MiniMax-H3 Prompt Rewriter (Qwen3.8-27B-FL2VA)
умный рерайтер промптов для видео и аудио
2 мин чтения
Модель предназначена для автоматического улучшения и доработки текстовых промптов перед генерацией видео и звука в системе MiniMax-H3. Она умеет работать как с чистым текстом, так и с визуальными референсами — начальным и конечным кадрами будущего ролика, помогая точнее описать переход и динамику сцены. В основе лежит крупная языковая модель Qwen3.8-27B (27.36 млрд параметров), дообученная методом SFT (контролируемое дообучение на примерах) командой lightx2v. Инструмент пригодится разработчикам и авторам, которые хотят получать более детализированные и предсказуемые результаты при генерации видео со звуком.
Ключевые особенности
- Четыре режима генерации: поддержка чистого текста (
T2VA), опоры на первый кадр (I2VA), последний кадр (L2VA) или сразу оба кадра (FL2VA). - Рассуждения перед ответом: модель генерирует не только улучшенный промпт, но и цепочку рассуждений (reasoning), сохраняя результат в JSON.
- Длинный контекст: окно контекста составляет 32 768 токенов с лимитом на генерацию ответа до 16 384 токенов.
- Готовность к продакшену: адаптирована для быстрого развёртывания через движок
vLLMс помощью готовых bash-скриптов.
Что можно сделать
- Улучшить качество видеогенерации: встроить рерайтер как промежуточный шаг в пайплайн создания роликов для
MiniMax-H3, чтобы превращать короткие идеи в подробные сценарии со звуковым сопровождением. - Склеивать сцены по ключевым кадрам: подавать на вход первый и последний кадры (режим
FL2VA), чтобы модель сама описала логичное движение и звук между ними. - Автоматизировать контент-пайплайны: подключить модель по API через
vLLMв локального бота или сервис генерации видео с заданием длительности (DURATION).
Пример
pip install vllm requests pillow qwen-vl-utils
bash vllm_server.sh
bash post_vllm.shПодробнее
Базовая модель: Qwen3.8-27B (27.36B параметров), метод обучения — SFT.В релизе также доступна более лёгкая версия на базе Qwen3.5-9B.
Для запуска требуется GPU и окружение с vLLM; по умолчанию сервер использует GPU 0 и порт 8000.
Результат инференса (улучшенный промпт, рассуждения, параметры и тайминги) сохраняется в
infer_outputs/result.json.













Комментарии