Alur Kerja MiniMax H3 yang Layak Ditiru Seminggu Setelah Open Source (Ditambah 52 Prompt Resmi)

MiniMax merilis ringkasan komunitas tentang minggu pertama H3 sebagai model terbuka. Disebutkan hampir 300 model turunan, sebaran build terkuantisasi, mesin inferensi asli Mac, dan pipeline produksi berbasis agen. Semuanya layak disimak.

Namun satu hal yang paling layak disorot adalah kalimat di akhir bagian pertama, yang menggambarkan bagaimana seorang kreator animasi benar-benar bekerja. Dalam kata-kata resmi:

Ia menghasilkan video 480p di RTX 3060 untuk iterasi, menggunakan perangkat keras lokal untuk pratinjau, seleksi, dan trial and error, dan hanya setelah versi memuaskannya, ia pindah ke cloud untuk merender final pada resolusi lebih tinggi dan menyelesaikannya dengan super resolusi.

Tulisan resmi tersebut memberi nama pada kebiasaan ini: draf lokal, final cloud.

Tiga kata itu adalah kesimpulan yang sama yang terus kami temui selama berbulan-bulan pekerjaan perbandingan model. Tulisan ini adalah upaya untuk mengatakannya dengan benar: mengapa pemisahan itu berlaku, dan setelah berlaku, apa yang benar-benar perlu Anda simpan.

Poin utama

• MiniMax H3 lokal akhirnya berjalan di perangkat keras konsumen, tetapi lokal adalah ujung resolusi rendah. Final 2K adalah proses terpisah, bukan render yang lebih besar.
• Satu-satunya hal yang harus berpindah dari draf ke final adalah prompt, sehingga seluruh alur kerja bergantung pada apakah prompt Anda bertahan dalam perjalanan.
• Jalankan satu prompt MiniMax H3 verbatim di beberapa model sekaligus untuk memeriksa kesehatan prompt, bukan untuk memeringkat model.
• Sebuah kendala dapat dipenuhi secara harfiah namun tetap meleset dari sasaran. Kunci properti yang membawa konsep, bukan efek sampingnya.
• Dua aset yang layak disimpan adalah pustaka prompt yang dikategorikan dan logika keputusan di balik setiap prompt.

Mengapa "draf lokal, final cloud" hanya berfungsi untuk MiniMax H3 sekarang

Pemisahan ini bergantung pada satu hal: ujung lokal tiba-tiba menjadi kuat.

Dalam satu minggu open source, komunitas bergerak cepat pada efisiensi inferensi. Tim ComfyUI mengurangi bobot modulasi yang membentuk sekitar empat puluh persen dari jumlah parameter, menggantinya dengan tabel yang telah dikomputasi sebelumnya, menambahkan kuantisasi INT8 dan kernel kustom, dan membawa kombinasi model terkecil dari 123,6GB menjadi 42,5GB memori. Tambahkan offloading dinamis dan kartu grafis konsumen dapat menjalankan inferensi lokal.

Secara terpisah, pencipta Redis, antirez, menulis mesin inferensi Apple Silicon asli dari awal dalam C dan Metal. Mesin ini membaca bobot safetensors secara langsung dan menggabungkan encoder teks dan visi, DiT, serta VAE visi dan audio ke dalam satu program Mac asli, tanpa ketergantungan pada Python atau PyTorch.

Tim peneliti NVIDIA menyelesaikan proses pertama optimasi inferensi dalam waktu 4,5 jam sejak hari peluncuran dan melaporkan percepatan end-to-end 3,95x dibandingkan Diffusers pada pengaturan delapan kartu.

Gabungkan semuanya dan hasilnya jelas: lokal berjalan sekarang, tetapi apa yang dirender adalah resolusi rendah.

Jadi pemisahan kreator mengikuti secara alami. Resolusi rendah cepat, murah dan dapat diulang, yang persis dibutuhkan trial and error. Pengiriman tetap kembali ke cloud untuk final. Kedua ujung bukanlah pengganti. Mereka adalah dua stasiun dalam satu jalur.

Apa yang sebenarnya berpindah di antara dua tahap MiniMax H3

Ini adalah pertanyaan yang benar-benar kami pedulikan.

Anda menghabiskan dua puluh proses di 480p secara lokal dan akhirnya mendapatkan tampilan yang diinginkan. Sekarang Anda pindah ke cloud untuk final. Apa satu hal yang benar-benar dapat Anda bawa?

