/ Модель

Характеристики

Размер весов
124 ГБ
Лицензия
Apache 2.0
Базовая модель
MiniMax-H3
Библиотека
diffusers
Опубликована
3 авг 2026

minimax_h3_fl2va_fp8_e4m3fn

Видео из изображенияИзображение, текст → видео3 профессии

MiniMax H3 MXFP8 — это FP8-квантизированная версия диффузионной модели MiniMax H3 от MiniMaxAI, подготовленная пользователем rzgar.

20 660скачиваний за 30 дней23лайкавеса обновлены7 авг 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

Модель основана на чекпойнте fl2va (first-last-frame to video+audio) и предназначена для генерации видео с синхронизированным аудио по тексту, изображению, первым и последним кадрам, видео или аудио, а также для мультимодальных сценариев преобразования и продолжения контента. В карточке указана поддержка text-to-video, image-to-video, image-text-to-video, video-to-video, генерации audio-video и связанных reference-to-audio-video сценариев.

Доступны варианты MXFP8, FP8 E4M3FN и FP8 с attention в FP16; размеры файлов составляют примерно 21–47,6 ГБ, а для варианта FP16attn — 28,7 ГБ. Для FP8 E4M3FN указаны sampler dpmpp_2m и scheduler sgm_uniform; рекомендуемым компромиссом между качеством и скоростью названы 8 шагов, при этом конкретная MXFP8-версия отмечена как пригодная для улучшения аудио на 5 и 8 шагах. Модель использует видео- и аудиоканалы, но сведения о точной архитектуре, числе параметров, поддерживаемых языках и максимальной длине контекста в README отсутствуют.

Сильными сторонами являются мультимодальная генерация видео и аудио, синхронизация аудио с видео, наличие нескольких вариантов точности и возможность ускоренной генерации за небольшое число шагов. Ограничения включают большие требования к дисковому пространству и вычислительным ресурсам, зависимость качества и скорости от варианта квантизации и числа шагов, а также отсутствие подробных количественных оценок и информации о языковых возможностях. Указана лицензия Apache-2.0.

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 MXFP8

MXFP8 quantization of the MiniMax H3 fl2va (first-last-frame to video+audio) diffusion checkpoint.

better audio at 5 (talking heads, less motions) & 8-steps (shift 8)

MiniMax H3 FP16attn

Balanced quality and performance

fp16attn 8-steps | shift: 8.0 Your browser does not support the video tag.

MiniMax H3 FP8 (E4M3FN) Quantized

Based on testing (this model and pruned_fp8), the minimal steps to get results similar to Lightx2v using 4-step LoRAs is 5step & 5steps. The sweet spot for quality and speed is 8step and 8steps. This quantization requires a minimum of 8step.

  • Sampler: dpmpp_2m
  • Scheduler: sgm_uniform
5-Step pruned fp85-Step mxfp88-Step fp8
8-steps fp16attn

FP8 quantization of the MiniMax H3 fl2va (first-last-frame to video+audio) diffusion checkpoint.

Original model: MiniMaxAI/MiniMax-H3

File sizes

VariantDownload
minimax_h3_fl2va_mxfp8.safetensorsDownload 47.6GB
minimax_h3_fl2va_fp16attn_fp8.safetensorsDownload 28.7GB
minimax_h3_fl2va_fp8_e4m3fn.safetensorsDownload 47GB
minimax_h3_fl2va_pruned_fp8_scaled.safetensorsDownload 21GB

Simple Upscalers

Old but gold upscale models. Lower image resolution for faster inference and more steps.

VariantDownload
2xNomosUni_esrgan_multijpg.pthDownload
RealESRGAN_x2plus.pthDownload

736x416 | ~56 sec | 1472x832 60fps Your browser does not support the video tag.

Left at native precision (quality-critical)

TensorsDtypeNote
adaln_proj.linear.* (100 tensors)BF16Per-block modulation, largest single weight
token_refiner.* (17 tensors)BF16Text embedding refinement, 2 layers only
condition_proj.* (2 tensors)BF16Cross-modal conditioning bridge
All norm weights (norm1, norm2, q_norm, k_norm, final_norm)BF16104 tensors, tiny and precision-sensitive
All biasesBF1656 tensors
time_embedder.* (4 tensors)FP32Timestep signal, original precision preserved
video_patch_proj.*, audio_patch_proj.* (4 tensors)FP32Input/output projections
final_layer.*_out.* (4 tensors)FP32Decoder output heads
rope.inv_freq (1 tensor)FP32Position encoding

ComfyUI-MiniMaxH3-Text-Enhancer node

What this is: the result of looking into why male anatomy comes out misshaped in text-to-video scenes
or when a nude male appears in the I2V scene. Along the way we learned some things worth knowing about how this model really works, read README.md and notes.md in case of you are interested.

Q: Is it a text-encoder problem? Would an abliterated Qwen3-VL solve it?

  • A: No. The stock encoder doesn't refuse NSFW prompts, the tokenizer and embedding table handle them normally. Its only strong divergence from stock is on harmful-instruction content (~11% embedding shift); sexual content shifts only ~1–3%. Abliteration targets the wrong thing here.

Q: Is the base model censored? Would a domain-specific LoRA be ineffective?

  • A: No, the base is uncensored. The misshape comes from weak text conditioning: only ~3–5% of the embedding actually carries the prompt, so the DiT's generic body prior wins over the anatomy request. Modifying internal values (condition_proj ×1.2 + 12,658 FFN columns ×1.2) improves the result slightly and a properly trained LoRA would refine anatomy further on top of it.

Experimental: 1.2 strength in both nodes improves NSFW rhythmic animations in some scenarios

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

Модели «картинка → видео» пока не запускаются: нужен ввод изображения для diffusion.

Ревизия весов
8662689

0 моделей