איך להשתמש ב-MiniMax H3: הנחיות, הרצות מקומיות ואודיו שלא גרוע

ב-4 באוגוסט, סיימון וויליסון הוריד כ-115 ג'יגה-בייט של משקלים, וכיוון פורט MLX לא רשמי שלMiniMax H3 על מקבוק פרו M5 Max שלו, וביקש בואש בצבעי קשת שקופץ מעל בול עץ מכוסה אזוב בסופרמרקט. קצת פחות מ-45 דקות לאחר מכן היה בידיו קליפ שהוא תיאר כמרשים באמת — עם רצועת אודיו שהוא תיאר כג'יבריש מוזר דמוי דיבור. האבחון שלו עצמו היה החלק השימושי: הוא לא נתן למודל שום הנחיית אודיו, ולא קרא קודם את מדריך הפרומפטינג. זהו התקציר הקצר ביותר האפשרי של מה זה להתחיל להשתמש ב-H3, שנמכר גם בשם Hailuo 3.0. התמונה מגיעה פחות או יותר בחינם. כל השאר — הסאונד, תזמון השוטים, ה-2K, הדמות שצריכה לשרוד ארבעה שוטים ברציפות — צריך לבקש במפורש, בפורמט מחמיר יותר מכמעט כל מודל וידאו אחר שנמצא בשימוש כיום.

זהו מדריך שימוש, לא סיקור השקה. שלוש רמות של מקורות עוברות לאורכו, והן מסומנות בכל פעם: של החברה — התיעוד העצמי (כרטיס המודל, שני המדריכים לכתיבת פרומפטים הנכללים במאגר, מסמכי ה-API של הפלטפורמה); ממצאי קהילה מאנשים שהריצו אותו בפועל — מתחזקי ComfyUI, מבצעי בנצ'מרקים עצמאיים, מסמכי משווקים ושרשורי דיונים ב-Hugging Face, כולם מתוארכים בין 31 ביולי ל-5 באוגוסט 2026; ומספר קטן של מקומות שבהם קראנו קובץ ראשוני בעצמנו ומציינים זאת במפורש. מספרי קהילה הם דיווחים בודדים על חומרה לא מבוקרת, אלא אם צוין אחרת. במקומות שבהם מתרגלים חלוקים ביניהם, המחלוקת מדווחת ולא נפתרת.

לפני כל דבר אחר: כנראה שאתה לא מריץ את כל המודל

רוב הבלבול בשבוע הראשון של H3 נובע מעובדה מבנית אחת שהטקסט השיווקי מטשטש. H3 אינו מודל יחיד. לפי כרטיס המודל שלו, מדובר במערכת תלת־חלקית, ורק החלק האמצעי פורסם כקוד פתוח:

• H3-Context-IR — מעבד הוראות מולטימודלי. הוא קורא את הטקסט, התמונות, האודיו והווידאו שלך, מבין כיצד הם קשורים, ומפיק ייצוג מובנה ומועשר סמנטית של מה שביקשת. API מתארח בלבד. הוא מוצג כסוג משימה עצמאי שמחזיר פרומפט מועשר וללא וידאו כלל.

• H3-Base — מודל הייצור עם 33B פרמטרים שבאמת יוצר פריימים וצליל. זה החלק עם המשקלים הפתוחים.

• H3-Regenerate-2K — מעבר רגנרציה בהקשר שמעלה את התוצאה מ-768p ל-2K. API מתארח בלבד.

שתי תוצאות נובעות מיד, והן קובעות את כל זרימת העבודה שלך. ראשית, ייצור מקומי הוא תקרה של 768p. הצלע הקצרה של הקנבס המקורי של H3 היא 768 פיקסלים, והוא מוגבל ל-768×1344 — בערך 1344×768 עבור 16:9. אם הפלט של ComfyUI שלך אינו 2K, שום דבר לא שבור; החבילה שהורדת היא H3-Base, ומודול ההגדלה אינו בתוכה. שנית, ה-API המרוחק יתקן הנחיה מרושלת, וההתקנה המקומית שלך לא. כל מה ש-Context-IR עושה עבור קריאת API בתשלום — הסקת מבנה, פתרון לאיזו הפניה הכוונה, השלמת החלקים שהותרת מעורפלים — הוא שלב שאתה מבצע כעת ידנית, או עם מודל אחר, לפני ש-H3-Base אי פעם יראה את המילים שלך. האסימטריה היחידה הזו מסבירה את רוב הדיווחים על "אותה הנחיה עובדת ב-Hailuo אבל נראית שבורה ב-ComfyUI."

כדאי לציין מהמאגר עצמו: המשקלים נושאים תווית minimax-h3-community-license-agreementבמקום Apache או MIT (עוד על כך בהמשך, כי זה החלק שקובע אם בכלל אפשר לשחרר את זה), המודל רשום עם 33B פרמטרים ב-F32/BF16, ונכון להיום בדיוק ספק אינפרה אחד — fal — רשום כמשרת אותו. עשרים ושלושה כיוונונים עדינים, עשרים קוונטיזציות ושלושים ואחד Spaces כבר קיימים עליו, וזה איתות הוגן לכמה מהר הקהילה זזה.

