Pruna превратила видеомодель MiniMax H3 в генератор картинок за 8 шагов

Знакомая боль у всех, кто собирает AI-видео: сначала нужен кадр, потом его оживляют. Если кадр сделан одной моделью, а анимация другой, стиль плывёт. Свет, фактура, цвет уезжают уже на втором шоте, и дальше начинается ручная подгонка. Pruna предлагает обходной путь: взять видеомодель MiniMax H3 и превратить её в генератор статичных изображений. Называется P-H3-Image.

Что известно о релизе

Сведения пока из одного короткого поста энтузиаста @alemotion. Модель генерирует картинку за 8 шагов и обходится без CFG (classifier-free guidance). Это важно по практической причине: CFG обычно требует дополнительного прохода модели на каждом шаге, так что отказ от него экономит и время, и память.

Редактирование поддерживает до 8 входных изображений. Можно одновременно подать персонажа, локацию, предмет и стилевой референс и попросить собрать из них новый кадр. Модель нативно работает в ComfyUI, то есть писать собственную обвязку не нужно.

Отдельно стоит цифра по памяти. 4-битный набор весов на разрешении 8 мегапикселей пиково занимает около 21 ГБ VRAM. У RTX 4090 их 24. Запас небольшой, но он есть: потребительская карта тянет крупные кадры без аренды облака.

Зачем это на практике

Сценарий автора: делать ключевые кадры, которые уже имеют «лицо» H3, и только потом их анимировать. Логика простая. Если стартовый кадр родился в той же семье моделей, что и видео, то стиль на входе и на выходе должен расходиться меньше. Это гипотеза автора, замеров в посте нет, но идея понятная и проверяемая.

Представьте рекламный ролик из шести шотов. Вы загружаете три референса героя, один референс окружения и один стилевой, получаете раскадровку по 8 шагов на кадр и утверждаете её. Только после этого тратите дорогие видеогенерации. Ошибка на этапе кадра стоит в разы дешевле, чем ошибка на этапе видео.

Есть и второй плюс: 8 шагов без CFG означают быстрые итерации. Для раскадровки это критично, потому что вы почти всегда делаете десятки вариантов, прежде чем найдёте нужный.

Ограничения

Источник один: короткий пост с 8 просмотрами. Сравнений с другими картиночными моделями нет. Не показано, сколько секунд занимает генерация на 4090, как качество держится при 8 референсах и насколько 4-битное квантование ухудшает детали по сравнению с полной точностью.

Цифра 21 ГБ описывает пик при 8 Мп. В реальном графе ComfyUI, где рядом работают апскейлер или ControlNet, 24 ГБ закончатся быстро. Наконец, стоит проверить лицензии Pruna и MiniMax до коммерческого использования.

Что делать

Если у вас уже есть пайплайн на H3, возьмите один бриф и прогоните его через P-H3-Image и через вашу текущую картиночную модель. Сравните, насколько кадры совпадают по стилю с последующей анимацией. Если H3 вы не используете, переезжать ради этого релиза рано: независимых тестов пока нет.

Но тренд заметен. Видеомодели начинают получать картиночных «двойников», чтобы весь пайплайн от раскадровки до анимации держался на одной стилистике. Для студий и соло-авторов это шанс сократить ручную подгонку, а для разработчиков инструментов сигнал, что консистентность между этапами становится отдельной задачей.