MiniMax đã đăng một bài tổng kết cộng đồng về tuần đầu tiên của H3 với tư cách là một mô hình mở. Bài viết đề cập đến gần 300 mô hình phái sinh, nhiều bản build lượng tử hóa, một engine suy luận gốc cho Mac, và các pipeline sản xuất do agent điều khiển. Tất cả đều đáng để xem qua.
Nhưng điều duy nhất đáng để nhấn mạnh là một câu ở gần cuối phần đầu tiên, mô tả cách một nhà sáng tạo hoạt hình thực sự làm việc. Theo lời chính thức:
Anh ấy tạo video 480p trên một chiếc RTX 3060 để lặp lại, sử dụng phần cứng cục bộ để xem trước, chọn lọc và thử-sai, và chỉ khi một phiên bản làm anh ấy hài lòng, anh ấy mới chuyển lên đám mây để kết xuất bản cuối ở độ phân giải cao hơn và hoàn thiện với siêu phân giải.
Bài viết chính thức đặt tên cho thói quen này là: local drafting, cloud finishing.
Ba từ đó là cùng một kết luận mà chúng tôi liên tục gặp phải qua nhiều tháng làm việc so sánh mô hình. Bài viết này là một nỗ lực để nói đúng: tại sao sự phân tách này có giá trị, và một khi nó có giá trị, bạn thực sự cần giữ lại những gì.
Những điểm chính
- MiniMax H3 cục bộ cuối cùng cũng chạy được trên phần cứng tiêu dùng, nhưng cục bộ là đầu phân giải thấp. Bản cuối 2K là một bước riêng biệt, không phải là một bản kết xuất lớn hơn.
- Thứ duy nhất phải đi từ bản thảo đến bản cuối là prompt, vì vậy toàn bộ quy trình phụ thuộc vào việc prompt của bạn có sống sót qua chặng đường đó hay không.
- Chạy một prompt MiniMax H3 nguyên văn trên nhiều mô hình cùng lúc để kiểm tra sức khỏe của prompt, không phải để xếp hạng các mô hình.
- Một ràng buộc có thể được thỏa mãn đến từng chữ nhưng vẫn có thể thiếu điểm chính. Hãy khóa thuộc tính mang khái niệm, không phải tác dụng phụ.
- Hai tài sản đáng giữ lại là một thư viện prompt được phân loại và logic quyết định đằng sau mỗi prompt.
Tại sao "local draft, cloud finish" chỉ hoạt động với MiniMax H3 ngay bây giờ
Sự phân tách phụ thuộc vào một điều: đầu cục bộ đột nhiên trở nên mạnh mẽ.
Trong một tuần mã nguồn mở, cộng đồng đã tiến triển nhanh chóng về hiệu quả suy luận. Nhóm ComfyUI đã cắt giảm các trọng số điều chế chiếm khoảng bốn mươi phần trăm số lượng tham số, thay thế chúng bằng các bảng tính toán trước, thêm lượng tử hóa INT8 và các kernel tùy chỉnh, và đưa tổ hợp mô hình nhỏ nhất từ 123,6GB xuống còn 42,5GB bộ nhớ. Thêm vào đó dynamic offloading và một card đồ họa tiêu dùng có thể chạy suy luận cục bộ.
Riêng biệt, người tạo ra Redis, antirez, đã viết một engine suy luận Apple Silicon gốc từ đầu bằng C và Metal. Nó đọc trực tiếp các trọng số safetensors, đóng gói các bộ mã hóa văn bản và thị giác, DiT, và các VAE thị giác và âm thanh thành một chương trình Mac gốc duy nhất, không phụ thuộc vào Python hay PyTorch.
Nhóm nghiên cứu của NVIDIA đã hoàn thành bước đầu tiên tối ưu hóa suy luận trong vòng 4,5 giờ kể từ ngày ra mắt và báo cáo tốc độ tăng 3,95 lần từ đầu đến cuối so với Diffusers trên một thiết lập tám card.
Kết hợp tất cả lại, kết quả rõ ràng: chạy cục bộ ngay bây giờ, nhưng những gì nó kết xuất là độ phân giải thấp.