פורמט הפרומפט: בלוקי שוטים, לא טיימקודים

כאן המקום שבו הקהילה והתיעוד מתנגשים בגלוי, וזה חשוב יותר מכל דבר אחר במאמר זה.

התבנית שהתפשטה הכי מהר – דרך רדיט, ואחר כך למספר מדריכים שפורסמו – חותכת את הקליפ לטווחי זמן: [0s-2s], [2s-5s], וכן הלאה, ואחריו מבנה של שישה בלוקים: חוזה סגנון, ציר זמן, מצלמה, אודיו, טקסט מפורש ורשימה שלילית. היא הונדסה לאחור על ידי קריאת 45 פרומפטים לדוגמה שהחברה סיפקה, וזה לא שטות: הדוגמאות האלה הן באמת רשימות שוט עם גיליון רמזי סאונד מצורף, עם אורך חציוני של כ-130 תווים סיניים, והארוך ביותר מגיע ל-657 ול-858 תווים.

אבל המדריך של החברה עצמה VIDEO_PROMPT_WRITING_GUIDE_base_en.md, השוכן בתיקיית ה-docs של המאגר, קובע משהו אחר. הוא מארגן לפי בלוק שוט, לא לפי טווח זמן. קראנו אותו ישירות; המבנה שהוא דורש הוא:

• הוראה — כללי יישור תמונה, המשמשים למצבי פריים מפתח (I2VA, FL2VA, L2VA) ומושמטים עבור וידאו מטקסט בלבד.

• תיאור מולטימודלי משולב — הגוף הראשי, המחולק ל[שוט 1], [שוט 2], וכן הלאה.

• overall_soundscape — משפט אחד עד ארבעה משפטים של צליל דיאגטי.

• non_diegetic_music — משפט אחד עד שלושה של פסקול.

בתוך זה, המוסכמות ספציפיות מספיק כדי שניתן יהיה לבדוק אותן.[שוט 1] לא נושא חותמת זמן כלל — השוטים הבאים נפתחים בקאט מוחלט, המנוסח כמו "בשעה 00:03.500, המצלמה חותכת אל…". תנועת מצלמה נכתבת כסוג תנועה ועוצמה ומהירות, המשתלבים באנגלית טבעית ולא מוערמים כתוויות: פוש-אין איטי בעוצמה קטנה, לא מצלמה: דולי-אין, איטי. התנועות הזמינות הן הסט המוכר — זום, פאן, טילט, טראקינג, קשת, POV ורעידה בגרסאות קלות או חזקות. דיאלוג עטוף בתגיות: <d>[English] Get in the car.</d>, כשסימני הפיסוק נשמרים במדויק ולעולם אינם מתורגמים או מנוסחים מחדש. הדוברים מקבלים מזהים יציבים — (S1), (S2), ו-(S1,S2) לשורה משותפת — כשהגיל, המגדר, גוון הקול והמבטא מתוארים בהופעה הראשונה. קריינות מסומנת כשורה מחוץ למסך עם הערה מפורשת שהשפתיים נשארות סגורות, וכך מונעים מהמודל לבצע סנכרון שפתיים לקריינות על גבי פנים. שיחות בקרוס-קאט משתמשות בסמן <scenetrans> בתוספת הצהרת המשכיות.

האיסורים המפורשים במדריך אינפורמטיביים לא פחות מהכללים שלו: אל תוסיף חותמת זמן לשוט הראשון, אל תחזור על דיאלוג, שירה או מוזיקה על המסך בתוך נוף קולי כולל, אל תשתמש במילות מצב רוח מופשטות במוזיקה לא-דיאגטית, ולעולם אל תשכתב שורת דיאלוג. והעדר אחד בולט — במדריך הרשמי אין סעיף פרומפטים שליליים כלל, מה שאומר שרשימת "המעברים האסורים" בתבנית הקהילתית הפופולרית היא המצאה של הקהילה, לא תכונה מתועדת.

עד כמה צריך להתייחס ברצינות לקונפליקט? בדיון שהתנהל במאגר H3 ב-Hugging Face, חבר קהילה פרסם מבנה בסגנון timecode כמדריך, ומתרגל אחר השיב בבוטות שהוא השתמש במבנה דומה, שהכול היה שגוי, ושבמקום זה אנשים צריכים לקרוא את המדריך שצורף. זה אדם אחד שסותר אדם אחר, לא הכרעה של מתחזק. הקריאה שלנו בראיות: שתי האפשרויות עובדות דרך ה-API המתארח, כי Context-IR מנרמל כל מה שאתה שולח אליו; רק הפורמט המתועד אמין מול H3-Base ישירות. אם אתה מריץ משקלים מקומיים, עקוב אחר הקובץ שבמאגר. אם אתה עובד דרך ה-API ופרומפט עם timecode נותן לך קליפים טובים, ה-preprocessor עושה את העבודה הזו בשבילך, ואל תסיק שהפורמט הוא מה שהשיג לך אותם.

