MiniMax H3 Workflow värt att kopiera en vecka efter open source (plus 52 officiella prompter)

MiniMax publicerade en sammanfattning av H3:s första vecka som öppen modell. Den nämner nästan 300 härledda modeller, en spridning av kvantiserade byggen, en inbyggd Mac-inferensmotor och agentdrivna produktionspipelines. Allt är värt en titt.

Men det enskilt mest värdefulla att lyfta fram är en rad i slutet av första avsnittet, som beskriver hur en animationsskapare faktiskt arbetar. Med officiella ord:

Han genererar 480p-video på en RTX 3060 för att iterera, använder lokal hårdvara för förhandsvisning, urval och trial-and-error, och först när en version tillfredsställer honom går han till molnet för att rendera slutresultatet i högre upplösning och avsluta med superupplösning.

Den officiella texten ger vanan ett namn: lokalt utkast, molnslutrendering.

De tre orden är samma slutsats vi stötte på under månader av modelljämförelser. Den här texten är ett försök att säga det på rätt sätt: varför uppdelningen håller, och när den väl håller, vad du faktiskt behöver behålla.

Viktiga slutsatser

• Lokal MiniMax H3 körs äntligen på konsumenthårdvara, men lokal är den låga upplösningen. 2K-slutrenderingen är ett separat pass, inte en större rendering.
• Det enda som måste passera från utkast till slutrendering är prompten, så hela arbetsflödet beror på om din prompt överlever resan.
• Kör en ordagrann MiniMax H3-prompt över flera modeller samtidigt för att hälsokontrollera prompten, inte för att rangordna modellerna.
• En begränsning kan uppfyllas bokstavligen och ändå missa poängen. Lås den egenskap som bär konceptet, inte bieffekten.
• De två tillgångarna värda att behålla är ett kategoriserat promptbibliotek och beslutslogiken bakom varje prompt.

Varför "lokalt utkast, molnslutrendering" bara fungerar för MiniMax H3 nu

Uppdelningen beror på en sak: den lokala änden blev plötsligt stark.

Under en enda open source-vecka rörde sig gemenskapen snabbt när det gäller inferenseffektivitet. ComfyUI-teamet minskade modulationsvikterna som utgjorde cirka fyrtio procent av parameterantalet, bytte ut dem mot förberäknade tabeller, lade till INT8-kvantisering och anpassade kärnor, och minskade den minsta modellkombinationen från 123,6 GB till 42,5 GB minne. Lägg till dynamisk avlastning och ett konsumentgrafikkort kan köra lokal inferens.

Separat skrev Redis-skaparen antirez en inbyggd Apple Silicon-inferensmotor från grunden i C och Metal. Den läser safetensors-vikterna direkt och packar text- och bildkodarna, DiT:n samt bild- och ljud-VAE:erna i ett enda inbyggt Mac-program, utan beroende av Python eller PyTorch.

NVIDIAs forskningsteam slutförde ett första pass av inferensoptimering inom 4,5 timmar från lanseringsdagen och rapporterade en 3,95x end-to-end-hastighetsökning jämfört med Diffusers på en åttakortsuppsättning.

Lägg ihop allt och resultatet är tydligt: lokal körning nu, men det den renderar är låg upplösning.

Så skaparens uppdelning följer naturligt. Låg upplösning är snabb, billig och repeterbar, vilket är precis vad trial-and-error vill ha. Leverans går fortfarande tillbaka till molnet för slutrenderingen. De två ändarna är inte substitut. De är två stationer på en linje.

Vad som faktiskt överförs mellan de två MiniMax H3-stegen

Det här är frågan vi verkligen bryr oss om.

Du lägger tjugo pass på 480p lokalt och får äntligen till det utseende du vill ha. Nu går du till molnet för slutrenderingen. Vad är det enda du faktiskt kan ta med dig?

Inte 480p-klippet, dess upplösning är för låg. Inte modellvikterna, molnet har sina egna.

Det är prompten.

Över hela linjen är det enda som måste passera båda ändarna och förbli oförändrat prompten. Det är den enda tillgången i detta arbetsflöde.

Implikationen är viktigare än den låter:

• Om din prompt slutar fungera när miljön ändras, fungerar detta skiktade arbetsflöde inte alls. Allt du finjusterat lokalt är bortkastat på vägen till molnet.
• Om du skriver om den för varje modell, upprepar du utkaststadiet varje gång du byter modell.
• Vänd på det: om prompten är tillräckligt portabel kan du till och med göra utkast på en billigare modell, så länge dess tolkning av samma mening är förutsägbar.

