MiniMax H3 Workflow wart skopiowania tydzień po open source (plus 52 oficjalne prompty)

MiniMax opublikował podsumowanie społecznościowe pierwszego tygodnia H3 jako otwartego modelu. Wspomina o blisko 300 modelach pochodnych, mnóstwie skwantowanych wersji, natywnym silniku wnioskowania na Maca i pipeline’ach produkcyjnych sterowanych agentami. Wszystko to warte obejrzenia.

Ale najcenniejszy jest jeden fragment pod koniec pierwszej sekcji, opisujący, jak faktycznie pracuje jeden twórca animacji. Oficjalnie:

Generuje wideo 480p na RTX 3060, aby iterować, używając lokalnego sprzętu do podglądu, selekcji i prób i błędów, a dopiero gdy wersja go zadowoli, przenosi się do chmury, by wyrenderować finalną wersję w wyższej rozdzielczości i wykończyć superrozdzielczością.

Oficjalny artykuł nadaje temu nawykowi nazwę: lokalny szkic, wykończenie w chmurze.

Te trzy słowa to ten sam wniosek, do którego dochodziliśmy przez miesiące porównywania modeli. Ten tekst to próba właściwego ujęcia: dlaczego ten podział się utrzymuje i co tak naprawdę trzeba zachować, gdy już się utrzyma.

Najważniejsze wnioski

• Lokalny MiniMax H3 w końcu działa na konsumenckim sprzęcie, ale lokalne to niska rozdzielczość. Finalne 2K to osobny przebieg, a nie większy render.
• Jedyne, co musi przejść ze szkicu do finalu, to prompt, więc cały przepływ pracy zależy od tego, czy prompt przetrwa podróż.
• Uruchom jeden dosłowny prompt MiniMax H3 na kilku modelach jednocześnie, aby sprawdzić kondycję promptu, a nie rankingować modele.
• Ograniczenie może być spełnione co do joty i wciąż chybiać celu. Zablokuj właściwość, która niesie koncepcję, a nie efekt uboczny.
• Dwa zasoby warte zachowania to katalogowana biblioteka promptów i logika decyzyjna stojąca za każdym promptem.

Dlaczego „lokalny szkic, wykończenie w chmurze” działa tylko dla MiniMax H3 teraz

Podział zależy od jednej rzeczy: lokalna strona nagle stała się silna.

W ciągu jednego tygodnia open source społeczność szybko poczyniła postępy w wydajności wnioskowania. Zespół ComfyUI zmniejszył wagi modulacyjne, które stanowiły około czterdziestu procent liczby parametrów, zastąpił je prekompilowanymi tabelami, dodał kwantyzację INT8 i niestandardowe jądra, i obniżył najmniejszą kombinację modeli z 123,6 GB do 42,5 GB pamięci. Dodaj dynamiczne przeładowywanie, a konsumencka karta graficzna może uruchomić lokalne wnioskowanie.

Osobno twórca Redisa, antirez, napisał natywny silnik wnioskowania Apple Silicon od podstaw w C i Metalu. Czyta wagi safetensors bezpośrednio i pakuje kodery tekstu i obrazu, DiT oraz VAE wizji i audio w jeden natywny program na Maca, bez zależności od Pythona czy PyTorcha.

Zespół badawczy NVIDII ukończył pierwszą iterację optymalizacji wnioskowania w ciągu 4,5 godziny od premiery i zgłosił 3,95-krotne przyspieszenie end-to-end w porównaniu z Diffusers na ośmiokartowej konfiguracji.

Złóż to wszystko razem, a wynik jest jasny: lokalne uruchomienia są teraz, ale to, co renderują, ma niską rozdzielczość.

Podział twórcy wynika więc naturalnie. Niska rozdzielczość jest szybka, tania i powtarzalna, czyli dokładnie to, czego potrzebują próby i błędy. Dostawa wciąż wraca do chmury po final. Te dwa końce nie są substytutami. To dwie stacje na jednej linii.

Co tak naprawdę przechodzi między dwoma etapami MiniMax H3

To jest pytanie, na którym naprawdę nam zależy.

Spędzasz dwadzieścia przebiegów w 480p lokalnie i w końcu dopracowujesz wygląd. Teraz przenosisz się do chmury po final. Jaka jest jedna rzecz, którą możesz ze sobą zabrać?

