Jak używać MiniMax H3: prompty, lokalne uruchomienia i dźwięk, który nie jest chłamem

4 sierpnia Simon Willison pobrał około 115 GB wag, uruchomił nieoficjalny port MLX modelu MiniMax H3 na swoim MacBooku Pro z M5 Max i poprosił o tęczowego skunksa przeskakującego nad omszałą kłodą w supermarkecie. Niecałe 45 minut później miał klip, który określił jako naprawdę imponujący — ze ścieżką dźwiękową, którą opisał jako dziwne, przypominające mowę śmieci. Jego własna diagnoza była przydatną częścią: nie dał modelowi żadnych wskazówek dotyczących dźwięku i nie przeczytał wcześniej przewodnika po promptach. To najkrótsze możliwe podsumowanie tego, jak wygląda rozpoczęcie pracy z H3, sprzedawanym również jako Hailuo 3.0. Obraz pojawia się mniej więcej za darmo. Wszystko inne — dźwięk, timing ujęć, 2K, postać, która musi przetrwać cztery ujęcia z rzędu — trzeba wyraźnie o to poprosić, w formacie bardziej rygorystycznym niż w przypadku niemal każdego innego modelu wideo obecnie używanego.

To jest przewodnik użytkowania, a nie relacja z premiery. Przewijają się przez niego trzy poziomy źródeł i są one za każdym razem oznaczone: jej własna dokumentacja (karta modelu, dwa przewodniki pisania podpowiedzi dołączone do repozytorium, dokumentacja API platformy); ustalenia społeczności od ludzi, którzy faktycznie ją uruchomili — opiekunowie ComfyUI, niezależni benchmarkerzy, dokumentacja resellerów i wątki dyskusyjne na Hugging Face, wszystkie datowane między 31 lipca a 5 sierpnia 2026 roku; oraz niewielka liczba miejsc, w których sami czytamy oryginalny plik i to stwierdzamy. Liczby społeczności są pojedynczymi raportami na niekontrolowanym sprzęcie, chyba że podano inaczej. W przypadkach, gdy praktycy nie zgadzają się ze sobą, różnica zdań jest odnotowywana, a nie rozstrzygana.

Zanim cokolwiek innego: prawdopodobnie nie uruchamiasz całego modelu

Większość zamieszania w pierwszym tygodniu H3 ma swoje źródło w jednym fakcie strukturalnym, który tekst marketingowy zaciera. H3 nie jest pojedynczym modelem. Zgodnie z jego kartą modelu, jest to system składający się z trzech części, a tylko środkowa część została udostępniona jako open-source:

• H3-Context-IR — wielomodalny preprocesor instrukcji. Czyta Twój tekst, obrazy, dźwięk i wideo, analizuje, jak się ze sobą wiążą, i generuje uporządkowaną, wzbogaconą semantycznie reprezentację tego, o co prosiłeś. Wyłącznie API hostowane. Jest udostępniany jako osobny typ zadania, który zwraca wzbogacony prompt i w ogóle nie zwraca wideo.

• H3-Base — model generacyjny o parametrach 33B, który faktycznie tworzy klatki i dźwięk. To jest część z otwartymi wagami.

• H3-Regenerate-2K — przebieg regeneracji w kontekście, który podnosi wynik 768p do 2K.Tylko hostowane API.

Dwie konsekwencje wynikają od razu i decydują o całym twoim przepływie pracy. Po pierwsze, lokalna generacja to pułap 768p. Natywne płótno H3 ma krótszy bok 768 pikseli i maksymalny rozmiar 768×1344 — czyli mniej więcej 1344×768 dla proporcji 16:9. Jeśli wynik z ComfyUI nie jest 2K, nic nie jest zepsute; pobrany pakiet to H3-Base, a moduł upscalingu nie jest w nim zawarty. Po drugie, hostowane API naprawi niechlujny prompt, a lokalna instalacja nie. Wszystko, co Context-IR robi przy płatnym wywołaniu API — wnioskowanie o strukturze, rozstrzyganie, co oznacza które odniesienie, uzupełnianie tego, co pozostawiłeś niejasne — to krok, który teraz wykonujesz ręcznie lub z użyciem innego modelu, zanim H3-Base w ogóle zobaczy twoje słowa. Ta pojedyncza asymetria wyjaśnia większość doniesień, że „ten sam prompt działa na Hailuo, ale w ComfyUI wygląda na zepsuty.”