Vì vậy, sự phân tách của nhà sáng tạo diễn ra một cách tự nhiên. Độ phân giải thấp nhanh, rẻ và có thể lặp lại, đó chính xác là những gì thử-sai cần. Bản giao hàng vẫn quay lại đám mây cho bản cuối. Hai đầu không phải là sự thay thế cho nhau. Chúng là hai trạm trên một đường.
Thứ thực sự đi qua giữa hai giai đoạn MiniMax H3
Đây là câu hỏi chúng tôi thực sự quan tâm.
Bạn dành hai mươi lần chạy ở 480p cục bộ và cuối cùng tìm ra được vẻ ngoài mong muốn. Bây giờ bạn chuyển lên đám mây cho bản cuối. Thứ duy nhất bạn thực sự có thể mang theo là gì?
Không phải clip 480p, độ phân giải của nó quá thấp. Không phải trọng số mô hình, đám mây có cái của riêng nó.
Đó là prompt.
Trên toàn bộ đường dây, thứ duy nhất phải đi qua cả hai đầu và có hiệu lực không thay đổi là prompt. Đó là tài sản duy nhất trong quy trình này.
Hàm ý quan trọng hơn vẻ ngoài của nó:
- Nếu prompt của bạn ngừng hoạt động khi môi trường thay đổi, quy trình làm việc phân lớp này hoàn toàn không chạy được. Mọi thứ bạn tinh chỉnh cục bộ đều lãng phí trên đường lên đám mây.
- Nếu bạn viết lại nó cho mỗi mô hình, bạn lặp lại giai đoạn phác thảo mỗi lần chuyển đổi mô hình.
- Nếu ngược lại: nếu prompt đủ di động, bạn thậm chí có thể phác thảo trên một mô hình rẻ hơn, miễn là cách đọc cùng một câu của nó có thể dự đoán được.
Vậy câu hỏi trở thành: làm thế nào để viết một prompt vẫn hoạt động sau khi môi trường thay đổi? Chúng tôi đã thử nghiệm điều này.
Một prompt MiniMax H3, bốn mô hình cùng lúc
Trong vài ngày qua, chúng tôi đã chạy hơn một chục so sánh như thế này: một prompt nguyên văn, chỉ thay đổi các tham số gửi, gửi đến bốn mô hình mỗi lần, trên các chủ đề từ VFX đến chuyển động UI sản phẩm đến nhạc ngắn.
Dưới đây là cùng một bài kiểm tra chạy trên tám chủ đề. Mỗi clip là một màn hình chia tư của cùng một prompt: trên cùng bên trái Seedance 2.5, trên cùng bên phải MiniMax H3, dưới cùng bên trái Seedance 2.0, dưới cùng bên phải Kling v3.0pro.
Đấu võ Wuxia: một prompt, bốn mô hình. Bật âm thanh.
Cảnh lãng mạn anime, chia tư như trên.
Quảng cáo túi xách: một video sản phẩm từ cùng một prompt.
Trình diễn nhóm nhạc nữ, với âm thanh đồng bộ trên màn hình chia tư.
KNNOfby0vtwMột cảnh dựa trên nhân vật, bốn mô hình cạnh nhau.
Quảng cáo máy ảnh, cùng một prompt song song.
Quảng cáo giày thể thao, chủ đề cuối trong tám chủ đề.
Bài kiểm tra này thực sự đang thử nghiệm điều gì
Nó không phải là một bảng xếp hạng. Đó là một bài kiểm tra thể chất cho prompt.
Bởi vì prompt là nguyên văn và chỉ có các tham số gửi thay đổi:
- Sự khác biệt giữa bốn mô hình là sự khác biệt giữa các mô hình. Nghe có vẻ hiển nhiên, nhưng nó là nền tảng của toàn bộ bài tập, và nó chỉ đúng khi bốn mô hình chạy trong cùng một môi trường thực thi. Ghép nối một vài giao diện từ các nguồn khác nhau và bạn trộn các biến cấp liên kết vào sự khác biệt, và bạn không thể phân biệt được sự khác biệt của mô hình với sự khác biệt của nền tảng.
