К содержимому
Компьютерное зрение

MiniMax-H3-Prompt-Rewriter: квантованная версия мультимодальной модели

2 мин чтенияобновлено

Модель представляет собой квантованную (сжатую) версию lightx2v/MiniMax-H3-Prompt-Rewriter-Qwen3.8-27B-Ref2VA, созданную с помощью библиотеки llm-compressor. Основная задача этой LLM (большой языковой модели) — улучшение и переписывание промптов (текстовых запросов) для генеративных пайплайнов, с учетом визуальных данных. Благодаря 4-битной квантованию вес модели уменьшился с примерно 55 ГБ до 19 ГБ в VRAM, что позволяет запускать её на потребительском железе и в среде ComfyUI с дополнительным запасом памяти. Модель создана разработчиком 4kun и ориентирована на энтузиастов и пользователей локальных нейросетевых станций.

Ключевые особенности

  • Сильное сжатие: вес модели уменьшен с ~55 ГБ до ~19 ГБ VRAM в vLLM.
  • Схема квантования NVFP4A16 (веса в 4-битном FP4, активации в 16-битном BF16).
  • Точечная оптимизация: квантованы только линейные слои языкового бэкэнда, а визуальный модуль и lm_head сохранены в оригинальном bfloat16.
  • Удобная интеграция для запуска в средах вроде ComfyUI или серверах vLLM.

Что можно сделать

  • Запустить модель локально на оборудовании с меньшими требованиями к видеопамяти благодаря сжатому формату.
  • Подключить модель в ComfyUI для автоматического улучшения и детализации промптов для генерации контента.
  • Настроить сервер обслуживания через vLLM для быстрой обработки мультимодальных запросов.

Пример

Пример запуска сервиса модели через vLLM с поддержкой обработки изображений и конфигурацией генерации:

vllm serve 4kun/MiniMax-H3-Prompt-Rewriter-Qwen3.8-27B-Ref2VA-NVFP4A16 \
  --served-model-name MiniMax-H3-Prompt-Rewriter-Qwen3.8-27B-Ref2VA \
  --dtype bfloat16 \
  --max-model-len 32768 \
  --limit-mm-per-prompt '{"image":50,"video":0}' \
  --reasoning-parser qwen3 \
  --default-chat-template-kwargs '{"enable_thinking":true,"reasoning_effort":"xhigh"}' \
  --override-generation-config '{"temperature":0.7,"top_p":0.8,"top_k":20,"max_new_tokens":16384}'
ПодробнееСхема квантования: NVFP4A16 (nvfp4-pack-quantized, W4A16)
Требования к VRAM: ~18.8 ГБ в vLLM (против ~55.6 ГБ в исходном BF16)
Особенности архитектуры: языковой бэкэнд квантован, визуальная башня и lm_head оставлены в bfloat16
Базовая модель: lightx2v/MiniMax-H3-Prompt-Rewriter-Qwen3.8-27B-Ref2VA
Обсудить Telegram 0 28

Запустится ли?

Запустится в 4-bit

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • U8веса 29 GB · готовые файлы32 GB
  • FP8 / INT8рекомендуемвеса 26 GB29 GB
  • 4-bitвеса 15 GB17 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 5090

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # 4kun/MiniMax-H3-Prompt-Rewriter-Qwen3.8-27B-Ref2VA-NVFP4A16
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download 4kun/MiniMax-H3-Prompt-Rewriter-Qwen3.8-27B-Ref2VA-NVFP4A16 --local-dir ~/models/MiniMax-H3-Prompt-Rewriter-Qwen3.8-27B-Ref2VA-NVFP4A16
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Промпты для MiniMax H3

Все промпты

Готовые промпты с видео результата: копируйте и пробуйте.

Семья модели

Новые посты про версии MiniMax-H3-Prompt-Rewriter-Qwen3.8-27B-Ref2VA — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 4Все на Hugging Face
Дообучения 3Все на Hugging Face

О модели

4kun/MiniMax-H3-Prompt-Rewriter-Qwen3.8-27B-Ref2VA-NVFP4A16
Автор
4kun
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

280

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Prompt-Resampler-2B

Prompt-Resampler-2B