Bukan klip 480p, resolusinya terlalu rendah. Bukan bobot model, cloud punya miliknya sendiri.

Itu adalah prompt.

Di sepanjang jalur, satu-satunya hal yang harus melewati kedua ujung dan berlaku tanpa perubahan adalah prompt. Itu adalah satu-satunya aset dalam alur kerja ini.

Implikasinya lebih penting daripada kedengarannya:

• Jika prompt Anda berhenti bekerja ketika lingkungan berubah, alur kerja berlapis ini tidak berjalan sama sekali. Segala sesuatu yang Anda sesuaikan secara lokal terbuang sia-sia dalam perjalanan ke cloud.
• Jika Anda menulis ulang untuk setiap model, Anda mengulangi tahap draf setiap kali Anda mengganti model.
• Balikkan: jika prompt cukup portabel, Anda bahkan dapat membuat draf pada model yang lebih murah, selama pembacaan model terhadap kalimat yang sama dapat diprediksi.

Jadi pertanyaannya menjadi: bagaimana cara menulis prompt yang tetap berfungsi setelah lingkungan berubah? Kami menguji ini.

Satu prompt MiniMax H3, empat model sekaligus

Selama beberapa hari terakhir, kami menjalankan lebih dari selusin perbandingan seperti ini: satu prompt verbatim, hanya mengubah parameter pengiriman, dikirim ke empat model masing-masing, mencakup subjek dari VFX hingga gerakan UI produk hingga video musik pendek.

Di bawah ini adalah pengujian yang sama dijalankan pada delapan subjek. Setiap klip adalah pembagian empat arah dari prompt yang identik: kiri atas Seedance 2.5, kanan atas MiniMax H3, kiri bawah Seedance 2.0, kanan bawah Kling v3.0pro.

Duel wuxia: satu prompt, empat model. Suara nyalakan.

Adegan romansa anime, pembagian empat arah yang sama.

Iklan tas tangan: spot produk dari prompt yang sama.

Pertunjukan girl group, dengan audio tersinkron di seluruh pembagian.

KNNOfby0vtw

Adegan berbasis karakter, empat model berdampingan.

Iklan kamera, prompt yang sama secara paralel.

Iklan sepatu olahraga, yang terakhir dari delapan subjek.

Apa yang sebenarnya diuji oleh proses ini

Ini bukan peringkat. Ini adalah pemeriksaan fisik untuk prompt.

Karena prompt verbatim dan hanya parameter pengiriman yang berubah:

1. Perbedaan di antara keempatnya adalah perbedaan antar model. Kedengarannya seperti pernyataan yang sudah jelas, tetapi itu adalah fondasi dari seluruh latihan, dan hanya berlaku ketika keempatnya berjalan di lingkungan eksekusi yang sama. Jika Anda menggabungkan beberapa antarmuka dari sumber yang berbeda, Anda mencampur variabel tingkat tautan ke dalam perbedaan, dan Anda tidak dapat lagi membedakan perbedaan model dari perbedaan platform.
2. Apa pun yang gagal dilakukan oleh keempat model adalah masalah prompt, bukan masalah model. Ini adalah sinyal paling berharga dalam tahap draf, dan ini adalah sinyal yang tidak akan pernah Anda dapatkan dari menjalankan satu model saja. Satu model meleset dan Anda curiga pada model. Empat meleset dan jawabannya jelas: kembali dan perbaiki baris itu, jangan ganti model.
3. Ubah satu hal per versi, biarkan sisanya tidak tersentuh. Ini adalah satu-satunya cara agar "versi ini lebih baik" dapat dipertahankan. Jika Anda menyebar perubahan, Anda tidak dapat menghubungkan apa pun. Menjalankan beberapa model secara paralel berarti satu perubahan variabel tunggal memberi Anda empat titik pengamatan sekaligus.

Jadi apa yang dimasukkan ke dalam file

Bukan tabel parameter. Parameter ada di halaman model, dan menyalinnya tidak membawa informasi. Apa yang layak dicatat adalah "apa yang saya tulis, lalu apa yang saya amati." Dua contoh:

Nilai dari yang pertama adalah arah. Mencatat hanya ukuran kesalahan tidak berguna, karena lain kali Anda mengompensasi, Anda akan mengompensasi dengan cara yang salah. Yang satu perlu didorong lebih lambat, yang lain dipercepat lebih awal.