Warto odnotować w samym repozytorium: wagi mają minimax-h3-community-license-agreement tag zamiast Apache lub MIT (więcej o tym poniżej, bo to właśnie licencja decyduje, czy w ogóle możesz cokolwiek wypuścić), model ma 33B parametrów w F32/BF16, a na dzień dzisiejszy dokładnie jeden dostawca inferencji — fal — jest wymieniony jako obsługujący ten model. Dwadzieścia trzy modele po fine-tuningu, dwadzieścia kwantyzacji i trzydzieści jeden Spaces już powstały na jego bazie, co jest niezłym sygnałem tego, jak szybko zadziałała społeczność.

Format promptu: bloki ujęć, nie kody czasowe

To jest punkt, w którym społeczność i dokumentacja są w otwartym konflikcie, i ma to znaczenie większe niż cokolwiek innego w tym artykule.

Szablon, który rozprzestrzenił się najszybciej — przez Reddit, a następnie w kilku opublikowanych poradnikach — dzieli klip na przedziały czasowe: [0s-2s], [2s-5s], i tak dalej, a następnie zawiera sześcioblokową strukturę złożoną z kontraktu stylu, osi czasu, kamery, audio, przeliterowanego tekstu oraz listy negatywów. Został on odtworzony na podstawie 45 przykładowych promptów, które firma dostarczyła, i nie jest bzdurą: te przykłady to naprawdę listy ujęć z dołączoną listą wskazówek dźwiękowych, o medianie długości około 130 chińskich znaków, a najdłuższe osiągają 657 i 858 znaków.

Ale własny plik firmy VIDEO_PROMPT_WRITING_GUIDE_base_en.md, znajdujący się w folderze docs repozytorium, zaleca coś innego. Porządkuje według bloku ujęć, a nie według zakresu czasowego. Czytamy go bezpośrednio; struktura, o którą prosi, to:

• Instrukcja — zasady wyrównywania obrazu, używane w trybach klatek kluczowych (I2VA, FL2VA, L2VA) i pomijane w przypadku czystego tekstu na wideo.

• integrated_multimodal_description — główna treść, podzielona na [Ujęcie 1], [Ujęcie 2], i tak dalej.

• overall_soundscape — od jednego do czterech zdań opisujących dźwięk diegetyczny.

• non_diegetic_music — od jednego do trzech zdań muzyki.

Wewnątrz tego konwencje są na tyle szczegółowe, że można je zweryfikować. [Ujęcie 1] nie zawiera żadnego znacznika czasu — kolejne ujęcia rozpoczynają się od absolutnego cięcia, sformułowanego jak „W 00:03.500 następuje cięcie do…”. Ruch kamery jest zapisywany jako typ ruchu plus amplituda plus prędkość, wpleciony w naturalny angielski, a nie zestawiony jako etykiety: powolny najazd o małej amplitudzie, a nie kamera: najazd, wolno. Dostępne ruchy to znany zestaw — zoom, pan, tilt, tracking, arc, POV i shake w wariantach lekkich lub mocnych. Dialog jest ujęty w znaczniki: <d>[English] Get in the car.</d>, z zachowaną dokładnie interpunkcją, nigdy nie tłumaczony ani nie parafrazowany. Mówcy otrzymują stałe identyfikatory — (S1), (S2) oraz (S1,S2) dla wspólnej kwestii — z wiekiem, płcią, barwą głosu i akcentem opisanymi przy pierwszym pojawieniu się. Komentarz głosowy jest oznaczony jako kwestia spoza kadru z wyraźną notatką, że usta pozostają zamknięte — co pozwala powstrzymać model przed synchronizowaniem narracji z ruchem ust na twarzy. Przeplatane rozmowy używają znacznika <scenetrans> oraz stwierdzenia ciągłości.

Wyraźne zakazy przewodnika są równie pouczające jak jego zasady: nie dodawaj znacznika czasu do pierwszego ujęcia, nie powtarzaj dialogów, śpiewu ani muzyki z ekranu w obrębie overall_soundscape, nie używaj abstrakcyjnych słów nastrojowych w non_diegetic_music i nigdy nie przepisuj żadnej kwestii dialogowej. A jedno znaczące pominięcie — oficjalny przewodnik w ogóle nie zawiera sekcji z negatywnym promptem, co oznacza, że lista „zakazanych przejść” w popularnym szablonie społeczności to wymysł społeczności, a nie udokumentowana funkcja.

Jak poważnie traktować ten konflikt? W dyskusji na Hugging Face w repozytorium H3 jeden z członków społeczności zamieścił strukturę w stylu timecode jako przewodnik, a inny praktyk odpowiedział wprost, że stosował podobną strukturę, że jest ona całkowicie błędna i że ludzie powinni zamiast tego przeczytać dołączoną instrukcję. To jedna osoba przecząca drugiej, a nie decyzja maintainera. Nasza interpretacja dowodów: oba działają przez hostowane API, ponieważ Context-IR normalizuje wszystko, co do niego wyślesz; tylko udokumentowany format jest niezawodny przy bezpośrednim użyciu H3-Base. Jeśli uruchamiasz lokalne wagi, postępuj zgodnie z plikiem w repozytorium. Jeśli korzystasz z API i prompt w stylu timecode daje ci dobre klipy, to preprocesor wykonuje tę pracę za ciebie i nie powinieneś zakładać, że to format jest tego powodem.

