Pruna AI ужала MiniMax-H3 со 143 до 20 ГБ и сделала из видеомодели генератор картинок

Большие видеомодели обычно живут на кластерах: запустить их дома или в небольшой студии почти нереально. Pruna AI показала обратный путь. Компания взяла видеомодель MiniMax-H3 (в исходном виде её веса занимают 143 ГБ), переделала в генератор картинок P-H3-Image и выложила с открытыми весами. Теперь модель весит около 20 ГБ, рисует картинку за 8 шагов вместо 50 и для кадра в 8 мегапикселей (МП) ей нужно 21 ГБ видеопамяти (VRAM). Проще говоря, то, что раньше требовало стойки с GPU, теперь можно потрогать на одной карте уровня RTX 4090. Модель умеет генерировать изображения по тексту и редактировать готовые.

Зачем делать картинки из видеомодели

Чтобы снять убедительное видео, модель должна понимать, как предмет выглядит с разных сторон и как свет ложится на стекло, ткань или кожу. Эти знания пригодны и для одиночного кадра, поэтому видеомодель — хорошая база для картинок. Но у самой H3 отдельный кадр получается «мыльным», а железа она просит много.

Pruna AI переработала модель в несколько шагов:

• Текстовый энкодер, который читает промпт, уменьшили с 32B до 4B параметров. Его вес упал с 67 до 9 ГБ.
• Число шагов генерации сократили с 50 до 8 с помощью DMD-дистилляции — обучения «быстрой» модели повторять результат «медленной». Благодаря этому не нужны CFG (усиленное следование промпту) и негативный промпт.
• Блок таймстепа, на который приходилось 40% трансформера, заменили компактным аналогом.
• Декодер переучили: раньше он работал с видео, теперь — с одним кадром.

По словам авторов, на большинстве промптов результат за 8 шагов не отличить от результата за 50.

Что нужно, чтобы запустить

Минимум — 21 ГБ VRAM в режиме w4a8 при кадре в 8 МП. RTX 4090 и 5090 проходят, а 24 ГБ хватает впритык. Если брать int8, потребуется 31 ГБ, для bf16 — 56 ГБ. Для int8-ядер нужна видеокарта NVIDIA поколения Ampere и новее либо AMD RDNA3/4.

Поддержка в ComfyUI нативная, без кастомных нод. Но пока она есть только в свежей версии из GitHub (nightly), стабильного релиза нет.

Модель принимает до восьми изображений на входе. Первое редактируется, остальные служат референсами: например, можно показать персонажа или предмет с разных ракурсов. Разрешение поддерживается от 2 до 16 МП, лучше всего работает 8 МП. Ниже 8 МП артефактов больше, а 4 МП — компромисс по скорости.

По описанию авторов, модель сильна в документальных и редакционных фотографиях, портретах с живой текстурой кожи, кадрах «как из фильма», аниме, ризографе и графике с короткими надписями.

Ограничения, о которых стоит знать

Слабые места стоит учесть до внедрения:

• Руки, мелкие фигуры на заднем плане и мелкие детали «плывут», особенно ниже 8 МП.
• Плотный текст получается ненадёжно. Короткие цитаты в кавычках выходят хорошо.
• Привычные добавки вроде «8k, masterpiece» дают слишком глянцевую картинку и пересвет. Поэтому по умолчанию включён апсемплер промптов на Qwen3.5-9B, который переписывает запрос.
• 4-битная квантизация может испортить композицию. Если важна точность кадра, имеет смысл сравнить режимы.

Что делать на практике

Если у вас есть одна топовая потребительская карта, можно проверить модель на редакционных иллюстрациях, концептах и правке по референсам, не арендуя кластер. Для продакшена лучше подождать стабильного релиза ComfyUI или зафиксировать конкретную nightly-версию. А сам рецепт — сжать текстовый энкодер, сократить шаги и переучить декодер — полезный пример того, как из тяжёлой модели получить компактный рабочий инструмент.

Попробовать можно сразу: у проекта есть демо на Hugging Face, блог Pruna AI, веса и отдельный пакет для ComfyUI.