Yang kedua lebih berharga, dan menjadi subjek dari bagian selanjutnya.

Anda tidak lagi membutuhkan skrip untuk ini

Ketika kami menjalankan perbandingan itu, kami menulis skrip sendiri untuk mengirimkan pekerjaan dan mengambil hasil. Tidak lagi. Atlas Cloud meluncurkan Model Explorer.

Tulis satu prompt, pilih hingga 10 model untuk dijalankan secara paralel, dan hasilnya kembali berdampingan.

Nilai sebenarnya bukanlah kemudahan, melainkan kontrol. Alasan perbandingan itu dapat mencapai kesimpulan adalah karena keempatnya berjalan dalam satu lingkungan eksekusi. Jika Anda menghubungkan empat antarmuka dari sumber yang berbeda, variabel platform bocor ke dalam perbedaan: perilaku gateway, parameter default, bagaimana aset dikodekan. Ubah salah satu dan Anda mengira membandingkan model padahal Anda membandingkan platform. Jika dijalankan di dalam satu kumpulan model, variabel-variabel itu ditekan secara konstruksi.

Beberapa hal langsung berlaku pada tahap draf:

• Grup model prasetel. SOTA, Trending, dan Murah, ditambah set simpanan Anda sendiri. Buat draf dengan grup murah untuk menentukan arah, lalu pindah ke grup SOTA untuk final. Itu adalah pemisahan yang sama dari atas, dengan kedua ujung kini di cloud.
• Perkiraan biaya sebelum Anda menjalankan, sehingga Anda tidak menunggu hingga akhir untuk mengetahui berapa biaya satu putaran.
• Gambar dan video keduanya, dengan text-to-image dan image-to-image di sisi gambar.

Atlas Cloud Model Explorer: grup prasetel model yang dipilih untuk dijalankan secara paralel dari satu prompt, dengan perkiraan biaya per proses ditampilkan sebelum dijalankan

Dapat diverifikasi tidak sama dengan mengunci dimensi yang tepat

Baris dari bagian sebelumnya, "jaga agar tetap datar, bukan fotorealistis," adalah jebakan paling umum yang kami temui.

Bagian yang aneh adalah kendala dapat sepenuhnya dipenuhi dan tetap sepenuhnya gagal. Datar? Ya. Buatan tangan? Tidak sama sekali. Centang setiap kotak pada daftar periksa dan Anda mendapat nilai penuh.

Masalahnya: kami mengunci "kedataran," tetapi properti yang benar-benar membawa konsep adalah "bekas alat yang terlihat." Ganti dengan "krayon, pensil warna, kuas kasar, arah arsiran, isian tidak rata, tepi kasar" dan model yang sama berbalik sepenuhnya.

Subjek buatan tangan di empat model. "Datar" mudah dipenuhi, "terlihat dibuat dengan tangan" adalah properti yang benar-benar harus dikunci.

Itu menyaring menjadi sebuah pengujian:

Ambil setiap kendala yang Anda tulis dan tanyakan: dapatkah model memenuhi kalimat ini dan tetap menjatuhkan hal yang benar-benar saya inginkan?

Jika ya, kunci diarahkan pada efek samping, bukan konsep.

Gejalanya sudah dikenal: output cocok dengan daftar periksa Anda baris demi baris, tetapi siapa pun yang tahu referensinya dapat melihat sekilas bahwa itu salah.

Langkah yang tepat pada saat itu adalah bukan menambahkan lebih banyak kunci. Ini adalah kembali dan menemukan properti yang benar-benar membawa konsep.

Kembali ke "draf lokal, final cloud," ini memiliki bobot lebih: kendala yang diarahkan pada dimensi yang salah mungkin tidak terlihat pada resolusi draf. Pada 480p, perbedaan antara garis halus dan kuas kasar sudah buram, dan Anda hanya menemukan bahwa arahnya salah setelah menghabiskan upaya pada final cloud. Apakah draf menghemat waktu tergantung pada apakah properti yang Anda kunci saat draf adalah yang asli.

Komunitas sudah mengemas proses MiniMax H3

Tulisan resmi membawa satu sinyal lagi yang layak disebut sendiri: pengembang mulai membungkus seluruh proses produksi menjadi sesuatu yang dapat digunakan kembali.

