Pruna AI reduziu o MiniMax-H3 de 143 para 20 GB e transformou o modelo de vídeo em gerador de imagens

Os grandes modelos de vídeo costumam viver em clusters: rodá-los em casa ou em um estúdio pequeno é quase impossível. A Pruna AI mostrou o caminho inverso. A empresa pegou o modelo de vídeo MiniMax-H3 (na forma original, seus pesos ocupam 143 GB), converteu-o no gerador de imagens P-H3-Image e publicou o resultado com pesos abertos.

Agora o modelo pesa cerca de 20 GB, gera uma imagem em 8 passos em vez de 50 e, para um quadro de 8 megapixels (MP), precisa de 21 GB de memória de vídeo (VRAM). Em outras palavras, o que antes exigia um rack de GPUs agora pode ser testado em uma única placa da classe da RTX 4090. O modelo gera imagens a partir de texto e também edita imagens prontas.

Por que fazer imagens a partir de um modelo de vídeo

Para produzir um vídeo convincente, o modelo precisa entender como um objeto aparece de ângulos diferentes e como a luz incide sobre vidro, tecido ou pele. Esse conhecimento também serve para um quadro isolado, e por isso um modelo de vídeo é uma boa base para imagens. Mas, no H3 original, um quadro avulso sai com aspecto "borrado", e o modelo exige muito hardware.

A Pruna AI reformulou o modelo em várias etapas:

• O codificador de texto, que lê o prompt, foi reduzido de 32B para 4B de parâmetros. Seu peso caiu de 67 para 9 GB.
• O número de passos de geração foi cortado de 50 para 8 com destilação DMD, técnica que treina um modelo "rápido" para reproduzir o resultado de um "lento". Por isso, não são necessários CFG (maior aderência ao prompt) nem prompt negativo.
• O bloco de timestep, que respondia por 40% do transformer, foi substituído por um equivalente compacto.
• O decodificador foi retreinado: antes trabalhava com vídeo, agora trabalha com um único quadro.

Segundo os autores, na maioria dos prompts o resultado com 8 passos é indistinguível do obtido com 50.

O que é preciso para rodar

O mínimo é 21 GB de VRAM no modo w4a8, com quadro de 8 MP. RTX 4090 e 5090 atendem, e 24 GB bastam no limite. Com int8, são necessários 31 GB; com bf16, 56 GB. Os kernels int8 exigem uma placa NVIDIA da geração Ampere ou mais recente, ou AMD RDNA3/4.

O suporte no ComfyUI é nativo, sem nós personalizados. Porém, por enquanto ele existe apenas na versão mais recente do GitHub (nightly); não há release estável.

O modelo aceita até oito imagens na entrada. A primeira é editada, e as demais servem de referência: por exemplo, é possível mostrar um personagem ou objeto de ângulos diferentes. A resolução suportada vai de 2 a 16 MP, e o melhor desempenho é com 8 MP. Abaixo de 8 MP há mais artefatos, e 4 MP é um meio-termo em velocidade.

Segundo a descrição dos autores, o modelo é forte em fotografia documental e editorial, retratos com textura de pele natural, quadros com aparência "de cinema", anime, risografia e gráficos com textos curtos.

Limitações que vale conhecer

É melhor considerar os pontos fracos antes de adotar o modelo:

• Mãos, figuras pequenas ao fundo e detalhes miúdos "derretem", principalmente abaixo de 8 MP.
• Texto denso sai de forma pouco confiável. Citações curtas entre aspas saem bem.
• Complementos habituais como "8k, masterpiece" deixam a imagem brilhante demais e com estouro de luz. Por isso, o upsampler de prompts baseado no Qwen3.5-9B, que reescreve a solicitação, vem ativado por padrão.
• A quantização de 4 bits pode prejudicar a composição. Se a precisão do quadro for importante, vale comparar os modos.

O que fazer na prática

Se você tem uma placa de consumo topo de linha, pode testar o modelo em ilustrações editoriais, conceitos e edição por referências, sem alugar um cluster. Para produção, é melhor esperar o release estável do ComfyUI ou fixar uma versão nightly específica. Já a receita em si — comprimir o codificador de texto, reduzir os passos e retreinar o decodificador — é um bom exemplo de como transformar um modelo pesado em uma ferramenta compacta e funcional.

É possível experimentar já: o projeto tem demo no Hugging Face, blog da Pruna AI, pesos e um pacote separado para o ComfyUI.