Kompilowanie leniwego briefu do dialektu H3

Weź dwunastowyrazowy prompt Willisona jako dane wejściowe — tęczowego skunksa przeskakującego przez omszałą kłodę w supermarkecie. Zapisany zgodnie z dokumentacją daje mniej więcej: [Shot 1]blok, który zaczyna się od nazwania stylu (live-action, kamera z ręki, oświetlenie fluorescencyjne) i kadru (alejka supermarketu, omszała kłoda w poprzek linoleum, cofające się półki), a następnie podmiotu i akcji w porządku fizycznym — dwa miękkie kroki, przykucnięcie, skok, lądowanie — z kamerą jako powolnym ruchem śledzącym o małej amplitudzie, kończącym się po drugiej stronie kłody; overall_soundscape — pazury na linoleum, wilgotny zgrzyt o kłodę, szum lodówki i odległe kółka wózka; oraz non_diegetic_music — krótki, lekki motyw na szarpanych strunach bez wokalu. Nie ma w tym żadnej twórczej genialności. To ten sam pomysł, z faktycznie dostarczonymi czterema rzeczami, o które prosi H3 — i to jest różnica między niezamówionym szumem tła a ścieżką dźwiękową, którą zaprojektowałeś.

Ten krok jest mechaniczny, powtarzalny i niegodny człowieka, dlatego właśnie firma wypuściła narzędzie, które nie zostało prawie w ogóle zauważone. W repozytorium znajdują się umiejętności — katalog dziewięciu umiejętności agenta, a pierwsza z nich — h3-prompt-writing — robi dokładnie to: przyjmuje prośbę i pisze ustrukturyzowany prompt H3 we wszystkich pięciu trybach generowania, z sekcjami pejzażu dźwiękowego i muzyki. Pozostałe osiem to przepisy gatunkowe (reklama produktu, krótki film animowany 3D, wyjaśnienie techniką papercraft, napisy do teledysku, intro gry kooperacyjnej, hybryda rysunkowo-aktorska i tak dalej), które opakowują ten sam format w workflow.

Uruchomienie tej umiejętności wymaga modelu tekstowego, a nie wideo, i właśnie tutaj router jest naprawdę przydatny, a nie wtyczka. Własny LLM firmy, MiniMax M3, jest rozsądnym wyborem do tego zadania i jest dostępny na OrcaRouter w cenie $0.30 za milion tokenów wejściowych i $1.20 za milion wyjściowych — cena listowa dostawcy, ponieważ przekazujemy go z 0% marżą — z oknem kontekstowym 1M tokenów i, co niezwykłe, wideo jako akceptowanym typem wejścia. Ten ostatni szczegół sprawia, że pasuje: możesz mu podać oficjalny przewodnik po promptach, swój brief i rzeczywisty klip referencyjny w jednym wywołaniu, i otrzymasz z powrotem [Shot N] blok, który go opisuje. Kompilacja promptu kosztuje ułamek centa w porównaniu z generowaniem wideo rozliczanym za sekundę, więc nie ma powodu, aby pisać je ręcznie. Dwa szczere zastrzeżenia: Samo generowanie wideo H3 nie działa na OrcaRouter — klipy pochodzą z platformy firmy, fal lub z Twojego własnego GPU — a krok kompilacji to wygoda, a nie gwarancja jakości. To, co daje ci tu router, to fakt, że tekstowa połowa potoku stoi za jednym kluczem z automatycznym przełączaniem awaryjnym, więc awaria dostawcy w trakcie wsadu nie porzuca kolejki renderowania, a zamiana M3 na inny model w celu porównania skompilowanych promptów to zmiana stringu, a nie nowa umowa.

Audio to dziedzina, w której wszyscy gubią się pierwszego dnia.

Najbardziej potwierdzonym trybem awarii w pierwszym tygodniu jest ten, na który trafił Willison: pozostaw dźwięk nieokreślony, a H3 coś wymyśli — i to źle. Z promptu bez wskazówek audio uzyskał szum przypominający mowę. Opis reverse engineeringu oficjalnych przykładów informuje o tym samym rodzaju awarii w łagodniejszej formie — pomiń blok audio, a model dostarczy nieproszony szum pomieszczenia — i przedstawia je jako braki, a nie błędy, co jest właściwym sposobem myślenia o wspólnym modelu audio-wideo. Zawsze generuje ścieżkę dźwiękową. Twoim jedynym wyborem jest to, czy ją określisz.