- Bất cứ điều gì cả bốn đều thất bại đều là vấn đề của prompt, không phải vấn đề của mô hình. Đây là tín hiệu có giá trị nhất trong giai đoạn phác thảo, và là tín hiệu bạn không bao giờ có được khi chạy một mô hình duy nhất. Một mô hình thiếu và bạn nghi ngờ mô hình. Bốn mô hình thiếu và câu trả lời rõ ràng: quay lại sửa dòng đó, đừng chuyển đổi mô hình.
- Thay đổi một thứ mỗi phiên bản, để nguyên phần còn lại. Đó là cách duy nhất để "phiên bản này tốt hơn" có thể đứng vững. Dàn trải các thay đổi và bạn không thể quy kết bất cứ điều gì. Chạy nhiều mô hình song song có nghĩa là một thay đổi một biến duy nhất cho bạn bốn điểm quan sát cùng một lúc.
Vậy điều gì được ghi vào tệp
Không phải một bảng tham số. Tham số có trên trang mô hình, và sao chép chúng không mang lại thông tin nào. Điều đáng ghi lại là "tôi đã viết gì, sau đó tôi quan sát thấy gì." Hai ví dụ:
| Prompt nói gì | Bốn lần chạy cho thấy gì |
|---|---|
| Ba nhịp tại 4s / 8s / 12s | Cả hai đều trôi thời gian, theo hướng ngược nhau. MiniMax H3 chạy sớm và độ trễ tích tụ, hạ cánh gần 4/6/8s. Seedance 2.0 tụt lại, và bỏ qua hoàn toàn nhịp giữa. |
| "Giữ đồ họa phẳng, không kết xuất như một sinh vật thực tế" | Cả hai đều tuân thủ đến từng chữ và trả về các đường viền neon vector mượt mà. Phẳng? Có. Vẽ tay? Không hề. |
Giá trị của cái đầu tiên là hướng dẫn. Ghi lại chỉ kích thước của lỗi là vô ích, bởi vì lần sau khi bạn bù đắp, bạn sẽ bù đắp sai cách. Một cái cần đẩy muộn hơn, cái kia cần ép sớm hơn.
Cái thứ hai có giá trị hơn, và nó là chủ đề của phần tiếp theo.
Bạn không còn cần một script cho việc này nữa
Khi chúng tôi chạy những so sánh đó, chúng tôi đã viết script riêng để gửi công việc và thăm dò kết quả. Không còn nữa. Atlas Cloud đã ra mắt Model Explorer.
Viết một prompt, chọn tối đa 10 mô hình để chạy song song, và kết quả trả về cạnh nhau.
Giá trị thực sự của nó không phải là sự tiện lợi, mà là sự kiểm soát. Lý do mà so sánh đó có thể đạt được kết luận là bốn mô hình chạy trong một môi trường thực thi. Kết nối bốn giao diện từ các nguồn khác nhau và các biến nền tảng rò rỉ vào sự khác biệt: hành vi cổng, tham số mặc định, cách tài sản được mã hóa. Thay đổi bất kỳ một cái và bạn nghĩ rằng bạn đang so sánh các mô hình trong khi bạn đang so sánh các nền tảng. Chạy trong một nhóm mô hình duy nhất và các biến đó được giữ cố định bởi cấu trúc.
Một vài thứ ánh xạ trực tiếp vào giai đoạn phác thảo:
- Nhóm mô hình đặt trước. SOTA, Trending và Cheap, cộng với bộ sưu tập đã lưu của riêng bạn. Phác thảo với nhóm Cheap để xác định hướng đi, sau đó chuyển sang nhóm SOTA cho bản cuối. Đó là cùng một sự phân tách từ đầu, với cả hai đầu giờ trên đám mây.
- Ước tính chi phí trước khi chạy, để bạn không phải đợi đến cuối mới biết một vòng tốn bao nhiêu.
- Cả ảnh và video, với text-to-image và image-to-image ở phía ảnh.
Atlas Cloud Model Explorer: một nhóm mô hình đặt trước được chọn để chạy song song từ một prompt, với ước tính chi phí mỗi lần chạy hiển thị trước khi chạy
Có thể kiểm chứng không đồng nghĩa với khóa đúng chiều
Dòng đó từ phần trước, "giữ nó phẳng, không giống thật," là cái bẫy điển hình nhất mà chúng tôi đã gặp.