הידור בריף עצל לניב של H3

קחו את ההנחיה של ויליסון בת שתים-עשרה המילים כקלט — בואש בצבעי קשת המזנק מעל בול עץ מכוסה אזוב בסופרמרקט. כשזה כתוב בדרך המתועדת, זה הופך בקירוב ל: [Shot 1] בלוק שנפתח במתן שם לסגנון (לייב-אקשן, מצלמה ידנית, תאורת פלואורסצנט) ולפריים (מעבר בסופרמרקט, בול עץ מכוסה אזוב לרוחב הלינוליאום, מדפים נסוגים), ואז הנושא והפעולה בסדר פיזי — שני צעדי ריצה, כריעה, הזינוק, הנחיתה — כשהמצלמה מבצעת תנועת מעקב איטית באמפליטודה נמוכה שמסתיימת בצדו הרחוק של בול העץ; overall_soundscape של טפרים על לינוליאום, שפשוף העץ הלח, זמזום קירור וגלגלי עגלות מרוחקים; וnon_diegetic_music שורה של קיו קצר וקליל בפריטה על מיתרים ללא שירה. אין בזה שום גאונות יצירתית. זה אותו רעיון, כשארבעת הדברים ש-H3 מבקש אכן סופקו — וזה ההבדל בין טון חלל שלא בוקש לפסקול שעיצבתם.

השלב הזה הוא מכני, חוזרני ושימוש גרוע באדם, וזו בדיוק הסיבה שהחברה שחררה עבורו כלי שכמעט אף כיסוי תקשורתי לא התייחס אליו. המאגר מכיל תיקיית מיומנויות עם תשע מיומנויות סוכן, והראשונה — h3-prompt-writing — עושה בדיוק את זה: היא לוקחת בקשה וכותבת הנחיית H3 מובנית בכל חמשת מצבי היצירה, כולל קטעי הסאונד והמוזיקה. שמונה האחרות הן מתכונים לז'אנרים (פרסומת מוצר, סרטון אנימציה תלת-ממדית קצר, סרטון הסבר מנייר, כתוביות לקליפ מוזיקה, פתיח למשחק שיתופי, היברידית מצוירת-ביד עם לייב-אקשן, וכן הלאה) שעוטפים את אותו פורמט בתהליך עבודה.

הרצת המיומנות הזו דורשת מודל טקסט, לא מודל וידאו, וכאן ראוטר הוא באמת שימושי ולא תקע. ה-LLM של החברה עצמה, MiniMax M3, הוא בחירה הגיונית לתפקיד והוא על OrcaRouter ב-$0.30 למיליון טוקני קלט ו-$1.20 למיליון פלט — מחיר המחירון של הספק, כי אנחנו מעבירים אותו ב-0% תוספת — עם חלון הקשר של 1M טוקנים ובאופן יוצא דופן, וידאו כסוג קלט מקובל. הפרט האחרון הזה הוא מה שהופך אותו למתאים: אפשר למסור לו את מדריך הפרומפטים הרשמי, את הבריף שלך, וקליפ ייחוס בפועל בקריאה אחת, ולקבל בחזרה את אותו [Shot N] בלוק שמתאר אותו. הרכבת פרומפט עולה שבריר של סנט לעומת ייצור וידאו המחויב לפי שנייה, כך שאין סיבה לכתוב אותם ידנית. שתי הסתייגויות כנות: ייצור הווידאו של H3 עצמו לא רץ על OrcaRouter — הקליפים מגיעים מהפלטפורמה של החברה, מ-fal, או מה-GPU שלך — ושלב ההידור הוא נוחות, לא ערובה לאיכות. מה שהראוטר נותן לך כאן הוא שהחצי הטקסטואלי של הצינור נמצא מאחורי מפתח אחד עם מעבר חירום אוטומטי, כך שהפסקת ספק באמצע אצווה לא תוקעת תור עיבוד, והחלפת M3 במודל אחר כדי להשוות פרומפטים מהודרים היא שינוי במחרוזת, לא חוזה חדש.

אודיו הוא המקום שבו כולם מפסידים ביום הראשון

מצב הכשל המאומת ביותר בשבוע הראשון הוא זה שוויליסון נתקל בו: השאר את הצליל לא מוגדר ו-H3 ממציא משהו, בצורה גרועה. הוא קיבל רעש דמוי-דיבור מהנחיה ללא כיוון אודיו. כתיבת ההנדסה ההפוכה של הדוגמאות הרשמיות מדווחת על אותו סוג של כשל בצורה מתונה יותר — השמט את בלוק האודיו והמודל שולח רעשי חדר שלא בוקשו — ומציגה את אלה כהיעדרויות, ולא כטעויות, וזו הדרך הנכונה לחשוב על מודל אודיו-וידאו משותף. הוא תמיד מייצר פסקול. הבחירה היחידה שלך היא אם לציין אותו.