Nie klip 480p, jego rozdzielczość jest za niska. Nie wagi modelu, chmura ma swoje.

To jest prompt.

Na całej linii jedyną rzeczą, która musi przejść przez oba końce i zadziałać bez zmian, jest prompt. To jedyny zasób w tym przepływie pracy.

Implikacja jest ważniejsza niż brzmi:

• Jeśli twój prompt przestaje działać, gdy zmienia się środowisko, ten warstwowy przepływ pracy w ogóle nie działa. Wszystko, co dostroiłeś lokalnie, marnuje się w drodze do chmury.
• Jeśli przepisujesz go dla każdego modelu, powtarzasz etap szkicowania za każdym razem, gdy zmieniasz model.
• Odwróć to: jeśli prompt jest wystarczająco przenośny, możesz nawet szkicować na tańszym modelu, o ile jego odczyt tego samego zdania jest przewidywalny.

Pytanie brzmi więc: jak napisać prompt, który nadal działa po zmianie środowiska? Testowaliśmy to.

Jeden prompt MiniMax H3, cztery modele naraz

W ciągu ostatnich kilku dni przeprowadziliśmy ponad kilkanaście takich porównań: jeden dosłowny prompt, zmieniając tylko parametry wysyłki, wysłany do czterech modeli, w tematach od VFX przez ruch UI produktu po krótkie formy muzyczne.

Poniżej ten sam test na ośmiu tematach. Każdy klip to czterodzielny widok identycznego promptu: lewy górny Seedance 2.5, prawy górny MiniMax H3, lewy dolny Seedance 2.0, prawy dolny Kling v3.0pro.

Pojedynek wuxia: jeden prompt, cztery modele. Włącz dźwięk.

Scena romansu anime, ten sam czterodzielny widok.

Reklama torebki: spot produktowy z tego samego promptu.

Występ girlsbandu, z zsynchronizowanym dźwiękiem w podziale.

KNNOfby0vtw

Scena z postaciami, cztery modele obok siebie.

Reklama aparatu, ten sam prompt równolegle.

Reklama butów sportowych, ostatni z ośmiu tematów.

Co tak naprawdę testuje to uruchomienie

To nie jest ranking. To jest badanie fizyczne promptu.

Ponieważ prompt jest dosłowny i zmieniły się tylko parametry wysyłki:

1. Różnice między czterema to różnice między modelami. Brzmi to jak truizm, ale to podstawa całego ćwiczenia i działa tylko wtedy, gdy cztery działają w tym samym środowisku wykonawczym. Zszycie kilku interfejsów z różnych źródeł miesza zmienne na poziomie łącza z różnicami i nie można już odróżnić różnicy modelu od różnicy platformy.
2. Wszystko, czego wszystkie cztery nie potrafią zrobić, to problem promptu, a nie modelu. To najcenniejszy sygnał na etapie szkicowania i taki, którego nigdy nie uzyskasz, uruchamiając jeden model. Jeden model nie trafia – podejrzewasz model. Cztery nie trafiają – odpowiedź jest jasna: wróć i popraw tę jedną linię, nie zmieniaj modeli.
3. Zmieniaj jedną rzecz na wersję, resztę zostaw bez zmian. Tylko wtedy „ta wersja jest lepsza” może się obronić. Rozłożenie zmian powoduje, że nie możesz niczego przypisać. Uruchamianie kilku modeli równolegle oznacza, że jedna zmienna daje ci cztery punkty obserwacyjne naraz.

Co więc trafia do pliku

Nie tabela parametrów. Parametry są na stronie modelu, a kopiowanie ich nie niesie żadnych informacji. Warto zapisać „co napisałem, a potem co zaobserwowałem.” Dwa przykłady:

Wartość pierwszego to kierunek. Zapisanie tylko wielkości błędu jest bezużyteczne, ponieważ następnym razem, gdy będziesz kompensować, skompensujesz w złym kierunku. Jeden wymaga późniejszego pchania, drugi wcześniejszego naciskania.

Drugi jest wart więcej i jest tematem następnej sekcji.

Nie potrzebujesz już do tego skryptu

Kiedy przeprowadzaliśmy te porównania, napisaliśmy własny skrypt do wysyłania zadań i odpytywania wyników. Już nie. Atlas Cloud uruchomił Model Explorer.