Phần kỳ lạ là ràng buộc có thể được thỏa mãn hoàn toàn và vẫn thất bại hoàn toàn. Phẳng? Có. Vẽ tay? Không hề. Đánh dấu mọi ô trong danh sách kiểm tra và bạn đạt điểm tối đa.
Vấn đề: chúng tôi đã khóa "độ phẳng," nhưng thuộc tính thực sự mang khái niệm là "dấu hiệu công cụ có thể nhìn thấy." Thay vào đó bằng "bút chì màu, bút chì màu, cọ thô, hướng gạch chéo, tô màu không đều, các cạnh thô" và cùng một mô hình đảo ngược hoàn toàn.
Chủ đề vẽ tay trên bốn mô hình. "Phẳng" dễ thỏa mãn, "có thể nhìn thấy là làm bằng tay" là thuộc tính thực sự phải khóa.
Điều đó chưng cất thành một bài kiểm tra:
Lấy mỗi ràng buộc bạn đã viết và hỏi: mô hình có thể thỏa mãn câu này và vẫn bỏ qua thứ tôi thực sự muốn không?
Nếu có, khóa đang nhắm vào một tác dụng phụ, không phải khái niệm.
Triệu chứng quen thuộc: đầu ra khớp với danh sách kiểm tra của bạn từng dòng một, nhưng bất kỳ ai biết tài liệu tham khảo đều có thể thấy ngay rằng nó sai.
Hành động đúng lúc đó là không thêm nhiều khóa hơn. Mà là quay lại và tìm thuộc tính thực sự mang khái niệm.
Đặt lại vào "local draft, cloud finish," điều này mang nhiều trọng lượng hơn: một ràng buộc nhắm sai chiều có thể vô hình ở độ phân giải phác thảo. Ở 480p, sự khác biệt giữa một đường viền mượt mà và một cọ thô đã bị mờ, và bạn chỉ phát hiện ra hướng đi sai sau khi tốn công sức cho một bản cuối trên đám mây. Việc phác thảo có tiết kiệm thời gian cho bạn hay không phụ thuộc vào việc thuộc tính bạn khóa trong khi phác thảo có phải là thuộc tính thực sự hay không.
Cộng đồng đã đóng gói quy trình MiniMax H3
Bài viết chính thức mang một tín hiệu nữa đáng được nhấn mạnh riêng: các nhà phát triển đang bắt đầu gói toàn bộ quy trình sản xuất vào một thứ có thể tái sử dụng.
Một nghệ sĩ AI sử dụng Claude Code trên Mac để điều phối một mô hình cục bộ trên một máy thứ hai. Mac xử lý thiết lập dự án, kiểm tra thực tế, kịch bản, dòng thời gian, phụ đề, bảng phân cảnh và đánh giá cấu trúc, và đầu kia xử lý suy luận mô hình. Toàn bộ được chia thành 14 giai đoạn, từ tóm tắt cho đến kết xuất hàng loạt, lắp ráp chỉnh sửa và ghi sổ cái, mà không bao giờ mở một trình chỉnh sửa truyền thống.
Một dự án khác gói cùng một ý tưởng vào một plugin với các kỹ năng tích hợp sẵn đi từ một câu chuyện hoặc bản tóm tắt kinh doanh đến thiết lập nhân vật và cảnh, bảng phân cảnh và thiết kế keyframe, sau đó chọn một quy trình cho mỗi cảnh quay. Prompt, tài sản đầu vào, quy trình, các cảnh quay ứng viên và các lựa chọn đều được giữ trong hồ sơ dự án, để một tác vụ bị gián đoạn tiếp tục từ nơi nó dừng lại.
Hướng đi là giống nhau: mọi người đang biến "cách cái này được tạo ra" thành một tài sản có thể tái sử dụng, thay vì để lại một đống phim đã hoàn thành. Hai thứ chúng tôi tạo ra nằm chính xác trên dòng đó.
Hai tài nguyên MiniMax H3 bạn có thể lấy ngay
-
Thư viện prompt MiniMax H3 chính thức (52 prompt, 16 danh mục, mỗi cái có bản xem trước)
Plain1https://github.com/AtlasCloudAI/awesome-minimax-h3-prompts
Không phải bản viết lại, mà là các prompt gốc từ triển lãm chính thức, được sắp xếp theo kịch bản, mỗi cái đi kèm với một video xem trước thực tế để bạn có thể thấy kết quả trước khi quyết định sao chép cái nào.