Łącząc wskazówki z oficjalnego przewodnika po promptach z tym, co według dokumentacji resellerów i recenzentów faktycznie działa:

• Dialog to najtrudniejsza rzecz, o którą trzeba prosić. Ogranicz wypowiadane kwestie do jednego lub dwóch zdań na pięć sekund klipu. Zbyt długie kwestie powodują pośpieszne mówienie, dźwięk wykraczający poza ostatnią klatkę lub wymuszony lip-sync — co jest konsekwentnie zgłaszane przez recenzentów.

• Opisz mówcę przed kwestią, a sposób wypowiedzi wraz z nią. Wiek, płeć, barwa głosu i akcent przy pierwszym pojawieniu się zgodnie z oficjalnym przewodnikiem; proste, bezpośrednie uwagi dotyczące sposobu wypowiedzi (wyraźnie, ciepło, bezbarwnie) zamiast rozbudowanych wskazówek aktorskich, które podobno pogarszają synchronizację.

• Powiąż każdy efekt z widocznym zdarzeniem. „Pyknięcie korka dokładnie w momencie, gdy korek leci”, a nie „dźwięk: pyknięcie”. Słowa gdy, kiedy i wtedy są tym, co niesie synchronizację.

• Opisuj muzykę według gatunku, tempa, nastroju i instrumentarium — nigdy według artysty lub utworu. Dodaj "no vocals", gdy obraz ma prowadzić; to udokumentowany sposób na zachowanie czystego miksu.

• Nałóż atmosferę w jednym zdaniu. Deszcz na szybie, cichy szmer rozmów, od czasu do czasu brzęk filiżanki, cichy jazz w tle — zestawione w jednym zdaniu, a nie w wyliczeniu.

• Nie powtarzaj dialogów w sekcji pejzażu dźwiękowego. To wyraźny zakaz w oficjalnym przewodniku; sekcje mają być rozłączne, a powtórzenie tam kwestii sprawia, że pojawia się ona dwa razy.

• Jeśli słowo ma być czytelne na ekranie, wpisz to słowo w cudzysłowie. Recenzenci donoszą, że określone ciągi znaków renderują się czysto, podczas gdy niejasne prośby („elementy HUD", „znak") wracają jako szum w kształcie liter.

Tam, gdzie dźwięk naprawdę się sprawdza, według wielu recenzentów, jest to konkretne fizyczne brzmienie — foley i efekty powiązane z czymś widocznym — oraz atmosfera. Jest słabszy w przypadku zapytań abstrakcyjnych lub nastrojowych. Sceny z wieloma mówcami często wymagają edycji, aby uzyskać właściwą kolejność głosów, a jakość wymowy różni się w zależności od języka, więc przetestuj swój język docelowy na próbnym klipie, zanim powierzysz mu projekt. Kilku recenzentów zwraca też uwagę na realny sufit: dźwięk jest wystarczająco dobry do dystrybucji w mediach społecznościowych i generalnie niewystarczający, aby bez podmiany trafić do emisji lub płatnych reklam. To nie są wytyczne producenta; to, co zgłaszają praktycy.

Dokumentacja: przydziel każdemu plikowi zadanie

System referencyjny H3 jest jego najmocniejszym wyróżnikiem i miejscem, w którym najczęściej popełnia się błędy konfiguracji. Udokumentowane limity z dokumentacji API platformy: do 9 obrazów, 3 klipy wideo i 3 klipy audio, maksymalnie 12 plików łącznie, przy czym każde referencyjne wideo lub audio trwa od 2 do 15 sekund, a ich łączny czas nie przekracza 15 sekund. Referencja do wideo wymaga co najmniej jednego obrazu lub wideo; samo audio nie jest akceptowane.

Technika, co do której zarówno oficjalny przewodnik referencyjny, jak i doniesienia społeczności są zgodne, polega na tagowaniu każdego wejścia i przypisywaniu mu zadania.Odwołuj się po tagach w dokładnej kolejności, w jakiej pliki zostały dołączone — <Picture 1>, <Video 1>, <Audio 1> — a następnie wskaż w prompcie, które odniesienie odpowiada za którą właściwość: tożsamość, styl, ruch, kamera lub głos. Oficjalne przykładowe prompty zaczynają się dokładnie w ten sposób, deklarując, że pierwszy obraz jest odniesieniem do ogólnego nastroju i stylu, a drugi — główną postacią. Praktycy zgłaszają, że jawne przypisanie działa znacznie lepiej niż wrzucenie dziewięciu obrazów i liczenie na najlepsze.

