Скачали веса H3 — получили не тот H3, что смотрели

Веса MiniMax H3 лежат на Hugging Face, и загрузка ничем не закрыта. Это правда, и для видеомодели такого уровня это необычно. Это же регулярно пересказывают как «H3 — открытый исходный код», и дальше готова конкретная разновидность разочарования: вы тянете 42 ГБ в ComfyUI, запускаете официальный шаблон, а результат не похож на те клипы, из-за которых вам захотелось эту модель.

С вашей установкой всё в порядке. У вас треть системы.

Как это устроено

H3 как сервис работает в три ступени:

ваш ввод (текст / изображения / видео / звук)
        ↓
① H3-Context-IR      на серверах, закрыта
        ↓
② H3-Base            открытые веса  ← это вы и скачали
        ↓
③ H3-Regenerate-2K   на серверах, закрыта
        ↓
   файл в 2K

Ступень ② — это генератор. Она действительно открыта, действительно выдаёт видео с синхронным стереозвуком и является трудной частью задачи. Она же — единственная ступень, которая вам достаётся.

① Context-IR — та часть, которая читает ваш промпт как следует

Context-IR берёт всё, что вы дали, — фразу, девять референсных изображений, три видеоклипа, звуковой образец — и переписывает это в структурное промежуточное представление, которое потребляет генератор. Она согласует указания между модальностями, разбирается с временным порядком и дописывает смыслы, которые вы опустили.

На выходе не подчищенная версия вашей фразы. На выходе документ уровня планов, с полями:

• integrated_multimodal_description — покадровое описание с отметками времени вида At 00:04.500
• overall_soundscape — атмосфера и шумы
• non_diegetic_music — музыка вне сцены, если она есть

У референсных задач сверху добавляются ещё три поля, включая поассетный разбор удержания, который говорит, насколько строго держать каждый референс.

Счётчики токенов в официальных примерах показывают, сколько эта ступень пишет за вас: около 8 600 токенов для задачи по тексту, примерно 22 800 для видео из фото и около 39 300 для референсной задачи. Вот в какой документ превращается ваш однострочный промпт, прежде чем генератор что-либо увидит.

Запустите открытые веса — и ничего этого не произойдёт. Ваша фраза войдёт как ваша фраза. Модель та же самая; задание меньше в разы.

Собственная рекомендация MiniMax прямо называет два выхода: вызывать API Context-IR или собрать свой контекстный слой по опубликованному руководству по промптам. Третьего варианта, где фразы достаточно, не существует.

③ Regenerate-2K — это не апскейлер

Вот часть, которую важнее всего понять, потому что название намекает на то, чем она не является.

Обычный апскейлер получает готовый кадр 768p и додумывает, какими должны быть недостающие пиксели. Работать ему больше не с чем, поэтому мелкая деталь — маленький текст, дальние лица, фактура — выдумывается.

Regenerate-2K подаёт результат 768p вместе с исходным мультимодальным контекстом обратно через H3 и генерирует заново в 2K. У неё по-прежнему есть ваш промпт и ваш референсный материал, поэтому деталь, слишком мелкую для 768p, можно восстановить из того, чем она должна была быть, а не угадать по тому, чем она стала.

Поэтому она и тарифицируется как генерация ($0.05 за секунду вывода, с повторным счётом за исходники), а не как постобработка, и поэтому «я просто сделаю апскейл локально» — это не тот же размен.

Что это значит, в зависимости от того, что вы делаете

Во второй строке есть подвох, который легко пропустить. Начиная с ComfyUI 0.33.1 существуют партнёрские ноды для Context-IR и Regenerate-2K, так что граф на вашей машине способен дотянуться до 2K. Эти ноды работают на серверах MiniMax. Локальный конвейер, который заканчивается в 2K, отправляет ваш результат 768p и ваш исходный материал за пределы машины, а это подрывает главную причину, по которой люди вообще разворачивают модель у себя.

«Открытые веса», а не «открытый исходный код»

Различие здесь не буквоедство, и кусается именно лицензия.

MiniMax H3 Community License ограничивает использование «применимой территорией», которая исключает Европейский союз, Великобританию, Республику Корея и США. Ограничение вписано в первое предложение соглашения, а не в приложение, и распространяется на результаты: клип, отрендеренный в разрешённом месте и опубликованный в исключённом, тоже вне разрешения.

Про это широко пересказывают две неверные вещи:

1. Соглашение привязано к репозиторию на Hugging Face. Оно управляет чекпойнтом. Тот, кто весов никогда не скачивал и только вызывал хостинговый API, в него не вступал — у него отношения с условиями сервиса. Хостинговый API документирован как доступный по всему миру.
2. У исключённых регионов есть формальный путь. MiniMax принимает от них заявки на лицензию и подаёт ограничение как регуляторную осторожность, а не как политику: «Текущее ограничение означает „пока нет“, а не „никогда“».

По определению открытого исходного кода лицензия не проходит по двум пунктам: дискриминация по лицам или группам и дискриминация по областям применения. Веса открыты. Лицензия открытой лицензией не является. Собственная метка Hugging Face для неё — other, так что издатель обратного и не утверждает.

Это краткое изложение, а не юридическая консультация. Прочитайте LICENSE и официальный список вопросов и ответов, прежде чем принимать решение, которое от них зависит.

Прежде чем качать 498 ГБ

Последнее практическое замечание, потому что здесь спотыкаются на первом же шаге. Полный репозиторий весит около 498,5 ГБ, потому что сырые чекпойнты и конверсии для diffusers лежат рядом. Почти наверняка вам нужен фрагмент:

Сузьте загрузку до того, что нужно вашему фреймворку. И если вы идёте по руководству для ComfyUI, проверьте версию, на которую оно нацелено: очень многие до сих пор пишут 0.30.0, где ноды уже появились, а девяти последовавших исправлений для H3 ещё нет. Берите 0.32.0 или новее: два из этих исправлений касаются порчи звука и пикового расхода памяти.

Или не качайте ничего. Здешняя нейросеть для генерации видео MiniMax H3 — это хостинговый путь, вместе с Context-IR и Regenerate-2K, и именно поэтому её результат похож на те клипы, из-за которых вы пошли искать веса.