Så frågan blir: hur skriver man en prompt som fortfarande fungerar efter att miljön ändrats? Vi testade detta.

En MiniMax H3-prompt, fyra modeller samtidigt

Under de senaste dagarna har vi kört mer än ett dussin jämförelser som denna: en ordagrann prompt, med endast inlämningsparametrarna ändrade, skickad till fyra modeller var, över ämnen från VFX till produkt-UI-rörelse till musikvideor.

Nedan är samma test kör över åtta ämnen. Varje klipp är en fyrvägsuppdelning av den identiska prompten: övre vänster Seedance 2.5, övre höger MiniMax H3, nedre vänster Seedance 2.0, nedre höger Kling v3.0pro.

Wuxia-duell: en prompt, fyra modeller. Ljud på.

Anime-romansscen, samma fyrvägsuppdelning.

Handväska-reklam: en produktplats från samma prompt.

Tjejgruppsuppträdande, med synkroniserat ljud över uppdelningen.

KNNOfby0vtw

En karaktärsdriven scen, fyra modeller sida vid sida.

Kamerareklam, samma prompt parallellt.

Sneakerreklam, det sista av de åtta ämnena.

Vad denna körning faktiskt testar

Det är inte en rangordning. Det är en fysisk kontroll av prompten.

Eftersom prompten är ordagrann och endast inlämningsparametrarna ändrades:

1. Skillnaderna mellan de fyra är skillnaderna mellan modellerna. Det låter som en självklarhet, men det är grunden för hela övningen, och den gäller bara när de fyra körs i samma exekveringsmiljö. Syr du ihop flera gränssnitt från olika källor blandar du länknivåvariabler i skillnaderna, och du kan inte längre skilja en modellskillnad från en plattformsskillnad.
2. Vad alla fyra misslyckas med är ett promptproblem, inte ett modellproblem. Detta är den mest värdefulla signalen i utkaststadiet, och den kan du aldrig få genom att köra en enda modell. En modell missar och du misstänker modellen. Fyra missar och svaret är tydligt: gå tillbaka och fixa den raden, byt inte modell.
3. Ändra en sak per version, lämna resten orört. Det är det enda sättet som "denna version är bättre" kan stå sig. Sprid ut ändringarna och du kan inte tillskriva något. Att köra flera modeller parallellt innebär att en enkel variabeländring ger dig fyra observationspunkter samtidigt.

Så vad hamnar i filen

Inte en parametertabell. Parametrar finns på modellsidan, och att kopiera dem för ingen information. Det som är värt att anteckna är "vad jag skrev, sedan vad jag observerade." Två exempel:

Värdet av den första är riktning. Att bara anteckna storleken på felet är värdelöst, för nästa gång du kompenserar kommer du att kompensera på fel sätt. Den ena behöver tryckas senare, den andra tryckas tidigare.

Den andra är värd mer, och det är ämnet för nästa avsnitt.

Du behöver inte längre ett skript för detta

När vi körde dessa jämförelser skrev vi vårt eget skript för att skicka jobb och hämta resultat. Inte längre. Atlas Cloud lanserade Model Explorer.

Skriv en prompt, välj upp till 10 modeller att köra parallellt, och resultaten kommer tillbaka sida vid sida.

Dess verkliga värde är inte bekvämlighet, det är kontroll. Anledningen till att den jämförelsen kunde nå en slutsats är att de fyra kördes i en exekveringsmiljö. Koppla ihop fyra gränssnitt från olika källor och plattformsvariabler läcker in i skillnaderna: gateway-beteende, standardparametrar, hur tillgångar kodas. Ändra en och du tror att du jämför modeller när du jämför plattformar. Kör inom en modellpool och dessa variabler hålls nere per konstruktion.

Några saker kartlägger direkt till utkaststadiet:

• Förinställda modellgrupper. SOTA, Trendiga och Billiga, plus dina egna sparade uppsättningar. Gör utkast med den billiga gruppen för att bestämma riktning, gå sedan till SOTA-gruppen för slutrenderingen. Det är samma uppdelning från början, med båda ändarna nu i molnet.
• En kostnadsuppskattning innan du kör, så du inte väntar till slutet för att få veta vad en omgång kostade.
• Både bilder och video, med text-till-bild och bild-till-bild på bildsidan.

Atlas Cloud Model Explorer: en förinställd grupp modeller valda att köras parallellt från en prompt, med kostnadsuppskattningen per körning visad före körning

Verifierbart är inte samma som att låsa rätt dimension

Den raden från förra avsnittet, "håll det platt, inte fotorealistiskt," är den vanligaste fällan vi har stött på.

