير (decoder) ليُخرج صورة واحدة حادة بدلًا من سلسلة إطارات فيديو؛
• أُعيد تصميم جدول الانتشار (diffusion schedule)، وخُفّض التوليد بالتقطير من 50 إلى 8 خطوات؛ والخطوة هي مرور واحد للنموذج على الصورة، ولذلك تعني الخطوات الأقل انتظارًا أقصر؛
• أُضيف محسّن للمطالبات يعتمد على Qwen3.5-9B، يحوّل الطلب القصير إلى طلب أكثر تفصيلًا.

السرعة والذاكرة

على NVIDIA B200 تُولَّد صورة 4 ميغابكسل في 2.6 ثانية مقابل 12.4 ثانية في H3 الأصلي. وبالنسبة إلى 8 ميغابكسل يبقى الفارق لافتًا: 5.8 ثانية بدلًا من 30.6. أي تسريع يقارب خمسة أضعاف. وثمة تحفظ مهم: الأرقام صادرة عن المطورين أنفسهم ولا توجد اختبارات مستقلة حتى الآن، كما أن B200 بطاقة باهظة الثمن جدًا، ولذلك سيطول الوقت على عتاد أقل قوة.

وتغيّرت صورة الذاكرة أيضًا. فالحد الأدنى من الأوزان المكمّمة (أي المسجّلة بدقة منخفضة لتشغل مساحة أقل) يشغل 20 غيغابايت، بينما يشغل MiniMax H3 الأصلي 143 غيغابايت. أما إصدار W4A8، الذي تُخزَّن فيه الأوزان بـ4 بتات والتنشيطات (activations) بـ8 بتات، فيتطلب نحو 21 غيغابايت من ذاكرة الفيديو عند توليد 8 ميغابكسل. وعادةً ما يكلّف التكميم جزءًا من الجودة، ولذلك يحسن قبل الاستخدام في منتج أن تقارن النتائج على مطالباتك الخاصة.

ما الذي يستطيعه النموذج وكيف تجربه

أُعلن أن النموذج يدعم دقات من 2 إلى 16 ميغابكسل، ويصف المطورون 8 ميغابكسل بأنها الدقة المثلى. وتكمن نقطة قوته في العمل مع الصور المرجعية: يمكن تمرير ما يصل إلى ثماني صور مصدرية ودمج الشخصيات والأغراض وعناصر المحيط في تركيب واحد. ويقول المؤلفون إن هذه القدرة موروثة من تدريب H3 على مراجع الفيديو. عمليًا يبدو الأمر هكذا: تحمّل البطل والمنتج والخلفية، فتحصل على مشهد واحد متكامل دون مونتاج يدوي.

يمكن تشغيل النموذج عبر Diffusers. وظهر الدعم الأصلي دون عُقد (nodes) خارجية في ComfyUI 0.44.0 الصادر في 4 نوفمبر. ونشرت Pruna مسارات عمل جاهزة وأوزانًا مكمّمة، ولذلك يمكن البدء دون التعمق في الشيفرة. ويستحسن قراءة شروط الترخيص في صفحة النموذج على Hugging Face، خصوصًا إذا كان الاستخدام التجاري مخططًا له.

هذه ليست أول تجربة مماثلة للفريق: فقد أنشأت Pruna سابقًا بالطريقة نفسها Wan Image على أساس نموذج الفيديو Wan 2.1. والخلاصة العملية: إذا كنت تحتاج إلى مولّد ومحرّر صور مفتوح يدعم عدة صور مرجعية ويتسع في نحو 20 غيغابايت من ذاكرة الفيديو، فإن P-H3-Image يستحق الاختبار على مهامك، مع مراعاة أن السرعة والجودة لم تؤكدهما حتى الآن سوى بيانات المطورين أنفسهم.