Хак весов: MiniMax H3 получил резкость Z-Image без дообучения, Apache 2.0

Если вы пробовали открытые видеомодели на реальных задачах, то знаете этот эффект: кадр в целом красивый, но стена, ткань и вода выглядят так, будто их протёрли ластиком. Статичные картиночные модели при этом рисуют те же фактуры очень чётко. Энтузиасты решили не учить видеомодель заново, а позаимствовать у картиночной «умение смотреть» на детали. Получился гибрид MiniMax-H3 x Z-Image.

Какую проблему лечат

У диффузионных видеомоделей две хронические болезни. Первая — потеря микротекстур: облупившаяся краска, ржавчина, шероховатость ткани сглаживаются, потому что модель вынуждена экономить внимание на согласованности движения. Вторая — накопление артефактов при склейке сцен. Если делать ролик из нескольких фрагментов, каждый следующий получает чуть больше резкости и шума от предыдущего, и к третьей сцене картинка перешарплена.

Это не академическая мелочь. Любой, кто собирает рекламный ролик, клип или превиз из нескольких генераций, упирается именно в это: первая сцена хороша, третья выглядит как пережатая.

Как работает пересадка

Автор называет приём spatial detail graft. Идея простая: в механизме внимания есть нормализация запросов q_norm, и её веса влияют на то, насколько «громко» блок реагирует на пространственные детали. Профиль этой громкости взяли у Z-Image (модель Lumina2 на 6 млрд параметров), известной резкой прорисовкой, и перенесли в блоки MiniMax H3 точечным масштабированием q_norm. Веса K и слои feed-forward остались нетронутыми, дообучения нет.

Представьте эквалайзер: вы не перезаписываете песню, а поднимаете высокие частоты только в середине трека. Здесь так же, только по глубине сети:

• блоки B00–B24 — ветка FL2VA, отвечает за кинематику и траектории движения;
• блоки B25–B49 — ветка REF2VA с профилями Z-Image, там рождается плотность текстур;
• блоки B50 и дальше — снова FL2VA, чтобы кадры собрались бесшовно.

Сборка сделана прямо на уровне тензоров safetensors, то есть это готовый чекпойнт, а не набор патчей.

По данным автора, на склейке из трёх сцен доля высокочастотных деталей у гибрида держится на 99% от эталона, а у стоковой H3 уходит к 111% — это и есть перешарп. Заявлено, что консистентность персонажей при этом не страдает.

Что с этим делать на практике

Модель лежит на Hugging Face под Apache 2.0, так что её можно использовать в коммерческих проектах. Есть BF16 (37,46 ГБ), INT8 и GGUF-сборки Q4_0, Q5_1, Q8_0 для ComfyUI. По заявлению автора, GGUF работают в 4–8 раз быстрее и помещаются в 16–24 ГБ VRAM на картах RTX 30/40. Для локального пайплайна это реальный шанс запустить модель без аренды H100.

Если вы делаете видеогенерацию в продукте, стоит прогнать на своих промптах три сцены подряд и сравнить с обычной H3: именно на длинных склейках разница должна быть заметнее всего. Для тех, кто занимается моделями, интересен и сам приём: подмена масштаба внимания в части блоков как дешёвая альтернатива дообучению.

Ограничения

Все цифры пока авторские: независимых бенчмарков нет, а метрика «коэффициент высокочастотных деталей» — не стандарт индустрии и не гарантирует, что глаз увидит то же самое. Гибрид может хуже вести себя на стилизованных сценах, где мягкость нужна по замыслу. Скорость GGUF в 4–8 раз зависит от того, с чем сравнивать, а квантизация Q4_0 обычно что-то отнимает у качества. Наконец, это работа одного автора, поддержка и обновления не гарантированы.

Вывод: это не прорыв, а аккуратный инженерный хак, но полезный. Он показывает, что часть качества видеомоделей можно улучшать постобработкой весов, а не новым обучением за миллионы. Стоит скачать, проверить на своих задачах и забрать идею, даже если сам чекпойнт не приживётся.