Pruna AI сделала из видеомодели MiniMax H3 генератор картинок: 2,6 с вместо 12,4 с на 4 МП

Pruna AI взяла тяжёлую видеомодель MiniMax H3 и сделала из неё быстрый генератор и редактор картинок P-H3-Image с открытыми весами. Проблема в том, что видеогенераторы мощные, но медленные и прожорливые: чтобы получить из H3 одну картинку, нужны сотни гигабайт памяти и десятки секунд ожидания. Теперь, по замерам самой Pruna, кадр в 4 МП (мегапикселя, это примерно 2000×2000 пикселей) на ускорителе NVIDIA B200 готов за 2,6 секунды вместо 12,4 секунды у исходной H3. Для разработчика это значит: идею «использовать видеомодель как основу для картинок» теперь можно запустить без целого дата-центра.

Почему видеомодель годится для картинок

Слухи о том, что на базе MiniMax можно собрать генератор изображений, ходили давно, но сам MiniMax ограничивался обещаниями. Идея понятна: чтобы нарисовать правдоподобный ролик, видеомодель при обучении осваивает, как предмет выглядит с разных ракурсов, как меняются свет, перспектива и движение. Это знание можно использовать и для одиночного кадра.

Но Pruna не просто попросила H3 выдать один кадр вместо видео. Архитектуру серьёзно переделали:

• 32-миллиардный текстовый энкодер (часть, которая превращает ваш промпт в понятное модели представление) заменили на дистиллированный, то есть «сжатый» до 4 млрд параметров;
• основной трансформер уменьшили с 33 до 20 млрд параметров;
• декодер переобучили, чтобы он выдавал одно резкое изображение, а не последовательность видеокадров;
• расписание диффузии переработали и с помощью дистилляции сократили генерацию с 50 до 8 шагов; шаг — это один проход модели по картинке, поэтому меньше шагов означает меньше ожидания;
• добавили улучшатель промптов на базе Qwen3.5-9B, который превращает короткий запрос в более подробный.

Скорость и память

На NVIDIA B200 изображение 4 МП генерируется за 2,6 секунды против 12,4 у оригинальной H3. Для 8 МП разница такая же заметная: 5,8 секунды вместо 30,6. Это примерно пятикратное ускорение. Важная оговорка: цифры получены самими разработчиками, независимых тестов пока нет, а B200 — очень дорогая карта, так что на более скромном железе время будет больше.

С памятью картина тоже изменилась. Минимальный комплект квантованных весов (то есть записанных с пониженной точностью, чтобы занимать меньше места) занимает 20 ГБ, тогда как оригинальный MiniMax H3 — 143 ГБ. Версия W4A8, где веса хранятся в 4 битах, а активации — в 8, при генерации 8 МП требует около 21 ГБ видеопамяти. Квантование обычно стоит какой-то доли качества, поэтому перед использованием в продукте имеет смысл сравнить результаты на собственных промптах.

Что умеет и как попробовать

Модель заявлена для разрешений от 2 до 16 МП, оптимальным разработчики называют 8 МП. Сильная сторона — работа с референсами: можно передать до восьми исходных изображений и собрать в одной композиции персонажей, предметы и элементы окружения. По словам авторов, эта способность унаследована от обучения H3 на видеореференсах. На практике это выглядит так: загрузили героя, товар и фон — получили единую сцену без ручного монтажа.

Запустить модель можно через Diffusers. Нативная поддержка без сторонних нод появилась в ComfyUI 0.44.0 от 4 ноября. Pruna опубликовала готовые workflows и квантованные веса, так что начать можно без глубокого погружения в код. Условия лицензии стоит прочитать на странице модели в Hugging Face, особенно если планируется коммерческое использование.

Это не первый подобный эксперимент команды: раньше Pruna таким же способом создала Wan Image на базе видеомодели Wan 2.1. Практический вывод: если вам нужен открытый генератор и редактор картинок с несколькими референсами, который помещается примерно в 20 ГБ видеопамяти, P-H3-Image стоит проверить на своих задачах, помня, что скорость и качество пока подтверждены только данными самих разработчиков.