איחוד ההנחיות במדריך הפרומפטים הרשמי עם מה שתיעוד המשווקים והסוקרים מדווחים שעובד בפועל:

• דיאלוג הוא הדבר הכי קשה לבקש. הגבל את שורות הדיבור למשפט אחד או שניים לכל חמש שניות של קטע. שורות ארוכות מדי גורמות להגשה ממהרת, לאודיו שנמשך מעבר לפריים האחרון, או לסנכרון שפתיים מאומץ — מדווח בעקביות בקרב הבודקים.

• תארו את הדובר לפני השורה, ואת ההגשה יחד איתה. גיל, מגדר, גוון קול ומבטא בהופעה הראשונה לפי המדריך הרשמי; הערות הגשה פשוטות וישירות (בבהירות, בחום, בשטוחות) במקום הוראות משחק מפורטות, שלפי הדיווחים פוגעות בסנכרון.

• קשור כל אפקט לאירוע גלוי."פופ של פקק בדיוק כשהפקק עף" במקום "קול: פופ". המילים בזמן ש, כאשר ואז הן מה שנושאות את הסנכרון.

• תאר מוזיקה בקצרה לפי ז'אנר, קצב, אווירה וכלי נגינה — לעולם לא לפי אמן או שיר. הוסף "ללא שירה" כאשר התמונה צריכה להוביל; זו דרך מתועדת לשמור על מיקס נקי.

• צור אווירה מרובדת בפסוקית אחת. גשם על זכוכית, מלמול נמוך של שיחה, צליל כוס מדי פעם, ג'אז רקע עדין — מוערמים במשפט אחד במקום פירוט.

• אל תחזור על דיאלוג במדור הסאונדסקייפ. איסור מפורש במדריך הרשמי; המדורים נועדו להיות נפרדים זה מזה, וחזרה על שורה שם היא דרך לקבל אותה פעמיים.

• אם מילה חייבת להיות קריאה על המסך, הקלד את המילה במרכאות. הסוקרים מדווחים שמחרוזות מוגדרות מוצגות בצורה נקייה, בעוד שבקשות מעורפלות ("HUD elements", "a sign") חוזרות כרעש בצורת אותיות.

המקום שבו האודיו באמת מספק, לפי מספר מבקרים, הוא צליל פיזי קונקרטי — פולי ואפקטים הקשורים למשהו גלוי לעין — ואווירה. הוא חלש יותר על בקשות מופשטות או אטמוספריות. סצנות עם דוברים מרובים דורשות לעיתים קרובות עריכה כדי לסדר את סדר הדוברים נכון, ואיכות ההגייה משתנה לפי שפה, אז בדקו את שפת היעד שלכם על קליפ חד-פעמי לפני שמתחייבים לפרויקט. כמה מבקרים מציינים גם את התקרה הכנה: הצליל טוב מספיק להפצה במדיה חברתית ובדרך כלל לא טוב מספיק כדי לשדר כמיקס שידור או פרסומת בתשלום ללא החלפה. שום דבר מזה אינו הנחיית ספק; זו מה שמדווחים אנשי מקצוע.

הפניות: תנו לכל קובץ תפקיד

מערכת הייחוס של H3 היא המבדל החזק ביותר שלה והמקום שבו שגיאות הגדרה הן הנפוצות ביותר. המגבלות המתועדות, ממסמכי ה-API של הפלטפורמה: עד 9 תמונות, 3 קטעי וידאו ו-3 קטעי שמע, מוגבל ל-12 קבצים בסך הכול, כאשר כל וידאו או אודיו להתייחסות הוא בין 2 ל-15 שניות, והסכום הכולל שלהם אינו עולה על 15 שניות. המרת ייחוס לווידאו דורשת לפחות תמונה אחת או וידאו; אודיו בלבד אינו מתקבל.

הטכניקה שגם המדריך הרשמי וגם דיווחי הקהילה מסכימים עליה היא לתייג כל קלט ולהקצות לו תפקיד. הפניה לפי תג בסדר המדויק שבו צורפו הקבצים — <Picture 1>, <Video 1>, <Audio 1> — ולאחר מכן לציין בהנחיה איזו הפניה מניעה איזה מאפיין: זהות, סגנון, תנועה, מצלמה או קול. ההנחיות לדוגמה הרשמיות נפתחות בדיוק בדרך זו, ומצהירות שתמונה אחת היא הפניה למצב הרוח ולסגנון הכללי ותמונה שתיים היא הדמות הראשית. העוסקים בתחום מדווחים שהקצאה מפורשת עובדת טוב בהרבה מאשר לזרוק תשע תמונות ולקוות.

