Descargar los pesos de H3 no te da el H3 que has estado viendo

Los pesos de MiniMax H3 están en Hugging Face y la descarga no está restringida. Eso es real, y es raro en un modelo de video de este nivel. También se cuenta una y otra vez como “H3 es de código abierto”, y eso prepara una decepción muy concreta: te bajas 42 GB a ComfyUI, ejecutas la plantilla oficial, y el resultado no se parece a los clips que te hicieron querer el modelo.

Tu montaje no tiene nada malo. Lo que tienes es un tercio de un sistema.

La forma del asunto

H3 como servicio corre en tres etapas:

tu entrada (texto / imágenes / video / audio)
        ↓
① H3-Context-IR      alojada, no abierta
        ↓
② H3-Base            pesos abiertos  ← esto es lo que descargaste
        ↓
③ H3-Regenerate-2K   alojada, no abierta
        ↓
   el archivo 2K

La etapa ② es el generador. Es abierta de verdad, produce de verdad video con audio estéreo sincronizado, y es la parte difícil del problema. También es la única etapa que te llevas.

① Context-IR es la parte que lee tu prompt como es debido

Context-IR coge lo que le hayas dado — una frase, nueve imágenes de referencia, tres clips de video, una muestra de audio — y lo reescribe como una representación intermedia estructurada que el generador consume. Resuelve instrucciones entre modalidades, deduce el orden temporal y rellena la semántica que te dejaste.

Lo que sale no es una versión ordenada de tu frase. Es un documento a nivel de plano, con campos:

• integrated_multimodal_description — descripción visual plano a plano con marcas de tiempo como At 00:04.500
• overall_soundscape — ambiente y foley
• non_diegetic_music — banda sonora, si la hay

Las tareas de referencia reciben tres campos más encima, incluido un análisis de retención por recurso que dice con cuánta severidad hay que respetar cada referencia.

Los recuentos de tokens de los ejemplos oficiales enseñan cuánto escribe esta etapa en tu nombre: unos 8 600 tokens para una tarea de texto a video, unos 22 800 para imagen a video y alrededor de 39 300 para una de referencia. Eso es en lo que se convierte tu prompt de una línea antes de que el generador vea nada.

Ejecuta los pesos abiertos y nada de eso ocurre. Tu frase entra como tu frase. El modelo es el mismo; el encargo tiene una fracción del tamaño.

La propia guía de MiniMax es explícita sobre las dos salidas: llamar a la API de Context-IR, o construirte tu propia capa de contexto siguiendo la guía de prompting publicada. No hay una tercera opción en la que la frase baste.

③ Regenerate-2K no es un reescalador

Ésta es la parte que más vale la pena entender, porque el nombre sugiere algo que no es.

Un reescalador convencional recibe un fotograma terminado en 768p e infiere cuáles deberían ser los píxeles que faltan. No tiene nada más de lo que tirar, así que el detalle fino — texto pequeño, caras lejanas, textura — se lo inventa.

Regenerate-2K mete el resultado en 768p más el contexto multimodal original de vuelta por H3 y genera otra vez a 2K. Sigue teniendo tu prompt y tu material de referencia, así que el detalle que era demasiado pequeño para resolverse en 768p puede reconstruirse a partir de lo que se suponía que era, en lugar de adivinarse a partir de en lo que quedó.

Por eso se cobra como generación ($0.05 por segundo de salida, y los recursos de origen se facturan otra vez) y no como posproducción, y por eso “ya lo reescalo yo en local” no es el mismo intercambio.

Qué significa esto según lo que estés haciendo

En la segunda fila hay un pliegue fácil de pasar por alto. Desde ComfyUI 0.33.1 hay nodos de socio para Context-IR y Regenerate-2K, así que un grafo en tu máquina puede llegar a 2K. Esos nodos corren en los servidores de MiniMax. Una canalización local que termina en 2K manda tu resultado en 768p y tu material de origen fuera de la máquina, que es justo lo contrario del motivo principal por el que casi todo el mundo se autoaloja.

“Pesos abiertos”, no “código abierto”

La distinción no es pedantería aquí, y donde muerde es en la licencia.

La MiniMax H3 Community License limita el uso a un “Applicable Territory” que excluye la Unión Europea, el Reino Unido, la República de Corea y los Estados Unidos. La restricción está escrita en la primera frase del acuerdo, no en un anexo — y alcanza también a las salidas, así que un clip renderizado en un sitio permitido y publicado en uno excluido queda igualmente fuera de la concesión.

Sobre esto se cuentan mal dos cosas:

1. El acuerdo tiene por ámbito el repositorio de Hugging Face. Gobierna el checkpoint. Quien nunca ha descargado los pesos y sólo ha llamado a la API alojada no ha entrado en él — su relación es con los términos del servicio. La API alojada está documentada como disponible en todo el mundo.
2. Las regiones excluidas tienen una vía formal. MiniMax invita a solicitar licencia desde ellas y plantea la restricción como cautela regulatoria y no como política: “La limitación actual significa ‘todavía no’, no ‘nunca’.”

Medida contra la Open Source Definition, la licencia incumple dos criterios: la discriminación contra personas o grupos y la discriminación contra campos de actividad. Los pesos son abiertos. La licencia no es una licencia de código abierto. La etiqueta que le pone la propia Hugging Face es other, así que quien publica tampoco sostiene lo contrario.

Esto es un resumen, no asesoramiento legal. Lee la LICENSE y las preguntas frecuentes oficiales antes de tomar una decisión que dependa de ello.

Antes de descargar 498 GB

Una última nota práctica, porque a la gente la pilla en el primer paso. El repositorio completo ocupa unos 498,5 GB, porque los checkpoints en bruto y las conversiones a diffusers están uno al lado del otro. Casi con seguridad quieres un subconjunto:

Acota la descarga a lo que necesite tu framework. Y si estás siguiendo una guía de ComfyUI, mira a qué versión apunta — muchísimas siguen diciendo 0.30.0, que traía los nodos pero no las nueve correcciones de H3 que vinieron después. Usa la 0.32.0 o posterior; dos de esas correcciones arreglan corrupción de audio y pico de memoria.

O no descargues nada. El generador de video con IA de MiniMax H3 de aquí es la vía alojada, con Context-IR y Regenerate-2K incluidos, que es lo que hace que su salida se parezca a los clips que te mandaron a buscar los pesos.