Napisz jeden prompt, wybierz do 10 modeli do równoległego uruchomienia, a wyniki wrócą obok siebie.

Jego prawdziwa wartość to nie wygoda, to kontrola. Powód, dla którego to porównanie mogło doprowadzić do wniosku, jest taki, że cztery działały w jednym środowisku wykonawczym. Połącz cztery interfejsy z różnych źródeł, a zmienne platformowe przedostaną się do różnic: zachowanie bramy, domyślne parametry, sposób kodowania zasobów. Zmień którekolwiek, a myślisz, że porównujesz modele, podczas gdy porównujesz platformy. Uruchom wewnątrz jednej puli modeli, a te zmienne są z definicji utrzymane w ryzach.

Kilka rzeczy bezpośrednio przekłada się na etap szkicowania:

• Zapisane grupy modeli. SOTA, Trendy i Tanie, plus twoja własna zapisana. Szkicuj z tanią grupą, aby ustalić kierunek, a następnie przejdź do grupy SOTA na finał. To ten sam podział co na początku, ale z obydwoma końcami w chmurze.
• Szacunkowy koszt przed uruchomieniem, abyś nie czekał do końca, aby dowiedzieć się, ile kosztowała runda.
• Obrazy i wideo, z tekst-na-obraz i obraz-na-obraz po stronie obrazu.

Atlas Cloud Model Explorer: zapisana grupa modeli wybranych do równoległego uruchomienia z jednego promptu, z szacunkowym kosztem na uruchomienie pokazanym przed uruchomieniem

Możliwe do zweryfikowania to nie to samo co zablokowanie właściwego wymiaru

Ta linia z poprzedniej sekcji, „zachowaj płaską, nie fotorealistyczną”, to najczęstsza pułapka, na którą trafiliśmy.

Dziwne jest to, że ograniczenie może być w pełni spełnione i wciąż w pełni zawieść. Płaskie? Tak. Ręcznie rysowane? Ani trochę. Zaznacz każde pole na liście kontrolnej i zdobywasz pełną liczbę punktów.

Problem: zablokowaliśmy „płaskość”, ale właściwość, która faktycznie niesie koncepcję, to „widoczne ślady narzędzi.” Zamień na „kredka, ołówek kolorowy, gruby pędzel, kierunek kreskowania, nierówne wypełnienie, szorstkie krawędzie” a ten sam model całkowicie się odwraca.

Temat ręcznie rysowany na czterech modelach. „Płaski” jest łatwy do spełnienia, „widocznie ręcznie wykonany” to właściwość, którą faktycznie trzeba było zablokować.

To sprowadza się do testu:

Weź każde napisane ograniczenie i zapytaj: czy model może spełnić to zdanie i wciąż pominąć to, czego faktycznie chcę?

Jeśli tak, blokada celuje w efekt uboczny, a nie w koncepcję.

Objaw jest znajomy: wynik pasuje do twojej listy kontrolnej punkt po punkcie, ale każdy, kto zna referencję, widzi na pierwszy rzut oka, że jest źle.

Właściwym ruchem w tym momencie jest nie dodawanie kolejnych blokad. Chodzi o powrót i znalezienie właściwości, która faktycznie niesie koncepcję.

Przekładając to na „lokalny szkic, wykończenie w chmurze”, ta kwestia ma większe znaczenie: ograniczenie celujące w zły wymiar może być niewidoczne w rozdzielczości szkicu. Przy 480p różnica między gładkim konturem a grubym pędzlem jest już rozmyta, a odkrywasz, że kierunek był zły dopiero po włożeniu wysiłku w final w chmurze. To, czy szkicowanie oszczędza czas, zależy od tego, czy właściwość, którą zablokowałeś podczas szkicowania, była tą prawdziwą.

Społeczność już zapakowała proces MiniMax H3

Oficjalny artykuł niesie jeszcze jeden sygnał wart osobnego podkreślenia: programiści zaczynają owijać cały proces produkcyjny w coś wielokrotnego użytku.

