Pruna AI reduce MiniMax-H3 de 143 a 20 GB y convierte el modelo de vídeo en un generador de imágenes

Los grandes modelos de vídeo suelen vivir en clústeres: ejecutarlos en casa o en un estudio pequeño es casi imposible. Pruna AI ha mostrado el camino inverso. La compañía tomó el modelo de vídeo MiniMax-H3 (en su forma original, sus pesos ocupan 143 GB), lo convirtió en el generador de imágenes P-H3-Image y lo publicó con pesos abiertos.

Ahora el modelo pesa unos 20 GB, genera una imagen en 8 pasos en lugar de 50 y, para un fotograma de 8 megapíxeles (MP), necesita 21 GB de memoria de vídeo (VRAM). En pocas palabras: lo que antes requería un rack de GPU ahora se puede probar en una sola tarjeta de nivel RTX 4090. El modelo sabe generar imágenes a partir de texto y editar imágenes ya hechas.

Por qué sacar imágenes de un modelo de vídeo

Para crear un vídeo convincente, el modelo debe entender cómo se ve un objeto desde distintos lados y cómo cae la luz sobre el cristal, la tela o la piel. Ese conocimiento también sirve para un fotograma suelto, por lo que un modelo de vídeo es una buena base para generar imágenes. Pero en el H3 original, un fotograma aislado sale «blando», y el modelo exige mucho hardware.

Pruna AI rehízo el modelo en varios pasos:

• El codificador de texto, que lee el prompt, se redujo de 32B a 4B de parámetros. Su peso bajó de 67 a 9 GB.
• El número de pasos de generación se recortó de 50 a 8 mediante destilación DMD, un método que entrena un modelo «rápido» para reproducir el resultado de uno «lento». Gracias a ello no hacen falta CFG (seguimiento reforzado del prompt) ni prompt negativo.
• El bloque de timestep, que ocupaba el 40% del transformer, se sustituyó por un equivalente compacto.
• El decodificador se reentrenó: antes trabajaba con vídeo y ahora lo hace con un solo fotograma.

Según los autores, en la mayoría de los prompts el resultado en 8 pasos no se distingue del obtenido en 50.

Qué se necesita para ejecutarlo

El mínimo es 21 GB de VRAM en modo w4a8 con un fotograma de 8 MP. Las RTX 4090 y 5090 cumplen el requisito, aunque los 24 GB alcanzan justo. Con int8 se necesitan 31 GB y con bf16, 56 GB. Los kernels int8 requieren una tarjeta NVIDIA de generación Ampere o posterior, o bien AMD RDNA3/4.

El soporte en ComfyUI es nativo, sin nodos personalizados. Sin embargo, por ahora solo está disponible en la versión reciente de GitHub (nightly); no hay una versión estable.

El modelo acepta hasta ocho imágenes de entrada. La primera se edita y las demás actúan como referencias: por ejemplo, se puede mostrar un personaje o un objeto desde distintos ángulos. La resolución admitida va de 2 a 16 MP, y donde mejor funciona es en 8 MP. Por debajo de 8 MP aparecen más artefactos, y 4 MP es un compromiso en cuanto a velocidad.

Según la descripción de los autores, el modelo destaca en fotografía documental y editorial, retratos con textura de piel natural, planos «de película», anime, risografía y gráficos con textos cortos.

Limitaciones que conviene conocer

Conviene tener en cuenta estos puntos débiles antes de adoptarlo:

• Las manos, las figuras pequeñas en segundo plano y los detalles finos «flotan», sobre todo por debajo de 8 MP.
• El texto denso no sale de forma fiable. Las citas cortas entre comillas salen bien.
• Los añadidos habituales como «8k, masterpiece» producen una imagen demasiado brillante y con sobreexposición. Por eso, por defecto está activado un upsampler de prompts basado en Qwen3.5-9B, que reescribe la petición.
• La cuantización de 4 bits puede estropear la composición. Si importa la precisión del fotograma, conviene comparar los modos.

Qué hacer en la práctica

Si tienes una sola tarjeta de consumo de gama alta, puedes probar el modelo con ilustraciones editoriales, conceptos y edición a partir de referencias, sin alquilar un clúster. Para producción, es mejor esperar a una versión estable de ComfyUI o fijar una versión nightly concreta. Y la receta en sí (comprimir el codificador de texto, reducir los pasos y reentrenar el decodificador) es un buen ejemplo de cómo convertir un modelo pesado en una herramienta compacta y útil.

Se puede probar de inmediato: el proyecto cuenta con una demo en Hugging Face, un blog de Pruna AI, los pesos y un paquete aparte para ComfyUI.