Det konstiga är att begränsningen kan vara fullt uppfylld och ändå helt misslyckas. Platt? Ja. Handritad? Inte alls. Bocka av varje punkt på checklistan och du får full pott.

Problemet: vi låste "platt", men egenskapen som faktiskt bär konceptet är "synliga verktygsmärken." Byt ut mot "kritor, färgpennor, grov pensel, skuggriktning, ojämn fyllning, grova kanter" och samma modell vänder helt.

Det handritade ämnet över fyra modeller. "Platt" är lätt att uppfylla, "synligt handgjort" är egenskapen som faktiskt behövde låsas.

Det destilleras till ett test:

Ta varje begränsning du skrev och fråga: kan modellen uppfylla denna mening och ändå tappa det jag faktiskt vill ha?

Om ja, är låset riktat mot en bieffekt, inte konceptet.

Symptomet är bekant: utmatningen matchar din checklista rad för rad, men alla som känner referensen ser på en gång att den är fel.

Rätt drag vid den punkten är inte att lägga till fler lås. Det är att gå tillbaka och hitta egenskapen som faktiskt bär konceptet.

Tillbaka i "lokalt utkast, molnslutrendering" väger detta tyngre: ett lås riktat mot fel dimension kan vara osynligt vid utkastupplösning. Vid 480p är skillnaden mellan en slät kontur och en grov pensel redan suddig, och du upptäcker först att riktningen var fel efter att du lagt ner arbete på en molnslutrendering. Huruvida utkast sparar tid beror på om egenskapen du låste under utkastet var den verkliga.

Gemenskapen har redan paketerat MiniMax H3-processen

Den officiella texten bär ytterligare en signal värd att nämna separat: utvecklare börjar slå in hela produktionsprocessen i något återanvändbart.

En AI-konstnär använder Claude Code på en Mac för att orkestrera en lokal modell på en andra maskin. Macen hanterar projektinställning, faktakontroll, manus, tidslinje, undertexter, storyboard och strukturgranskning, och den andra änden hanterar modellinferens. Hela grejen är uppdelad i 14 steg, från brief hela vägen till batch-rendering, redigeringsmontage och ledger-återskrivning, utan att någonsin öppna en traditionell redigerare.

Ett annat projekt lindade samma idé i ett plugin med inbyggda färdigheter som går från en story eller affärsutkast till karaktärs- och sceninställning, storyboard och keyframe-design, och väljer sedan ett arbetsflöde per tagning. Prompter, indata, arbetsflödet, kandidattagningar och urvalen behålls alla i projektposten, så att en avbruten uppgift återupptas där den slutade.

Riktningen är densamma: alla håller på att förvandla "hur denna gjordes" till en återanvändbar tillgång, istället för att lämna efter sig en hög med färdiga filmer. De två sakerna vi gjorde ligger precis på den linjen.

Två MiniMax H3-resurser du kan ta direkt nu

1. Det officiella MiniMax H3-promptbiblioteket (52 prompter, 16 kategorier, var och en med förhandsvisning)

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

Inte omskrivningar, utan originalprompterna från den officiella visningen, organiserade efter scenario, var och en ihopkopplad med en verklig genererad förhandsvisningsvideo så att du kan se resultatet innan du bestämmer dig för vilken du ska kopiera.

De 16 kategorierna täcker varumärke och filmiskt, visuell kreativ och förpackning, rörelsegrafik och VFX, AI-berättelser, produkt och e-handel, digitalt och spelkreativt, industriell och förkroppsligad AI, animation och stilisering, multi-material-referens, karaktär/action/kamera-referens, röstkloning, karaktärs- och objektsredigering, scen- och VFX-redigering, ljud- och dialogredigering, exakt instruktionsföljning och stilmallar. Det stöder 20 språk och tar emot bidrag.

Det mest tidsbesparande sättet att använda det under utkast: hitta en prompt vars ämne ligger nära ditt, titta på dess förhandsvisning och använd den som utgångspunkt för att redigera. Långt snabbare än att börja från en tom ruta.

awesome-minimax-h3-prompts-repot på GitHub, som visar kategoriindex och en post med dess förhandsvisningsvideo

1. Den universella videopromptfärdigheten

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

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

Den löser problemet från andra avsnittet: du kopierade prompten, men du kunde inte kopiera bedömningen som gjordes när den skrevs. Sloganen säger precis det. Den underliggande beslutslogiken som du inte kan kopiera genom att kopiera prompten är vad som finns här.