שני פרטים שעולים לאנשים ברינדורים:

• <Picture 1> אינו לוח השראה — הוא הפריים הראשון ממש בשנייה 0.000, והוא שייך ל-[Shot 1]. תאר מה יש בו (סגנון, נושאים, קומפוזיציה, עוגני סצנה) לפני שתתאר את הפעולה שנובעת ממנו. התייחס אליו כאל סטילס שאתה מאנימציה, לא כרמז.

• יש שני checkpoints נפרדים, והשימוש בזה הלא נכון נכשל בשקט. fl2va מטפל בהמרת טקסט-לווידאו ובעבודה על פריים ראשון/אחרון; ref2va מטפל בהמרה מרפרנס לוידאו. זוהי השגיאה המדווחת ביותר ב-ComfyUI: גרף R2V רץ כאשר מודל FL2VA עדיין נבחר. כדאי גם לדעת שמגיב על הכרזת ComfyUI מציין שתבנית R2V המצורפת חושפת רק שני שדות רפרנס לתמונה אף על פי שהמודל מקבל תשעה — מגבלת תבנית, לא מגבלת מודל.

בצד המאונדס, שתי הערות פרקטיות נוספות מתיעוד המשווקים: הפרמטר ratio נדרש ב-endpoints של ref2va ואין להשאירו כ-"adaptive"; ומשימות חופפות מחזירות 429 על מקביליות משימות במקום להמתין בתור — לכן בצע אצווה ברצף, או בנה תור משלך. מבחינה מקומית, ref_image_size ברירת המחדל שלו היא match, שהוא מהיר יותר; max שומר על קצה קצר של עד 2048 פיקסלים בהתייחסות ועולה בזמן.

מה העלות בפועל של ריצה מקומית בזמן שעון

הורדת המאגר הרשמי המלא היא 498 ג'יגה-בייט, והמראה המחודשת של ComfyUI היא 343 ג'יגה-בייט. אינך צריך אף אחת מהן במלואה. ארבעת הקבצים שהמדריך של ComfyUI עצמו מפרט עבור טקסט-לווידאו ותמונה-לווידאו מסתכמים בכ-42.5 ג'יגה-בייט:

• מודל דיפוזיה — minimax_h3_fl2va_pruned_int8_convrot.safetensors, 20.97 GB, לתוך models/diffusion_models.

• מקודד טקסט — qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors, 15.69 GB, אל תוך models/text_encoders.

• וידאו VAE — minimax_h3_video_vae_fp16.safetensors, 5.21 GB, לתוך models/vae.

• Audio VAE — minimax_h3_audio_vae_fp32.safetensors, 0.61 GB, וגם אל תוך models/vae.

• הוסף עבור הפניה-לווידאו — minimax_h3_ref2va_pruned_int8_convrot.safetensors, עוד 20.97 GB.

אותם 42.5 ג'יגה-בייט אינם נתון VRAM — זה דיסק, והחלקים מוזרמים ונפרקים. הסיבה שהמודל נכנס בכלל לכרטיסים צרכניים היא טריק הנדסי שתיעדה ComfyUI: כ-40% מהפרמטרים שוכנים בענפי אפנון AdaLN, שניתן לחשב את הפלטים שלהם מראש ולהחליף אותם בטבלאות חיפוש שקולות פונקציונלית, מה שמקטין את המודל הנטען מ-33.12B לכ-20.11B — לפי ComfyUI, ללא אובדן איכות. דיוק מלא היה 123.6 ג'יגה-בייט. קיימות גרסאות int8 ללא גיזום (34.04 ג'יגה-בייט כל אחת) וגרסאות bf16 (66.28 ג'יגה-בייט כל אחת), אם אתם מבצעים כיוונון עדין או רודפים אחרי אחוזי הנאמנות האחרונים.

נדרשת גרסה ComfyUI 0.30.0 ומעלה, והיא כוללת שלוש תבניות: T2V, I2V ו-R2V. קו הבסיס שכל המדריכים והמתחזקים מתכנסים אליו להרצה ראשונה הוא קטן במכוון: 16:9 ב-0.4 מגה-פיקסל (864×480), 5 שניות, 20 צעדים, סמפלר res_multistep עם מתזמן simple, denoise 1.0, אצווה 1. קבל קובץ MP4 אחד שמכיל גם וידאו וגם אודיו סטריאו לפני שתיגע ברזולוציה או באורך. מוזרות אריתמטית אחת שכדאי לצפות לה: משכי זמן נצמדים לרשת של 17k+5 פריימים, כך שבקשת 5 שניות הופכת ל-124 פריימים — כ-5.17 שניות ב-24 fps — ובקשת 10 שניות נוחתת על 243 פריימים, או 10.125 שניות. בקשות בטווח 5–15 שניות הן האזור הבטוח יותר.