Dwa szczegóły, które kosztują ludzi rendery:

• <Picture 1> to nie jest mood board — to dosłowny pierwszy kadr w czasie 0,000 sekundy i należy do [Shot 1]. Opisz, co się w nim znajduje (styl, bohaterowie, kompozycja, punkty kotwiczące sceny), zanim opiszesz akcję, która z niego wynika. Traktuj go jak nieruchomą klatkę, którą animujesz, a nie podpowiedź.

• Istnieją dwa osobne checkpointy i użycie niewłaściwego po cichu kończy się niepowodzeniem. fl2va obsługuje text-to-video oraz pracę z pierwszą/ostatnią klatką; ref2va obsługuje reference-to-video. To najczęściej zgłaszany błąd ComfyUI: graf R2V jest uruchamiany z wciąż wybranym modelem FL2VA. Warto też wiedzieć, że komentator w ogłoszeniu o ComfyUI zwraca uwagę, że dołączony szablon R2V udostępnia tylko dwa miejsca na obrazy referencyjne, mimo że model przyjmuje dziewięć — to ograniczenie szablonu, a nie modelu.

Po stronie hostowanej, dwie kolejne uwagi praktyczne z dokumentacji resellera: ten ratio parametr jest wymagany na endpointach ref2va i nie może być pozostawiony jako "adaptive", a nakładające się zadania zwracają 429 dla współbieżności zamiast kolejkowania — więc przetwarzaj partiami lub zbuduj własną kolejkę. Lokalnie, ref_image_size domyślnie ustawia się na match, co jest szybsze; max zachowuje krótszy bok referencji do 2048 pikseli i kosztuje czas.

Ile tak naprawdę kosztuje lokalne uruchomienie w czasie rzeczywistym

Pobranie pełnego oficjalnego repozytorium to 498 GB, a mirror przepakowany przez ComfyUI to 343 GB. Nie potrzebujesz żadnego z nich w całości. Cztery pliki, które własny samouczek ComfyUI wymienia do generowania wideo z tekstu i obrazu, to łącznie około 42,5 GB:

• Model dyfuzyjny — minimax_h3_fl2va_pruned_int8_convrot.safetensors, 20,97 GB, do models/diffusion_models.

• Enkoder tekstu — qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors, 15,69 GB, do models/text_encoders.

• Video VAE — minimax_h3_video_vae_fp16.safetensors, 5,21 GB, do models/vae.

• Audio VAE — minimax_h3_audio_vae_fp32.safetensors, 0.61 GB, również do models/vae.

• Dodaj dla referencji do wideo — minimax_h3_ref2va_pruned_int8_convrot.safetensors, kolejne 20,97 GB.

Ta wartość 42,5 GB to nie wielkość VRAM — to dysk, a fragmenty są strumieniowane i przenoszone. To, że model w ogóle mieści się na kartach konsumenckich, to zasługa triku inżynieryjnego udokumentowanego przez ComfyUI: około 40% parametrów znajduje się w gałęziach modulacji AdaLN, których wyniki można wstępnie obliczyć i zastąpić funkcjonalnie równoważnymi tabelami przeglądowymi, co zmniejsza załadowany model z 33,12B do około 20,11B — według ComfyUI bez utraty jakości. Wersja w pełnej precyzji ważyłaby 123,6 GB. Nieprzycięte checkpointy int8 (34,04 GB każdy) i bf16 (66,28 GB każdy) są dostępne, jeśli dostrajasz model lub chcesz wyciągnąć ostatnie kilka procent wierności.

Wymagany jest ComfyUI 0.30.0 lub nowszy; program zawiera trzy szablony: T2V, I2V i R2V. Punkt wyjścia, do którego zbiegają się wszystkie poradniki i opiekunowie projektu przy pierwszym uruchomieniu, jest celowo mały: 16:9 przy 0.4 MP (864×480), 5 sekund, 20 kroków, sampler res_multistep z prostym schedulerem, denoise 1.0, batch 1. Zanim zaczniesz zmieniać rozdzielczość lub długość, uzyskaj jeden plik MP4 zawierający zarówno wideo, jak i dźwięk stereo. Jedna arytmetyczna ciekawostka, której możesz się spodziewać: czasy trwania są przyciągane do siatki klatek 17k+5, więc żądanie 5-sekundowe daje 124 klatki — około 5.17 sekundy przy 24 fps — a 10-sekundowe ląduje na 243 klatkach, czyli 10.125 sekundy. Bezpieczniejszy zakres to żądania od 5 do 15 sekund.