16 danh mục bao gồm thương hiệu và điện ảnh, sáng tạo hình ảnh và bao bì, đồ họa chuyển động và VFX, tường thuật AI, sản phẩm và thương mại điện tử, quảng cáo kỹ thuật số và trò chơi, AI công nghiệp và nhúng, hoạt hình và tạo kiểu, tham khảo đa vật liệu, tham khảo nhân vật/hành động/máy ảnh, nhân bản giọng nói, chỉnh sửa nhân vật và đối tượng, chỉnh sửa cảnh và VFX, chỉnh sửa âm thanh và hội thoại, tuân thủ hướng dẫn chính xác, và các preset phong cách. Nó hỗ trợ 20 ngôn ngữ và chấp nhận đóng góp.
Cách tiết kiệm thời gian nhất để sử dụng nó trong khi phác thảo: tìm một prompt có chủ đề gần với chủ đề của bạn, xem bản xem trước của nó, và sử dụng nó làm điểm bắt đầu để chỉnh sửa. Nhanh hơn nhiều so với bắt đầu từ một ô trống.
Kho lưu trữ awesome-minimax-h3-prompts trên GitHub, hiển thị chỉ mục danh mục và một mục với video xem trước của nó
-
Kỹ năng prompt video phổ quát
Plain1https://github.com/kiana-liang/universal-video-prompt-skill
Plain1npx skills add kiana-liang/universal-video-prompt-skill
Nó giải quyết vấn đề từ phần thứ hai: bạn sao chép prompt, nhưng bạn không thể sao chép phán đoán được thực hiện trong khi viết nó. Khẩu hiệu nói chính xác điều đó. Logic quyết định cơ bản mà bạn không thể sao chép bằng cách sao chép prompt là những gì sống ở đây.
Những gì nó làm là phá vỡ "suy nghĩ trước, sau đó viết nó thành một biểu mẫu" thành một danh sách kiểm tra quyết định có thể tái sử dụng:
- Hai câu hỏi trước mỗi dòng: lớp này thuộc về đâu (toàn cục, khóa, hoặc tạm thời), và nó có được viết dưới dạng có thể quan sát được không?
- Dịch những thứ không thể kiểm chứng thành những thứ có thể kiểm chứng. "Giữ nhất quán" trở thành một trạng thái cuối có thể nhìn thấy. "Căng thẳng" trở thành chuyển động mắt, hơi thở và chuyển động tay.
- Một phương pháp chống phương ngữ: viết thuật ngữ và một mô tả có thể quan sát được cùng nhau. Một mô hình biết thuật ngữ sẽ đi đường tắt, một mô hình không biết sẽ theo mô tả, và một prompt bao gồm cả hai.
- Không viết lại giữa các môi trường. Lớp ngôn ngữ thuần túy được viết một lần, và các thiên kiến cụ thể của mô hình được đặt trong một bảng hồ sơ riêng biệt, loại từ phần thứ ba.
Kho lưu trữ cung cấp 5 loại cảnh quay, 4 trường hợp hoàn chỉnh, 6 hồ sơ mô hình và 4 video demo. Mỗi video được gắn với quy tắc cụ thể mà nó thể hiện, không phải là một showreel.
Nó cũng nói rõ những gì nó không làm: không có ô bắt buộc, không có ví dụ nào là quy tắc, mọi quy tắc đều có ngoại lệ. Nếu bạn đang tìm kiếm một mẫu điền vào chỗ trống để thả vào, thì đây không phải là nó.
Đầu hoàn thiện: chạy MiniMax H3 trên Atlas Cloud
Cả ba chế độ gọi MiniMax H3 đều có sẵn trên Atlas Cloud, text-to-video, image-to-video và reference-to-video, với các tham số, tùy chọn thời lượng và ví dụ yêu cầu trên mỗi trang mô hình.
