/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
minimax-h3
Опубликована
1 окт 2026

minimax-h3-combined

Видео по тексту и кадрамИзображение, текст → видео3 профессии

MiniMax-H3 Combined — сборка MiniMax-H3 для четырёхшаговой генерации видео по тексту и изображению с синхронной звуковой дорожкой.

2 590скачиваний за 30 дней0лайковвеса обновлены8 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MiniMax-H3 Combined — сборка модели MiniMaxAI/MiniMax-H3 от addlabsviral для генерации видео и синхронной звуковой дорожки за один проход денойзинга. Репозиторий использует модульную раскладку Diffusers: 50-блочный трансформер с объединёнными весами Turbo LoRA в формате bfloat16, текстовый кондиционер Qwen3-VL, квантованный до 8 бит через bitsandbytes LLM.int8, а также видео- и аудиодекодеры float32.

Сборка рассчитана на четырёхшаговый инференс и развёртывание в Hugging Face ZeroGPU Spaces. В README приведён замер около 40 секунд на клип длительностью 5 секунд при разрешении 960×544 и 124 кадрах на RTX PRO 6000; кондиционирование занимает около 45 секунд. Указаны теги генерации видео по тексту, изображению и видео, а также синхронного аудио-видео, однако подтверждённая задача каталога и основной pipeline — image-text-to-video.

Для ускорения на RTX PRO 6000 включён пакет AOT-Inductor, собранный для sm120 и torch 2.11; на других конфигурациях этот компонент может не применяться. Репозиторий занимает около 112 ГБ, а для загрузки квантованного кондиционера требуются bitsandbytes и transformers 5.8.0. Лицензия обозначена как other, конкретные условия использования в предоставленных данных не раскрыты.

Сценарии применения

  • генерация короткого видео по текстовому запросу и исходному изображению
  • создание видеоклипа с синхронным звуковым сопровождением
  • быстрый инференс MiniMax-H3 в Hugging Face ZeroGPU Spaces

Ограничения

Сборка требует около 112 ГБ дискового пространства; ускоренный AOT-Inductor компонент предназначен для RTX PRO 6000 (sm120) с torch 2.11, а для 8-битного кондиционера нужны bitsandbytes и transformers 5.8.0. В метаданных указана лицензия other, но конкретные условия использования в доступных данных не приведены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MiniMax-H3 — combined (LoRA-fused · 8-bit conditioner · AoTI)

Joint video and synchronized soundtrack from a single denoising pass, packaged as a deployment build of MiniMaxAI/MiniMax-H3 (diffusers modular layout). This repo is tuned for Hugging Face ZeroGPU Spaces: the whole checkpoint is ~112 GB on the Hub (under the 150 GB per-Space storage quota), and each half of the split pattern fits the 95 GiB ZeroGPU card with room to spare — so it runs comfortably and fast, at ~40 s for a 5 s clip instead of the 5+ minutes a 30-step base run pays.

Full, unmodified bf16 partitions (including the 62 GiB bf16 conditioner) remain available in the private backup addlabsviral/minimax-h3-combined-bkup.

Repo layout

FolderContentNotes
transformer/50-block MiniMax-H3 transformer, bfloat16, LoRA-fused14 shards + index; the Turbo LoRA is folded into the weights (not a runtime adapter)
text_encoder/Qwen3-VL conditioner, 8-bitsingle 34.9 GB safetensors + quantization_config in config.json
vae/ + audio_vae/video and audio autoencoders, float32, unquantizedjoint video + soundtrack decode
aoti/AoTI-compiled transformer-block packageaoti/package/submodules/transformer_blocks/package.pt2
lora/the Turbo LoRA checkpoint kept for referencealready folded — loading it again is not needed
scheduler/, audio_scheduler/, tokenizer/, processor/small configsuntouched from base
model_index.json, modular_model_index.jsondiffusers modular indexespoint at transformer/ and text_encoder/ as-is

transformer/ — LoRA-fused, 4-step inference

The larryvrh/MiniMax-H3-Turbo-Lora Turbo checkpoint (minimax_h3_turbo_4step_ema_ckpt850, the final EMA round, sharp at 4 steps) is baked into the bf16 weights at conversion time — scale * (lora_B @ lora_A) is added into every targeted projection (fused-QKV thirds, SwiGLU gate/value swap, AdaLN rows), so an adapter wrap at load time is unnecessary and the checkpoint serves 4-step inference out of the box.

  • 4 steps is the design point; 6 is a comfort setting, 28 is the unturbo fallback.
  • Guidance-distilled: no CFG, no negative prompt — every step is one forward pass.
  • 24 fps, num_frames of the form 17 * n + 5 (2–15 s).

text_encoder/ — 8-bit bitsandbytes

The 62 GiB bf16 Qwen3-VL conditioner is served from a single safetensors file with a bitsandbytes LLM.int8 quantization_config (load_in_8bit: true, threshold 6.0, no skip modules). from_pretrained applies the quantization automatically at load, so the conditioner runs in about a third of the memory and there is no manual quantize step. Requires bitsandbytes and transformers==5.8.0.

aoti/ — compiled transformer blocks

One AOT-Inductor MiniMaxH3TransformerBlock package, shared byte-identically by all 50 blocks, exported with a dynamic sequence dimension (original key bf16/torch2.11/sm120/dynamic, flattened to aoti/, with the loader layout aoti/package/submodules/transformer_blocks/ preserved). It removes ~0.5 s/step of kernel-launch and epilogue overhead and is card-specific: built for the ZeroGPU pool's RTX PRO 6000 (sm120) cards with torch 2.11. Everything else falls back to eager safely.

Usage

import torch
from diffusers import MiniMaxH3ModularPipeline

pipe = MiniMaxH3ModularPipeline.from_pretrained("addlabsviral/minimax-h3-combined")
pipe.load_components()          # text encoder quantizes to 8-bit per its config

state = pipe(
    prompt="a cinematic drone shot over a neon city at night",
    height=544, width=960,
    num_frames=124,             # 17 * n + 5
    num_inference_steps=4,      # the Turbo LoRA's design point
    generator=torch.Generator("cpu").manual_seed(42),
)

For the split ZeroGPU pattern (conditioner Space + denoiser/reconstructor Space), point H3_MODEL_REPO at this repo and H3_AOTI at the aoti/ package; modular_model_index.json already resolves transformer/ and text_encoder/, so load_components fetches exactly the subfolders each half declares.

Measured on ZeroGPU (rtx-pro-6000, bf16, everything resident)

30 steps (base)4 steps (this build)
denoise, 960x544 × 124 frames~5.5 min~40 s
conditioning (8-bit Qwen3-VL)~45 s~45 s
cold start (112 GB pull)—a few minutes with warm Xet

Provenance & license

  • Base checkpoint: MiniMaxAI/MiniMax-H3, MiniMax-H3 Community License (see LICENSE).
  • Turbo LoRA folded into the transformer: larryvrh/MiniMax-H3-Turbo-Lora.
  • AoTI package: compiled from this same bf16 partition for torch 2.11 / sm120 / dynamic sequence.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · minimax-h3

Нельзя запустить

Задача «image-text-to-video» пока не поддерживается рантаймом.

Ревизия весов
753629e

0 моделей