Ile to kosztuje w czasie rzeczywistym, według doniesień społeczności (wszystkie pojedyncze przebiegi, niekontrolowane, na różnych ustawieniach — powyższy wykres wypisuje każdą konfigurację przy jej słupku): 12 GB RTX 3060 z 32 GB pamięci RAM i szybkim dyskiem NVMe ukończył bazowy przebieg 864×480 / 124 klatki / 20 kroków w niecałe dziewięć minut przy użyciu dynamicznego offloadu. 16 GB RTX 4090 w laptopie z włączonym SageAttention wykonał 960×540, 5 sekund, 20 kroków w 182 sekundy. Wersja NVFP4 na pojedynczym RTX 5090 wyprodukowała 243-klatkowy (10,1 s) klip 864×480 przy 10 krokach w 175 sekund, osiągając szczytowe 26,9 GiB VRAM, mając na dysku tylko 31,7 GB plików. Referencyjny przepis SGLang — 1344×768, 124 klatki, 50 kroków na dwóch RTX 5090 z offloadem warstwowym — zajął 559,67 sekundy. A ścieżka Apple Silicon, przez nieoficjalny port MLX, zajęła niecałe 45 minut na pojedynczy klip.

Praktyczne uwagi wyciągnięte z tych raportów:

• Pamięć RAM systemu i szybkość dysku są kluczowe, a nie opcjonalne. Na karcie 12 GB wybrane pliki celowo przekraczają VRAM, więc ścieżka odciążania przebiega przez RAM, a następnie SSD. 32 GB RAM pojawia się w obu udanych raportach dotyczących niskiej VRAM. Nie istnieje żaden zweryfikowany wynik dla 8 GB.

• SageAttention to jedyne darmowe przyspieszenie — mniej więcej 2× według ComfyUI, mniej, jeśli Twoje uruchomienie jest zdominowane przez ruch offload. Zainstaluj wheel odpowiadający dokładnie Twojej kompilacji PyTorch i CUDA oraz ComfyUI-KJNodes, a następnie wstaw Patch Sage Attention KJ między ładowarkę UNET a guider i ustaw go na auto. Spodziewaj się ostrzeżeń, że niektóre warstwy H3 nie są FP16/BF16; ten fallback jest udokumentowany i normalny.

• Liczba kroków jest negocjowalna. Benchmark 5090 wykonał 10, a bazowa konfiguracja ComfyUI działa na 20, podczas gdy referencyjna konfiguracja SGLang używa 50. Nikt nie opublikował krzywej jakości na krok, więc znajdź własne minimum, zanim założysz, że potrzebujesz 50.

• Zmieniaj po jednej zmiennej na raz ze względu na OOM. Udokumentowana procedura odzyskiwania polega na powrocie do 0,4 MP, 5 sekund, batcha 1 i przesuwaniu pojedynczego pokrętła przy każdej próbie.

• Brak dźwięku oznacza, że audio VAE nie jest podpięte do węzła wyjściowego wideo. Jest to usterka odrębna od wadliwego audio i łatwo ją pomylić z odmową modelu wygenerowania dźwięku.

• Wsparcie dla Apple Silicon jest nieoficjalne. Droga Willisona wiodła przez PipeNetwork/minimax-h3-mlx, społecznościowy port, uruchamiany za pomocą uv na podstawie pliku wymagań MLX. Materiały samej firmy wymieniają SGLang, vLLM, Diffusers i ComfyUI, przy typowym wdrożeniu na czterech GPU w BF16, i nie wspominają nic o Metal ani MPS. Wsparcie dla Maca traktuj jako utrzymywane przez społeczność.

Lokalne versus hostowane, z liczbami

Ponieważ moduł 2K i preprocesor promptów są dostępne tylko w wersji hostowanej, to nie jest tak naprawdę wybór albo-albo. Wzorzec, do którego prowadzi cię architektura, to: iteruj lokalnie w rozdzielczości 768p, gdzie każda próba kosztuje prąd i trzy minuty, a potem kup finalną wersję. Opłata za sekundę jest w porządku w przypadku ujęcia, które zatrzymujesz, i rujnująca dla czterdziestu, które wyrzucasz.

Jeśli chodzi o cenę, uważaj, bo różni się ona około 2× w zależności od sprzedawcy, a wpis na blogu dostawcy nie podaje żadnej kwoty w dolarach — tylko że 2K kosztuje mniej niż jedną trzecią ceny modeli głównego nurtu, a 768p poniżej połowy ceny konkurencyjnych 720p. Co jest konkretnie opublikowane: fal, obecnie jedyny dostawca inferencji wymieniony w repozytorium Hugging Face, pobiera $0.16 na sekundę przy 768p i $0.26 na sekundę przy 2K. Zewnętrzne trackery podają, że cennik samej firmy jest znacznie niższy — około $0.09–$0.10 na sekundę przy 768p i $0.13–$0.14 na sekundę przy 2K — i nie są one zgodne co do centa, więc traktuj je jako orientacyjne i sprawdź stronę z cennikiem platformy, zanim zaplanujesz budżet. Uwzględnij też fakt, że wideo referencyjne jest rozliczane według własnego czasu trwania oraz wygenerowanego wyniku.