Seorang seniman AI menggunakan Claude Code di Mac untuk mengorkestrasi model lokal di mesin kedua. Mac menangani pengaturan proyek, pemeriksaan fakta, skrip, linimasa, subtitle, storyboard, dan tinjauan struktural, dan ujung lainnya menangani inferensi model. Seluruhnya dipecah menjadi 14 tahap, dari brief hingga batch render, perakitan edit, dan pencatatan buku besar, tanpa pernah membuka editor tradisional.

Proyek lain membungkus ide yang sama ke dalam plugin dengan keterampilan bawaan yang berjalan dari cerita atau ringkasan bisnis ke pengaturan karakter dan adegan, storyboard dan desain keyframe, lalu memilih alur kerja per bidikan. Prompt, aset input, alur kerja, bidikan kandidat, dan pilihan semuanya disimpan dalam catatan proyek, sehingga tugas yang terputus dilanjutkan di tempat ia berhenti.

Arahnya sama: semua orang mengubah "bagaimana yang satu ini dibuat" menjadi aset yang dapat digunakan kembali, alih-alih meninggalkan tumpukan film jadi. Dua hal yang kami buat berada tepat di jalur itu.

Dua sumber daya MiniMax H3 yang dapat Anda ambil sekarang

1. Pustaka prompt MiniMax H3 resmi (52 prompt, 16 kategori, masing-masing dengan pratinjau)

PlainCopy
1https://github.com/AtlasCloudAI/awesome-minimax-h3-prompts

Bukan penulisan ulang, tetapi prompt asli dari showcase resmi, diatur berdasarkan skenario, masing-masing dipasangkan dengan video pratinjau yang benar-benar dihasilkan sehingga Anda dapat melihat hasilnya sebelum memutuskan mana yang akan disalin.

16 kategori mencakup merek dan sinematik, kreatif visual dan kemasan, grafik gerak dan VFX, narasi AI, produk dan e-commerce, kreatif digital dan game, AI industri dan tertanam, animasi dan stilasi, referensi multi-material, referensi karakter/aksi/kamera, kloning suara, pengeditan karakter dan objek, pengeditan adegan dan VFX, pengeditan audio dan dialog, instruksi tepat yang diikuti, dan prasetel gaya. Mendukung 20 bahasa dan menerima kiriman.

Cara paling hemat waktu untuk menggunakannya saat draf: temukan prompt yang subjeknya dekat dengan Anda, tonton pratinjaunya, dan gunakan sebagai titik awal untuk mengedit. Jauh lebih cepat daripada memulai dari kotak kosong.

Repositori awesome-minimax-h3-prompts di GitHub, menampilkan indeks kategori dan satu entri dengan video pratinjaunya

2. Skill prompt video universal

PlainCopy
1https://github.com/kiana-liang/universal-video-prompt-skill

PlainCopy
1npx skills add kiana-liang/universal-video-prompt-skill

Ini memecahkan masalah dari bagian kedua: Anda menyalin prompt, tetapi Anda tidak dapat menyalin penilaian yang dibuat saat menulisnya. Slogannya mengatakan tepat itu. Logika keputusan mendasar yang tidak dapat Anda salin dengan menyalin prompt adalah apa yang ada di sini.

Apa yang dilakukannya adalah memecah "pikirkan dulu, lalu tulis ke dalam bentuk" menjadi daftar periksa keputusan yang dapat digunakan kembali:

• Dua pertanyaan sebelum setiap baris: lapisan mana yang dimiliki ini (global, dikunci, atau temporal), dan apakah ditulis dalam bentuk yang dapat diamati?
• Terjemahkan yang tidak dapat diverifikasi menjadi yang dapat diverifikasi. "Jaga konsistensi" menjadi keadaan akhir yang terlihat. "Tegang" menjadi gerakan mata, napas, dan gerakan tangan.
• Metode tahan dialek: tulis istilah dan deskripsi yang dapat diamati bersama. Model yang tahu istilah mengambil jalan pintas, model yang tidak tahu mengikuti deskripsi, dan satu prompt mencakup keduanya.
• Tidak ada penulisan ulang antar lingkungan. Lapisan bahasa murni ditulis sekali, dan bias spesifik model dimasukkan ke dalam tabel profil terpisah, jenis dari bagian ketiga.

Repo ini mengirimkan 5 jenis bidikan, 4 kasus lengkap, 6 profil model, dan 4 video demo. Setiap video terikat pada aturan spesifik yang didemonstrasikannya, ini bukan showreel.