Jeden artysta AI używa Claude Code na Macu do orkiestracji lokalnego modelu na drugiej maszynie. Mac zajmuje się konfiguracją projektu, sprawdzaniem faktów, scenariuszem, osią czasu, napisami, storyboardem i przeglądem strukturalnym, a drugi koniec zajmuje się wnioskowaniem modelu. Całość jest podzielona na 14 etapów, od briefu aż po render wsadowy, montaż i zapis zwrotny do księgi, bez otwierania tradycyjnego edytora.

Inny projekt opakował ten sam pomysł we wtyczkę z wbudowanymi umiejętnościami, które przechodzą od opowiadania lub briefu biznesowego do konfiguracji postaci i sceny, storyboardu i projektowania klatek kluczowych, a następnie wybierają przepływ pracy na ujęcie. Prompty, zasoby wejściowe, przepływ pracy, kandydackie ujęcia i selekcje są przechowywane w rejestrze projektu, więc przerwane zadanie wznawia się od miejsca, w którym się zatrzymało.

Kierunek jest ten sam: wszyscy zamieniają „jak to zostało zrobione” w zasób wielokrotnego użytku, zamiast zostawiać stos gotowych filmów. Dwie rzeczy, które zrobiliśmy, leżą dokładnie na tej linii.

Dwa zasoby MiniMax H3, które możesz wziąć od razu

1. Oficjalna biblioteka promptów MiniMax H3 (52 prompty, 16 kategorii, każda z podglądem)

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

Nie przeróbki, ale oryginalne prompty z oficjalnej prezentacji, uporządkowane według scenariusza, każdy z rzeczywistym wygenerowanym wideo podglądowym, abyś mógł zobaczyć wynik, zanim zdecydujesz, który skopiować.

16 kategorii obejmuje markę i kino, kreatywność wizualną i opakowania, grafikę ruchomą i VFX, narrację AI, produkt i e-commerce, kreację cyfrową i gier, przemysłową i ucieleśnioną AI, animację i stylizację, referencje wielomateriałowe, referencje postaci/akcji/kamery, klonowanie głosu, edycję postaci i obiektów, edycję sceny i VFX, edycję audio i dialogu, precyzyjne wykonywanie instrukcji oraz presety stylów. Obsługuje 20 języków i przyjmuje zgłoszenia.

Najbardziej oszczędzający czas sposób na użycie podczas szkicowania: znajdź prompt, którego temat jest bliski twojemu, obejrzyj jego podgląd i użyj go jako punktu wyjścia do edycji. Znacznie szybsze niż zaczynanie od pustego pola.

Repozytorium awesome-minimax-h3-prompts na GitHubie, pokazujące indeks kategorii i jeden wpis z jego wideo podglądowym

1. Uniwersalna umiejętność promptu wideo

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

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

Rozwiązuje problem z drugiej sekcji: skopiowałeś prompt, ale nie mogłeś skopiować osądu dokonanego podczas jego pisania. Hasło mówi dokładnie to. Logika decyzyjna, której nie możesz skopiować, kopiując prompt, żyje tutaj.

To, co robi, to rozbicie „przemyśl to najpierw, a potem zapisz w formie” na wielokrotną listę kontrolną decyzji:

• Dwa pytania przed każdą linią: do której warstwy należy (globalna, zablokowana lub czasowa) i czy została napisana w obserwowalnej formie?
• Przetłumacz nieweryfikowalne na weryfikowalne. „Zachowaj spójność” staje się widocznym stanem końcowym. „Napięcie” staje się ruchem oczu, oddechem i ruchem rąk.
• Metoda odporna na dialekty: napisz termin i obserwowalny opis razem. Model, który zna termin, idzie na skróty; ten, który nie zna, podąża za opisem; jeden prompt obejmuje oba przypadki.
• Bez przepisywania między środowiskami. Czysta warstwa językowa jest napisana raz, a stronniczości specyficzne dla modelu trafiają do osobnej tabeli profilu, takiej jak z trzeciej sekcji.

Repozytorium zawiera 5 typów ujęć, 4 w pełni opracowane przypadki, 6 profili modeli i 4 filmy demonstracyjne. Każdy film jest powiązany z konkretną regułą, którą ilustruje; to nie jest showreel.

Jasno też mówi, czego nie robi: brak wymaganych pól, żaden przykład nie jest regułą, każda reguła ma wyjątki. Jeśli szukasz szablonu do wypełnienia, to nie jest to.