Policzmy to na konkretnych liczbach. Sto klipów keeper po osiem sekund każdy to 800 wygenerowanych sekund: około 112 USD przy stawce 2K wynoszącej 0,14 USD, mniej więcej 208 USD przy stawce 0,26 USD u fal i około 76 USD, jeśli dostarczasz w 768p przy niskiej cenie listowej. To czterdzieści odrzutów na jednego keepera decyduje o wysokości rachunku — i to właśnie je trzeba generować lokalnie. To także powód, dla którego cena, z którą porównujesz, musi być uczciwa: w OrcaRouter tekstowa strona tego potoku jest przekazywana dalej po cenniku dostawcy z 0% marżą, więc gdy dostawca obniży cenę, obowiązuje ona tego samego dnia, a nie dopiero po ponownym przeliczeniu marży. Generowanie wideo, powtarzam, nie jest nasze; chodzi tylko o to, by krok kompilacji nie był pozycją, o którą musisz się martwić.

Przeczytaj licencję, zanim zbudujesz na tym produkt.

To jest część, którą większość przewodników „how to use" pomija, a dla wielu czytelników to jedyna część, która zmienia decyzję. Przeczytaliśmy bezpośrednio plik LICENSE w repozytorium. Wagi są dystrybuowane na podstawie H3 Community License Agreement, a nie licencji open source, i zawiera ona postanowienia na tyle nietypowe, że warto przytoczyć ich istotę:

• Terytorium. Licencja określa „mające zastosowanie terytorium” jako cały świat z wyłączeniem Unii Europejskiej, Wielkiej Brytanii, Republiki Korei i Stanów Zjednoczonych Ameryki. Czytając dosłownie, wyklucza to dużą część osób obecnie publikujących wyniki lokalnego generowania — a ograniczenie jest napisane tak, aby obejmować wyniki, a nie tylko wagi.

• Atrybucja. Użycie komercyjne wymaga wyświetlania „H3" w interfejsie produktu; licencja zachęca również do umieszczenia informacji „Powered by H3".

• Próg przychodów. Organizacje osiągające ponad 20 milionów dolarów rocznie z produktów lub usług opartych na nim muszą uzyskać odrębne pisemne upoważnienie od firmy.

• Bez destylacji. Nie wolno Ci używać H3 ani jego wyników do ulepszania jakiegokolwiek innego modelu AI, z wyjątkiem pochodnych H3. To wyklucza standardowe podejście z danymi syntetycznymi.

• Prawo właściwe. Hongkong (Specjalny Region Administracyjny), z wyłączną jurysdykcją sądów Hongkongu.

• Jeden naprawdę otwarty komponent. Enkoder tekstowy Qwen3-VL-32B jest na licencji Apache 2.0; powyższe ograniczenia dotyczą wag H3.

Nie jesteśmy twoimi prawnikami i to nie jest porada prawna — przeczytaj licencję oraz dokument Q&A, który firma dołącza obok niej, a jeśli budujesz coś komercyjnie na wykluczonym terytorium, zasięgnij porady prawnika, a nie opinii z bloga. Praktyczny wybór: hostowane API to inna transakcja o innych warunkach niż licencja społecznościowa na wagi, więc jeśli lokalna licencja ci nie odpowiada, droga API może być nadal dostępna. Sprawdź warunki platformy, od której kupujesz.

Plan testów na pierwszy tydzień

Pięć uruchomień, w tej kolejności, wystarczy, aby wiedzieć, czy H3 należy do twojego potoku:

• Uruchomienie 1 — sprawdzenie działania. Szablon T2V, 864×480, 5 sekund, 20 kroków, res_multistep/simple. Kryterium sukcesu to MP4 z dźwiękiem stereo, a nie dobry klip.

• Uruchomienie 2 — udowodnij, że format ma znaczenie. Ten sam temat dwa razy: raz jako luźny opis jednowierszowy, raz zapisany jako [Shot 1] plus ogólny pejzaż dźwiękowy plus muzyka niediegetyczna. Jeśli druga wersja nie jest wyraźnie lepsza względem H3-Base, coś w Twojej konfiguracji jest nie tak.

• Przebieg 3 — jedna kwestia dialogowa. Jeden mówca, jedno zdanie, opisany sposób wypowiedzi, pięć sekund. To najszybszy sposób, aby ocenić, czy dźwięk jest wystarczająco dobry do Twoich potrzeb i jak wymawia się Twój język docelowy.

