К содержимому
Видео

1⃣ MiniMax-H3 Video PixelHead v0.2.0

легкий экспериментальный VAE-адаптер для видео

2 мин чтения

Модель представляет собой предварительный адаптер (PixelHead) для базовой видеомодели Comfy-Org/MiniMax-H3, созданный для ускорения генерации и снижения потребления VRAM. Вместо штатного тяжелого декодера весом 2.68 ГБ предлагается компактный вариант весом всего 45.7 МБ в формате BF16 (или 91.4 МБ в FP32). На данный момент сборка имеет статус экспериментальной превью-версии: она отлично справляется с плоской графикой и общим движением, но из-за отсутствия перцептивных потерь смазывает мелкие детали и естественные текстуры. Разработка предназначена для предварительных быстрых компоновок и тестов в ComfyUI.

Ключевые особенности

  • Компактность: Вес файла в формате BF16 составляет всего 45.7 МБ против 2.68 ГБ у штатного декодера.
  • Ускорение: Обеспечивает прирост скорости обработки примерно в 8.5 раза по сравнению со стоковой конфигурацией.
  • Качество плоских объектов: Уверенно декодирует плоскую 2D-графику и динамический текст (метрика достигает 36.73 dB).
  • Интеграция: Поставляется с готовыми файлами рабочих процессов для ComfyUI на английском и китайском языках.

Что можно сделать

  • Быстрый предпросмотр: Запустить превью-воркфлоу в ComfyUI для оценки движения и композиции видеоряда при нехватке видеопамяти.
  • Тестирование сцен: Проверить черновики генераций с преобладанием простых геометрических форм и статических элементов.
  • Исследование архитектуры: Использовать веса для экспериментов с локальными пайплайнами генерации видео на картах NVIDIA L4.

Пример

Для запуска превью-версии в ComfyUI загрузите один из файлов рабочих процессов (например, workflows/01_MiniMaxH3_VideoPixelHead_Preview_EN.json) и подключите скачанный файл весов minimax_h3_video_pixel_head_bf16.safetensors в узел декодера.

ПодробнееБенчмарки (NVIDIA L4, разрешение 384x256, 22 кадра): общий средний показатель PSNR составляет 31.03 dB, а средний LPIPS — 0.2338.
Ограничения: текущая версия v0.2.0 имеет проблемы с детализацией сложных текстур, лиц и быстрых перекрытий (на таких кадрах качество падает до 25.91 dB).
Требования к железу: значительно сниженные требования к VRAM за счет легковесного ConvNeXt-ствола вместо тяжелого ViT3D VAE.
Детали обучения: модель обучена в пиксельном пространстве с использованием потерь L1, MSE и соседних разностей без перцептивного LPIPS.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы3.1 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB3.0 GB
  • 4-bitвеса 0.0 GB3.0 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 2060 · BF16 — от RTX 2060

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

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте RTX A6000

    $0.43 в час с купоном. При создании машины выберите образ Ubuntu.

    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.

    #!/usr/bin/env bash
    # MiniMax-H3-Video-PixelHead
    set -e
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    # CUDA 13+ → int8_convrot (так советует Comfy-Org), иначе fp8_scaled
    CU=$(nvidia-smi | grep -oP 'CUDA Version: \K[0-9]+' || echo 12)
    [ "$CU" -ge 13 ] && TORCH=cu130 || TORCH=cu128
    [ -d ~/ComfyUI ] || git clone https://github.com/comfyanonymous/ComfyUI ~/ComfyUI
    cd ~/ComfyUI
    uv venv --python 3.12 --allow-existing && source .venv/bin/activate
    uv pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/$TORCH
    uv pip install -r requirements.txt "huggingface_hub[cli]"
    # Базовые файлы: MiniMax H3, 8-bit
    if [ "$CU" -ge 13 ]; then
      hf download Comfy-Org/MiniMax-H3 text_encoders/qwen3vl_32b_minimax_h3_int8_convrot.safetensors vae/minimax_h3_video_vae_fp16.safetensors vae/minimax_h3_audio_vae_fp32.safetensors --local-dir models
    else
      hf download Comfy-Org/MiniMax-H3 text_encoders/qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors vae/minimax_h3_video_vae_fp16.safetensors vae/minimax_h3_audio_vae_fp32.safetensors --local-dir models
    fi
    # Основная модель: MiniMax-H3-Video-PixelHead
    hf download pocis/MiniMax-H3-Video-PixelHead minimax_h3_video_pixel_head_bf16.safetensors --local-dir models/diffusion_models
    # Модель в 16 бит: ComfyUI держит её в 8 бит (--fp8_e4m3fn-unet) — памяти вдвое меньше
    # Запуск ComfyUI. Со своего компьютера: ssh -L 8188:localhost:8188 пользователь@IP, затем http://localhost:8188
    python main.py --listen 127.0.0.1 --port 8188 --fp8_e4m3fn-unet
    Добавить ещё LoRA к MiniMax-H3-Video-PixelHead
  3. 3. Пользуйтесь

    Со своего компьютера: ssh -L 8188:localhost:8188 пользователь@IP-машины, затем откройте http://localhost:8188. Или откройте этот адрес в браузере на рабочем столе машины. Workflow для модели обычно лежит в её карточке на Hugging Face.

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.

  • SageAttention 3v2.2.0от 28 октября 2025

    ещё быстрее на RTX 50 / Blackwell

    FP4-внимание для Blackwell. Быстрее SageAttention 2, но авторы советуют 2-ю версию, когда важна точность.

    Как включить: Сборка из папки sageattention3_blackwell репозитория; в ComfyUI — через KJNodes.

    Предыдущие поколения (2)
    • SageAttention 2++ — Квантованное (INT8/FP8) внимание без заметной потери качества. Главное ускорение для генерации картинок и видео.
    • SageAttention 1 — Первая версия: INT8 для Q·K. Работает и на старых сборках, но 2++ быстрее и точнее.
  • 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 (3)
    • 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.
    • xFormers — Старый способ ускорить внимание, работает почти везде. Если есть Sage или Flash — они быстрее.
  • cache-dit (DBCache)v1.5.6от 20 ноября 2026новая версия

    1.5–3× при почти том же качестве

    Переиспользует результаты блоков между шагами диффузии. Поддерживает большинство DiT-моделей.

    Как включить: pip install cache-dit; одна строка cache_dit.enable_cache(pipe) для diffusers.

    Предыдущие поколения (2)
    • MagCache — Пропускает шаги по величине изменений. Точнее TeaCache без калибровки.
    • TeaCache — Первый массовый кэш шагов диффузии. Работает, но новые методы точнее.
  • LightX2V step distill0.6.1от 9 ноября 2026новая версия

    5–10× меньше шагов

    Дистиллированные LoRA и движок: видео за 4–8 шагов вместо 30–50.

    Как включить: Подключите их step-distill LoRA к модели, CFG 1.0, 4–8 шагов.

  • 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

Дообучение модели

Comfy-Org/MiniMax-H3
  1. MiniMax-H3основа семьи
  2. MiniMax-H3
  3. MiniMax-H3-Video-PixelHead

Новые посты про версии MiniMax-H3 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face
Слияния 3Все на Hugging Face

О модели

pocis/MiniMax-H3-Video-PixelHead
Автор
pocis
Категория
Видео
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Видео

Wan2.1

Wan2.1
Робототехника

Video LAM

Video LAM