מה זה עולה בזמן אמת, לפי דיווחי קהילה (כל ההרצות היו בודדות, ללא בקרה, בהגדרות שונות — התרשים למעלה מציג כל תצורה לצד העמודה שלה): כרטיס RTX 3060 עם 12 GB זיכרון ו־32 GB של זיכרון RAM מערכתי ו־NVMe מהיר השלים את קו הבסיס של 864×480 / 124 פריימים / 20 שלבים בפחות מתשע דקות, תוך שימוש ב־dynamic offload. מחשב נייד עם RTX 4090 ו־16 GB זיכרון, עם SageAttention מופעל, ביצע קליפ של 960×540, 5 שניות, 20 שלבים ב־182 שניות. מבנה NVFP4 על RTX 5090 יחיד הפיק קליפ של 243 פריימים (10.1 שניות) ברזולוציית 864×480 ב־10 שלבים תוך 175 שניות, עם שיא של 26.9 GiB זיכרון VRAM ורק 31.7 GB של קבצים על הדיסק. ההתייחסות מספר הבישול של SGLang עצמו — 1344×768, 124 פריימים, 50 שלבים על פני שני כרטיסי RTX 5090 עם layerwise offload — ארכה 559.67 שניות. והנתיב של Apple Silicon, דרך הפורט הלא־רשמי של MLX, ארך קצת פחות מ־45 דקות לקליפ בודד.

הערות מעשיות שמוצו מהדוחות הללו:

• זיכרון RAM של המערכת ומהירות הדיסק הם קריטיים, לא אופציונליים.בכרטיס של 12 ג'יגה-בייט, הקבצים שנבחרו חורגים מה-VRAM במכוון, לכן נתיב ה-offload עובר דרך ה-RAM ולאחר מכן דרך ה-SSD. בשני הדיווחים המוצלחים עם VRAM נמוך מופיעים 32 ג'יגה-בייט של RAM. לא קיימת תוצאה מאומתת של 8 ג'יגה-בייט.

• SageAttention הוא ההאצה החינמית היחידה — כ-2× ב-ComfyUI, פחות אם הריצה שלך נשלטת על ידי תעבורת offload. התקן את ה-wheel התואם בדיוק ל-build של PyTorch ו-CUDA שלך, בנוסף ל-ComfyUI-KJNodes, ולאחר מכן הכנס Patch Sage Attention KJ בין טוען ה-UNET ל-guider והגדר אותו לאוטומטי. צפה לאזהרות שחלק משכבות H3 אינן FP16/BF16; הגיבוי הזה מתועד ונורמלי.

• מספר הצעדים הוא גמיש.בנצ'מרק ה-5090 רץ עם 10, קו הבסיס של ComfyUI רץ עם 20, בעוד שתצורת הייחוס של SGLang משתמשת ב-50. אף אחד לא פרסם עקומת איכות-לצעד, אז מצאו את הרף שלכם לפני שתניחו שאתם צריכים 50.

• כדי לצאת ממצב OOM, שנה משתנה אחד בכל פעם. ההתאוששות המתועדת היא לחזור ל־0.4 MP, 5 שניות, batch 1, ולשנות הגדרה אחת בכל ניסיון.

• אודיו שקט פירושו ש-VAE האודיו אינו מחובר לצומת פלט הווידאו.זהו כשל מובחן משמע גרוע, וקל לטעות בו כאילו המודל מסרב להפיק צליל.

• Apple Silicon אינו רשמי.הגישה של ויליסון הייתה PipeNetwork/minimax-h3-mlx, פורט קהילתי, שהופעל באמצעות uv מול קובץ דרישות MLX. החומרים של החברה עצמה מציינים את SGLang, vLLM, Diffusers ו-ComfyUI, עם פריסה אופיינית של ארבעה GPUs ב-BF16, ואינם מזכירים את Metal או MPS. יש להתייחס לתמיכה ב-Mac כאל תמיכה שמתוחזקת על ידי הקהילה.

מקומי לעומת מתארח, עם המספרים

מכיוון שמודול ה-2K ומעבד ההנחיה קיימים רק בגרסה המאוחסנת, זה לא באמת או-או. התבנית שהארכיטקטורה דוחפת אותך אליה היא: לבצע איטרציות מקומית ברזולוציית 768p, כשכל ניסיון עולה חשמל ושלוש דקות, ואז לקנות את הגימור.חיוב לשנייה הוא בסדר עבור הקטע שאתה שומר, אבל הרת אסון עבור הארבעים שאתה זורק.

בעניין המחיר, היזהרו, כי הוא משתנה בערך פי 2 לפי הגורם שממנו קונים, והפוסט בבלוג של הספק עצמו לא מצטט נתון בדולרים — רק ש-2K עולה בפחות משליש מהמחיר של דגמים מרכזיים, וש-768p עולה בפחות ממחצית המחיר של 720p של המתחרים. מה שפורסם קונקרטית: fal, ספקית ההסקה היחידה כרגע הרשומה במאגר Hugging Face, גובה $0.16 לשנייה ברזולוציית 768p ו-$0.26 לשנייה ברזולוציית 2K. כלי מעקב משניים מדווחים שמחיר המחירון של החברה עצמה נמוך משמעותית — בסביבות $0.09–$0.10 לשנייה ברזולוציית 768p ו-$0.13–$0.14 לשנייה ברזולוציית 2K — והן לא תואמות זו את זו עד האגורה, אז התייחסו אליהן כאינדיקטיביות ובדקו את דף התמחור של הפלטפורמה לפני שאתם בונים תקציב. כמו כן, קחו בחשבון שווידאו ייחוס מחויב לפי משך הזמן שלו עצמו, בנוסף לפלט שנוצר.