• Run 4 — dyscyplina referencji. R2V z ref2va jako punktem kontrolnym, dwie lub trzy referencje, każda wyraźnie otagowana i z przypisanym zadaniem, z <Picture 1> opisanym jako rzeczywista pierwsza klatka. Następnie celowo to zepsuj: dołącz te same referencje bez przypisań i porównaj.

• Przebieg 5 — finał. Przenieś swój najlepszy lokalny prompt 768p do hostowanego API w 2K i zobacz, co wnoszą Context-IR i przebieg regeneracji. Ta delta to dokładnie to, za co płacisz w cenie za sekundę, i to jedyny sposób na uczciwą wycenę hybrydowego przepływu pracy.

Często zadawane pytania

Czy mogę wyciągnąć 2K z lokalnych wag?

Nie. Pakiet open source to H3-Base, którego natywne płótno ma krótszy bok 768 pikseli (do 768×1344). 2K pochodzi z H3-Regenerate-2K, osobnego modułu regeneracji w kontekście, który firma zatrzymała w hostowanym API. Możesz lokalnie zwiększać rozdzielczość dowolnym uniwersalnym skalowaczem, ale to inna operacja niż własny przebieg regeneracji H3 i nie będzie z nim zgodna.

Dlaczego ten sam prompt zachowuje się inaczej w API i w ComfyUI?

Ponieważ API najpierw uruchamia H3-Context-IR. Czyta Twój tekst i Twoje odniesienia, analizuje, jak się do siebie odnoszą, i przekazuje H3-Base ustrukturyzowaną, wzbogaconą instrukcję. Lokalnie nie ma takiego etapu — H3-Base dostaje Twój surowy tekst. Niejednoznaczny prompt, który przez API daje przyzwoity klip, jest ratowany przez preprocesor, którego nie zainstalowałeś, dlatego udokumentowany format promptu ma znacznie większe znaczenie dla użytkowników lokalnych niż dla użytkowników API.

Czy szablon timecode'u [0s-2s] jest błędny?

To nie jest to, czego wymaga dołączona instrukcja. Plik firmy VIDEO_PROMPT_WRITING_GUIDE_base_en.md organizuje według bloków [Shot N], nie podaje timestampu dla Shot 1, a późniejsze cięcia wyraża jako czasy bezwzględne („O 00:03.500 kamera przechodzi do…”). Nie ma też sekcji negatywnych promptów, więc lista „zakazanych przejść” w popularnym szablonie to dodatek społeczności. Mimo to praktycy zgłaszają dobre wyniki API z formą timecode'ów — prawdopodobnie dlatego, że Context-IR to normalizuje. Nasza interpretacja: używaj udokumentowanego formatu na lokalnych wagach i nie przypisuj nawiasom timecode'ów wyników API, które mogą być zasługą preprocesora.

Czy firma w USA lub UE może komercyjnie wykorzystywać otwarte wagi?

Przeczytany przez nas tekst licencji wyklucza UE, Wielką Brytanię, Koreę Południową i USA z jej Terytorium Obowiązywania, a wykluczenie to zostało sformułowane tak, aby obejmowało zarówno wyniki, jak i wagi. Stanowi to poważną przeszkodę dla komercyjnego wdrożenia w tych miejscach i jest kwestią prawną, a nie techniczną — przeczytaj sam licencję oraz plik z pytaniami i odpowiedziami i zasięgnij porady. Hostowane API rządzi się własnymi warunkami platformy, a nie licencją społecznościową, więc warto ocenić je osobno, zamiast zakładać, że jest w równym stopniu ograniczone.

Co sprawdzić przed commitem

H3 to niezwykle dobra wartość dla konkretnego rodzaju pracy: krótkich, dopracowanych dźwiękowo klipów zgodnych z referencjami, do których jesteś gotów napisać prawdziwą listę ujęć. Jest przy tym niezwykle wymagający co do tego, jak pytasz. Trzy rzeczy warto zweryfikować samodzielnie, bo to one zmieniają się najszybciej: czy obok fal pojawią się kolejni dostawcy inferencji (to właśnie obniży cenę za sekundę), czy szablon ComfyUI R2V urośnie z dwóch slotów referencyjnych do dziewięciu, które ma model, oraz czy społecznościowy nawyk używania timecode'u czy udokumentowany format bloków ujęć zwycięży, gdy ktoś w końcu przeprowadzi kontrolowane porównanie z lokalnymi wagami. Nikt jeszcze nie opublikował tego porównania. Dopóki to nie nastąpi, lepszym wyborem jest instrukcja w repozytorium — a ta znajduje się w tym samym pobraniu, na które zużyłeś już 42 GB.