Plain1Tổng quan 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 5Công cụ so sánh https://www.atlascloud.ai/model-explorer
Atlas Cloud tập hợp các mô hình video chính thống này vào một nhóm, vì vậy với một API duy nhất, bạn thay đổi một chuỗi mô hình để chạy toàn bộ so sánh. Đó là cách bài kiểm tra bốn mô hình trong phần thứ ba đã chạy, ngoại trừ lúc đó chúng tôi vẫn viết script riêng, và bây giờ nó chỉ là vài cú nhấp chuột trong Model Explorer.
Vì vậy, pipeline kết nối như thế này trong thực tế:
| Giai đoạn | Ở đâu | Mục đích |
|---|---|---|
| Phác thảo | Model Explorer, preset rẻ, một prompt song song | Kiểm tra hướng nhanh, xây dựng bảng hồ sơ mô hình |
| Hoàn thiện | Cùng nhóm, chuyển sang mô hình mục tiêu | Prompt không thay đổi, chỉ chuỗi mô hình thay đổi |
| Gửi hàng | Gọi API, vào quy trình sản xuất của riêng bạn | Hàng loạt, có thể điều phối |
Cả ba giai đoạn đều sử dụng cùng một prompt và cùng một khóa. Không có gì được viết lại ở giữa và không có gì thay đổi môi trường, đó là điểm từ phần thứ hai: tài sản duy nhất phải đi qua các giai đoạn là prompt, vì vậy đừng để nó biến dạng trên đường đi. Các tham số, tùy chọn thời lượng và ví dụ API đều có trên các trang mô hình MiniMax H3.
Kết luận
Một tuần mã nguồn mở, và cộng đồng đã lắp MiniMax H3 vào các card đồ họa tiêu dùng, vào một chương trình Mac gốc, và bên trong các quy trình sản xuất tự động. Công việc đó là thứ làm cho đầu cục bộ thực sự có thể sử dụng được.
Nhưng chạy cục bộ không phải là giao hàng cục bộ. "Local draft, cloud finish" là một thói quen tốt bởi vì nó không đặt hai đầu chống lại nhau. Nó chấp nhận rằng đây là một pipeline, với hai trạm làm hai công việc.
Và để đường dây di chuyển, phần được chuyển giao ở giữa phải đáng tin cậy. Phần đó là prompt. Vì vậy, thứ đáng để bạn dành thời gian không bao giờ là bất kỳ bộ phim nào bạn kết xuất. Đó là tại sao bạn viết nó theo cách bạn đã làm.
FAQ về prompt MiniMax H3
Tôi có thể chạy MiniMax H3 ở đâu mà không cần GPU cục bộ?
Cả ba chế độ MiniMax H3, text-to-video, image-to-video và reference-to-video, đều chạy trên Atlas Cloud, với các tham số và tùy chọn thời lượng trên mỗi trang mô hình. Suy luận cục bộ hữu ích cho việc phác thảo 480p giá rẻ khi các bản build cộng đồng được thiết lập, nhưng bản cuối độ phân giải cao hơn vẫn kết xuất trên đám mây.
Làm thế nào để so sánh MiniMax H3 với các mô hình video khác một cách công bằng?
Chạy một prompt nguyên văn trên các mô hình trong một môi trường thực thi duy nhất. Model Explorer thực hiện điều này với tối đa 10 mô hình song song, giữ cho hành vi cổng, tham số mặc định và mã hóa tài sản không đổi để sự khác biệt bạn thấy là sự khác biệt của mô hình.
Prompt MiniMax H3 có chuyển được sang các mô hình khác không?
Đó là toàn bộ điểm của việc viết chúng tốt. Giữ lớp ngôn ngữ thuần túy có thể quan sát và chống phương ngữ, thuật ngữ cộng với mô tả, và ghi lại các thiên kiến thời gian cụ thể của mô hình trong một bảng hồ sơ riêng biệt. Prompt sau đó sống sót khi di chuyển từ mô hình phác thảo sang mô hình cuối mà không thay đổi.
Tôi tìm prompt MiniMax H3 có sẵn ở đâu?
Thư viện awesome-minimax-h3-prompts có 52 prompt triển lãm chính thức trong 16 danh mục, mỗi cái có một video xem trước thực tế, bằng 20 ngôn ngữ. Tìm một cái gần với chủ đề của bạn, xem bản xem trước và chỉnh sửa từ đó.
