Модель основана на MiniMaxAI/MiniMax-H3, разработана сообществом и опубликована пользователем rzgar. Она интегрируется с библиотекой Diffusers и ориентирована на сценарии text-to-video, image-to-video, image-text-to-video, video-to-video, а также генерацию аудио-видео и преобразование аудио-видео с использованием текста, изображений, видео и аудио.

Доступны две квантованные версии: fp16attn_fp8 размером 28,7 ГБ и mxfp8 размером 47,6 ГБ. В первой варианте attention-слои работают в FP16, а MLP — в FP8-E4M3 с масштабированием по тензору; во второй используются MXFP8 и блочное масштабирование по 32 элемента, обеспечивающее более точную обработку выбросов. Пути текстового conditioning, включая token_refiner, conditioning projections и audio heads, сохраняются в полной точности. Модель поддерживает мультимодальную генерацию и синхронизированные аудио-видео результаты; рекомендуемое число шагов зависит от сценария: около 5 для говорящих лиц с небольшим движением, 8 для сбалансированного результата и более 12 для насыщенных действиями сцен.

Версия fp16attn_fp8 лучше подходит для повседневного использования, быстрой загрузки и меньшего потребления памяти, тогда как mxfp8 ориентирована на максимальное качество при квантовании. Ограничения включают значительный размер файлов и потребность в совместимом окружении для запуска квантованных форматов. Модель распространяется по лицензии Apache-2.0.