הרץ את זה על מספר אמיתי. מאה קליפים שמורים באורך שמונה שניות כל אחד הם 800 שניות שנוצרו: בערך 112 דולר בתעריף 2K של 0.14 דולר, בערך 208 דולר בתעריף 0.26 דולר של fal, ובערך 76 דולר אם תספק ב-768p במחיר המחירון הנמוך. ארבעים הדחיות לכל קליפ שמור הם מה שקובע את החשבון, ואלה אלה שצריך לייצר מקומית. זו גם הסיבה לשמור על מחיר ההשוואה הוגן — ב-OrcaRouter, הצד הטקסטואלי של אותה צנרת מועבר במחיר הספק ללא תוספת (0% markup), כך שכשספק מוריד מחיר, זה נכנס לתוקף באותו היום ולא אחרי חישוב מרווח מחדש. יצירת הווידאו, שוב, אינה שלנו; הנקודה היא רק ששלב ההידור לא צריך להיות סעיף השורה שאתה צריך לחשוב עליו.

קרא את הרישיון לפני שאתה בונה מוצר על זה.

זה החלק שרוב מדריכי "איך להשתמש" מדלגים עליו, ולקוראים רבים זה החלק היחיד שמשנה החלטה. קראנו ישירות את קובץ ה־LICENSE במאגר. המשקולות מופצות תחת H3 Community License Agreement, שאינו רישיון קוד פתוח, והוא מכיל תנאים יוצאי דופן דיים כדי לצטט את עיקרם:

• טריטוריה. הרישיון מגדיר את "הטריטוריה החלה" שלו ככל העולם, למעט האיחוד האירופי, הממלכה המאוחדת, הרפובליקה של קוריאה וארצות הברית של אמריקה. בקריאה פשוטה, זה מוציא חלק גדול מהאנשים שמפרסמים כיום תוצאות של יצירה מקומית — וההגבלה מנוסחת כך שתחול על הפלטים, לא רק על המשקלים.

• ייחוס. שימוש מסחרי מחייב הצגת "H3" בממשק המוצר; הרישיון גם מעודד הודעת "Powered by H3".

• סף הכנסות. ארגונים שמרוויחים למעלה מ-20 מיליון דולר בשנה ממוצרים או שירותים המבוססים עליו חייבים לקבל אישור כתוב נפרד מהחברה.

• אין זיקוק. אין להשתמש ב-H3 או בפלטיו כדי לשפר כל מודל AI אחר, למעט נגזרות של H3. זה פוסל את השימוש הסטנדרטי בנתונים סינתטיים.

• הדין החל.הונג קונג SAR, עם סמכות שיפוט ייחודית בבתי המשפט של הונג קונג.

• רכיב אחד פתוח באמת. מקודד הטקסט Qwen3-VL-32B הוא Apache 2.0; ההגבלות שלעיל חלות על משקלי H3.

אנחנו לא עורכי הדין שלך וזו לא ייעוץ משפטי — קרא את הרישיון ואת מסמך השאלות והתשובות שהחברה מצרפת אליו, ואם אתה בונה מוצר מסחרי בטריטוריה מוחרגת, קבל ייעוץ משפטי במקום הסתמכות על בלוג. ההבחנה המעשית: ה-API המתארח הוא עסקה שונה עם תנאים שונים מרישיון הקהילה על המשקלים, כך שאם הרישיון המקומי לא מתאים לך, מסלול ה-API עשוי עדיין להיות זמין. בדוק את התנאים של הפלטפורמה שממנה אתה קונה.

תוכנית בדיקות לשבוע הראשון

חמש ריצות, בסדר זה, מספיקות כדי לדעת אם H3 שייך לצינור העבודה שלך:

• הרצה 1 — להוכיח שהתשתית עובדת. תבנית T2V, 864×480, 5 שניות, 20 צעדים, res_multistep/simple. קריטריון ההצלחה הוא MP4 עם אודיו סטריאו בתוכו, לא קליפ טוב.

• ריצה 2 — הוכיחו שהפורמט חשוב.אותו נושא פעמיים: פעם כתיאור חד-שורתי רופף, ופעם ככתוב [Shot 1] פלוס overall_soundscape פלוס non_diegetic_music. אם השני אינו טוב יותר בבירור לעומת H3-Base, משהו בהגדרה שלך שגוי.

• ריצה 3 — שורת דיאלוג אחת. דובר אחד, משפט אחד, אופן הגשה מתואר, חמש שניות. זו הדרך המהירה ביותר להעריך אם האודיו טוב מספיק לשימוש שלך, וכיצד מבטאים את שפת היעד.