Juga jelas tentang apa yang tidak dilakukannya: tidak ada slot yang diperlukan, tidak ada contoh yang merupakan aturan, setiap aturan memiliki pengecualian. Jika Anda mencari template isian untuk dimasukkan, ini bukan itu.

Ujung penyelesaian: menjalankan MiniMax H3 di Atlas Cloud

Ketiga mode panggilan MiniMax H3 aktif di Atlas Cloud, text-to-video, image-to-video, dan reference-to-video, dengan parameter, opsi durasi, dan contoh permintaan di setiap halaman model.

PlainCopy
1Ikhtisar           https://www.atlascloud.ai/models/minimax-h3
2Text-to-video      https://www.atlascloud.ai/models/minimax/h3/text-to-video
3Image-to-video     https://www.atlascloud.ai/models/minimax/h3/image-to-video
4Reference-to-video https://www.atlascloud.ai/models/minimax/h3/reference-to-video
5Alat perbandingan  https://www.atlascloud.ai/model-explorer

Atlas Cloud mengumpulkan model video mainstream ini ke dalam satu kumpulan, sehingga dengan satu API Anda mengubah satu string model untuk menjalankan seluruh perbandingan. Itulah cara uji empat model di bagian ketiga dijalankan, kecuali saat itu kami masih menulis skrip sendiri, dan sekarang hanya beberapa klik di Model Explorer.

Jadi pipeline terhubung seperti ini dalam praktik:

Ketiga tahap menggunakan prompt dan kunci yang sama. Tidak ada yang ditulis ulang di tengah dan tidak ada yang mengubah lingkungan, yang merupakan poin dari bagian kedua: satu-satunya aset yang harus melewati tahap adalah prompt, jadi jangan biarkan ia berubah bentuk di perjalanan. Parameter, opsi durasi, dan contoh API semuanya ada di halaman model MiniMax H3.

Penutup

Seminggu open source, dan komunitas telah berhasil menempatkan MiniMax H3 di kartu grafis konsumen, ke dalam program Mac asli, dan di dalam alur produksi otomatis. Pekerjaan itulah yang membuat ujung lokal benar-benar dapat digunakan.

Tetapi berjalan lokal bukanlah pengiriman lokal. "Draf lokal, final cloud" adalah kebiasaan yang baik karena tidak mempertentangkan kedua ujung. Ini menerima bahwa ini adalah satu pipeline, dengan dua stasiun melakukan dua pekerjaan.

Dan agar jalur dapat bergerak, bagian yang diserahkan di tengah harus andal. Bagian itu adalah prompt. Jadi hal yang layak Anda luangkan waktu bukanlah film mana pun yang Anda render. Itu adalah mengapa Anda menulisnya seperti yang Anda lakukan.

FAQ prompt MiniMax H3

Di mana saya dapat menjalankan MiniMax H3 tanpa GPU lokal?

Ketiga mode MiniMax H3, text-to-video, image-to-video, dan reference-to-video, berjalan di Atlas Cloud, dengan parameter dan opsi durasi di setiap halaman model. Inferensi lokal berguna untuk draf 480p murah setelah build komunitas siap, tetapi final resolusi lebih tinggi masih dirender di cloud.

Bagaimana cara membandingkan MiniMax H3 dengan model video lain secara adil?

Jalankan satu prompt verbatim di seluruh model dalam satu lingkungan eksekusi. Model Explorer melakukan ini dengan hingga 10 model secara paralel, yang menjaga perilaku gateway, parameter default, dan pengkodean aset tetap konstan sehingga perbedaan yang Anda lihat adalah perbedaan model.

Apakah prompt MiniMax H3 dapat ditransfer ke model lain?

Itulah inti dari menulisnya dengan baik. Jaga lapisan bahasa murni tetap dapat diamati dan tahan dialek, istilah plus deskripsi, dan catat bias waktu spesifik model dalam tabel profil terpisah. Prompt kemudian bertahan berpindah dari model draf ke model final tanpa perubahan.

Di mana saya dapat menemukan prompt MiniMax H3 siap pakai?

Pustaka awesome-minimax-h3-prompts memiliki 52 prompt showcase resmi dalam 16 kategori, masing-masing dengan video pratinjau nyata, dalam 20 bahasa. Temukan satu yang mendekati subjek Anda, tonton pratinjau, dan edit dari sana.