Strona końcowa: uruchamianie MiniMax H3 na Atlas Cloud

Wszystkie trzy tryby wywołania MiniMax H3 są dostępne na Atlas Cloud: tekst-na-wideo, obraz-na-wideo i referencja-na-wideo, z parametrami, opcjami czasu trwania i przykładami zapytań na stronach poszczególnych modeli.

PlainCopy
1Przegląd           https://www.atlascloud.ai/models/minimax-h3
2Tekst-na-wideo     https://www.atlascloud.ai/models/minimax/h3/text-to-video
3Obraz-na-wideo     https://www.atlascloud.ai/models/minimax/h3/image-to-video
4Referencja-na-wideo https://www.atlascloud.ai/models/minimax/h3/reference-to-video
5Narzędzie porównawcze https://www.atlascloud.ai/model-explorer

Atlas Cloud gromadzi te główne modele wideo w jednej puli, więc za pomocą jednego API zmieniasz jeden ciąg modelu, aby uruchomić całe porównanie. W ten sposób działał test czterech modeli z trzeciej sekcji, z tą różnicą, że wtedy wciąż pisaliśmy własny skrypt, a teraz to kilka kliknięć w Model Explorer.

Tak więc pipeline łączy się w praktyce w następujący sposób:

Wszystkie trzy etapy używają tego samego promptu i tego samego klucza. Nic nie jest przepisywane w środku i nic nie zmienia środowiska, co jest sednem z drugiej sekcji: jedynym zasobem, który musi przejść między etapami, jest prompt, więc nie pozwól, aby się odkształcił po drodze. Parametry, opcje czasu trwania i przykłady API znajdują się na stronach modeli MiniMax H3.

Na zakończenie

Tydzień open source, a społeczność już zmieściła MiniMax H3 na konsumenckich kartach graficznych, w natywnym programie na Maca i wewnątrz zautomatyzowanych przepływów produkcyjnych. Ta praca sprawiła, że lokalna strona stała się naprawdę użyteczna.

Ale lokalne uruchamianie to nie lokalna dostawa. „Lokalny szkic, wykończenie w chmurze” to dobry nawyk, ponieważ nie przeciwstawia sobie tych dwóch końców. Akceptuje, że to jeden pipeline, z dwiema stacjami wykonującymi dwie prace.

Aby linia mogła się poruszać, element przekazywany w środku musi być niezawodny. Tym elementem jest prompt. Więc rzeczą wartą twojego czasu nigdy nie jest żaden konkretny film, który wyrenderowałeś. To dlaczego napisałeś go tak, jak napisałeś.

FAQ dotyczące promptów MiniMax H3

Gdzie mogę uruchomić MiniMax H3 bez lokalnego GPU?

Wszystkie trzy tryby MiniMax H3 – tekst-na-wideo, obraz-na-wideo i referencja-na-wideo – działają na Atlas Cloud, z parametrami i opcjami czasu trwania na stronach poszczególnych modeli. Lokalne wnioskowanie jest przydatne do taniego szkicowania w 480p po skonfigurowaniu wersji społecznościowych, ale wideo w wyższej rozdzielczości wciąż renderuje się w chmurze.

Jak sprawiedliwie porównać MiniMax H3 z innymi modelami wideo?

Uruchom jeden dosłowny prompt na modelach w jednym środowisku wykonawczym. Model Explorer robi to z maksymalnie 10 modelami równolegle, co utrzymuje stałe zachowanie bramy, domyślne parametry i kodowanie zasobów, dzięki czemu różnice, które widzisz, to różnice między modelami.

Czy prompty MiniMax H3 przenoszą się na inne modele?

O to właśnie chodzi w dobrym ich pisaniu. Utrzymuj czystą warstwę językową w formie obserwowalnej i odpornej na dialekty – termin plus opis – i zapisz stronniczości czasowe specyficzne dla modelu w osobnej tabeli profilu. Prompt przetrwa wtedy przeniesienie z modelu szkicowego do modelu finalnego bez zmian.

Gdzie znajdę gotowe prompty MiniMax H3?

Biblioteka awesome-minimax-h3-prompts zawiera 52 oficjalne prompty z pokazu w 16 kategoriach, każdy z rzeczywistym wideo podglądowym, w 20 językach. Znajdź ten bliski twojemu tematowi, obejrzyj podgląd i edytuj od niego.