• הרצה 4 — משמעת יחוס. R2V עם ה-ref2va checkpoint, שתיים או שלוש הפניות, כל אחת מתויגת במפורש ומקבלת תפקיד, עם <תמונה 1> המתוארת כפריים הראשון בפועל. ואז שברו זאת במכוון: צרפו את אותן הפניות ללא הקצאות והשוו.

• ריצה 5 — הסיום. קחו את הפרומפט המקומי הטוב ביותר שלכם ב-768p אל ה-API המאורח ב-2K וראו מה Context-IR ומעבר הרגנרציה מוסיפים. הדלתא הזו היא מה שהמחיר לשנייה קונה, וזו הדרך היחידה לתמחר את זרימת העבודה ההיברידית בכנות.

שאלות נפוצות

האם אני יכול להוציא 2K מהמשקלים המקומיים?

לא. החבילה הפתוחה היא H3-Base, שהקנבס המקורי שלה הוא צלע קצרה של 768 פיקסלים (עד 768×1344). ה-2K מגיע מ-H3-Regenerate-2K, מודול רגנרציה נפרד (in-context) שהחברה הותירה על ה-API המארח. אפשר להגדיל מקומית עם כל כלי הגדלה לשימוש כללי, אבל זו פעולה שונה ממעבר הרגנרציה של H3 עצמו, והיא לא תשתווה לו.

מדוע אותו prompt מתנהג אחרת ב-API וב-ComfyUI?

מכיוון שה-API מריץ קודם את H3-Context-IR. הוא קורא את הטקסט שלך ואת ההפניות שלך, מבין כיצד הם קשורים, ומעביר ל-H3-Base הוראה מובנית ומועשרת. באופן מקומי אין שלב כזה — H3-Base מקבל את המילים הגולמיות שלך. הנחיה עמומה שמייצרת קליפ מוצלח דרך ה-API ניצלת על ידי מעבד מקדים שלא התקנת, ולכן פורמט ההנחיה המתועד חשוב הרבה יותר למשתמשים מקומיים מאשר למשתמשי API.

האם תבנית ה-timecode [0s-2s] שגויה?

זה לא מה שהמדריך המצורף דורש. הקובץ של החברה, VIDEO_PROMPT_WRITING_GUIDE_base_en.md, מאורגן לפי בלוקים של [Shot N], מותיר את Shot 1 ללא חותמת זמן, ומבטא חיתוכים מאוחרים יותר כזמנים מוחלטים ("At 00:03.500, the camera cuts to…"). אין בו גם סעיף negative-prompt, ולכן רשימת "המעברים האסורים" בתבנית הפופולרית היא תוספת קהילתית. עם זאת, מתרגלים מדווחים על תוצאות API טובות עם צורת ה-timecode — כנראה בגלל ש-Context-IR מנרמל אותה. הקריאה שלנו: השתמשו בפורמט המתועד מול משקלים מקומיים, ואל תיתן קרדיט לסוגרי ה-timecode על תוצאות API שה-preprocessor אולי השיג.

האם חברה בארה"ב או באיחוד האירופי יכולה להשתמש במשקלים הפתוחים למטרות מסחריות?

טקסט הרישיון שקראנו מוציא את האיחוד האירופי, בריטניה, דרום קוריאה וארצות הברית מהשטח התקף שלו, וההחרגה כתובה כך שהיא מכסה הן את הפלטים והן את המשקלים. זהו מכשול רציני לפריסה מסחרית במקומות אלה, וזו שאלה משפטית ולא טכנית – קראו את הרישיון ואת קובץ השאלות והתשובות בעצמכם וקחו ייעוץ. ה-API המתארח כפוף לתנאי הפלטפורמה עצמה, לא לרישיון הקהילה, ולכן כדאי להעריך אותו בנפרד במקום להניח שהוא מוגבל באותה מידה.

מה לבדוק לפני commit

H3 הוא ערך טוב במיוחד עבור סוג עבודה מסוים: קליפים קצרים, מעוצבי סאונד, עקביים ביחס לרפרנס, שבהם אתה מוכן לכתוב רשימת שוטים אמיתית. הוא תובעני במיוחד לגבי אופן הבקשה. שלושת הדברים שכדאי לבדוק בעצמך, כי הם אלה שמשתנים הכי מהר: האם ספקי inference נוספים יופיעו לצד fal (וזה מה שיוריד את המחיר לשנייה), האם תבנית ה-ComfyUI R2V תגדל משני חריצי רפרנס לתשעה של המודל, והאם הרגל ה-timecode של הקהילה או פורמט ה-shot-block המתועד ינצח ברגע שמישהו יריץ השוואה מבוקרת מול משקלים מקומיים. אף אחד עוד לא פרסם את ההשוואה הזו. עד שזה יקרה, המדריך במאגר הוא ההימור הטוב יותר — והוא נמצא באותה הורדה שכבר בזבזת עליה 42 ג'יגה.