Модель предназначена для text-to-video и image-to-video сценариев с референсным управлением, включая сохранение персонажей и объектов по нескольким изображениям, и интегрируется с ComfyUI через ComfyUI-GGUF. Базовая модель подготовлена xmarre, а интеграция GGUF выполнена city96.

Модель основана на обрезанной архитектуре MiniMax-H3 размером 20,1 млрд параметров. Она объединяет визуальное качество, динамику движения и аудио FL2VA с многoизображенческим управлением персонажем Ref2VA посредством слияния delta-весов ранга 1024. Доступны варианты квантизации от Q3_K_M до Q8_0 размером примерно от 8,9 до 21,6 ГБ, рассчитанные на видеокарты с 12–24 ГБ VRAM и мульти-GPU. В README указаны рекомендуемые разрешения 1280×720 и 1280×544, а также генерация роликов длиной 49 или 81 кадр.

Сильными сторонами являются локальный запуск на потребительских GPU, сочетание согласованности движения с сохранением идентичности по референсам и небольшая потеря качества у старших вариантов квантизации. Для ускоренной инференции рекомендуется turbo-LoRA, 8 шагов, CFG 1.0 и sampler Euler. Ограничения включают зависимость от ComfyUI и дополнительного узла ComfyUI-GGUF, необходимость выбора квантизации с учетом доступной VRAM и отсутствие в README подробностей о поддерживаемых языках, точной аудиомодальности и качестве на разных типах входных данных. Модель распространяется по лицензии MiniMax H3 Community License.