Vad den gör är att bryta ner "tänk igenom det först, skriv det sedan i en form" till en återanvändbar beslutschecklista:

• Två frågor före varje rad: vilket lager tillhör detta (globalt, låst eller tidsbestämt), och skrevs det i en observerbar form?
• Översätt det overifierbara till det verifierbara. "Håll konsekvent" blir ett synligt sluttillstånd. "Spänd" blir ögonrörelse, andning och handrörelse.
• En dialektsäker metod: skriv termen och en observerbar beskrivning tillsammans. En modell som känner termen tar genvägen, en som inte gör det följer beskrivningen, och en prompt täcker båda.
• Ingen omskrivning mellan miljöer. Det rena språklagret skrivs en gång, och modellspecifika bias går i en separat profiltabell, av den typ från tredje avsnittet.

Repot innehåller 5 tagningstyper, 4 fullt arbetade fall, 6 modellprofiler och 4 demovideor. Varje video är kopplad till den specifika regel den demonstrerar, det är inte en showreel.

Det är också tydligt med vad det inte gör: inga obligatoriska fält, inget exempel är en regel, varje regel har undantag. Om du letar efter en ifyllningsmall att bara lägga in, så är detta inte det.

Slutrenderingen: kör MiniMax H3 på Atlas Cloud

Alla tre MiniMax H3-anropslägen är live på Atlas Cloud, text-till-video, bild-till-video och referens-till-video, med parametrar, varaktighetsalternativ och begäranexempel på varje modellsida.

PlainCopy
1Översikt           https://www.atlascloud.ai/models/minimax-h3
2Text-till-video     https://www.atlascloud.ai/models/minimax/h3/text-to-video
3Bild-till-video     https://www.atlascloud.ai/models/minimax/h3/image-to-video
4Referens-till-video https://www.atlascloud.ai/models/minimax/h3/reference-to-video
5Jämförelseverktyg  https://www.atlascloud.ai/model-explorer

Atlas Cloud samlar dessa mainstream-videomodeller i en pool, så med ett enda API ändrar du en modellsträng för att köra hela jämförelsen. Det är så fyramodellstestet i tredje avsnittet kördes, förutom att vi då fortfarande skrev vårt eget skript, och nu är det några klick i Model Explorer.

Så pipelinen kopplas ihop så här i praktiken:

Alla tre stegen använder samma prompt och samma nyckel. Inget skrivs om mitt i och inget ändrar miljö, vilket är poängen från andra avsnittet: den enda tillgången som måste passera steg är prompten, så låt den inte deformeras på vägen. Parametrar, varaktighetsalternativ och API-exempel finns alla på MiniMax H3-modellsidorna.

Avslutningsvis

En vecka av open source, och gemenskapen har redan fått MiniMax H3 att fungera på konsumentgrafikkort, i ett inbyggt Mac-program och inuti automatiserade produktionsflöden. Det arbetet är vad som gjorde den lokala änden verkligt användbar.

Men lokal körning är inte lokal leverans. "Lokalt utkast, molnslutrendering" är en bra vana eftersom den inte ställer de två ändarna mot varandra. Den accepterar att detta är en pipeline, med två stationer som gör två jobb.

Och för att linjen ska röra sig måste den del som lämnas över i mitten vara tillförlitlig. Den delen är prompten. Så det som är värt din tid är aldrig någon enskild film du renderade. Det är varför du skrev den som du gjorde.

MiniMax H3-prompt FAQ

Var kan jag köra MiniMax H3 utan ett lokalt grafikkort?

Alla tre MiniMax H3-lägen, text-till-video, bild-till-video och referens-till-video, körs på Atlas Cloud, med parametrar och varaktighetsalternativ på varje modellsida. Lokal inferens är användbar för billiga 480p-utkast när gemenskapens byggen är inställda, men slutrenderingen i högre upplösning sker fortfarande i molnet.

Hur jämför jag MiniMax H3 rättvist med andra videomodeller?

Kör en ordagrann prompt över modellerna i en enda exekveringsmiljö. Model Explorer gör detta med upp till 10 modeller parallellt, vilket håller gateway-beteende, standardparametrar och tillgångskodning konstant så att skillnaderna du ser är modellskillnaderna.

Överförs MiniMax H3-prompt till andra modeller?

Det är hela poängen med att skriva dem väl. Håll det rena språklagret observerbart och dialektsäkert, term plus beskrivning, och notera modellspecifika tidsbias i en separat profiltabell. Prompten överlever då att flyttas från en utkastmodell till slutmodellen oförändrad.

Var hittar jag färdiga MiniMax H3-prompt?

awesome-minimax-h3-prompts-biblioteket har 52 officiella visningsprompter i 16 kategorier, var och en med en verklig förhandsvisningsvideo, på 20 språk. Hitta en nära ditt ämne, titta på förhandsvisningen och redigera därifrån.