Pruna AI превратила видеомодель MiniMax H3 в генератор изображений P-H3-Image!
Команда Pruna AI представила P-H3-Image, открытую по весам модель генерации и редактирования изображений, созданную на основе видеомодели MiniMax H3.
Идея в том, что видеогенератор во время обучения осваивает не только внешний вид объектов, но и их вид с разных ракурсов, изменение освещения, перспективу и движение. Это можно использовать для создания изображений.
Разработчики существенно изменили архитектуру:
- заменили 32-миллиардный текстовый энкодер на дистиллированный 4-миллиардный;
- уменьшили трансформер с 33 до 20 млрд параметров;
- переобучили декодер для получения одного резкого изображения вместо последовательности видеокадров;
- переработали расписание диффузии и сократили генерацию с 50 до 8 шагов методом дистилляции;
- добавили улучшатель промптов на базе Qwen3.5-9B.
По замерам Pruna, на NVIDIA B200 генерация изображения 4 МП занимает 2,6 секунды вместо 12,4 у исходной H3. Для 8 МП время составляет 5,8 секунды вместо 30,6. Это результаты разработчиков, а не независимые тесты.
Минимальный комплект квантованных весов сократился до 20 ГБ против 143 ГБ у оригинального MiniMax. Версия W4A8 при генерации 8 МП требует около 21 ГБ видеопамяти.
Что умеет P-H3-Image
Заявлена работа с разрешениями от 2 до 16 МП, оптимальным разработчики называют 8 МП.
Можно использовать до восьми исходных изображений, объединять персонажей, объекты и элементы окружения в одной композиции. Эта способность унаследована от обучения H3 работе с видеореференсами.
Модель доступна через Diffusers. Нативная поддержка без сторонних нод появилась в ComfyUI 0.44.0 от 4 ноября. Опубликованы готовые workflows и квантованные веса.
Отметим, что это не первый эксперимент Pruna: раньше команда аналогичным образом создала Wan Image на базе Wan 2.1.
Полезные материалы:
Ещё новости:
