1. MiniMax-H3 от MiniMax - Качество корпоратов на вашем ПК без цензуры
https://huggingface.co/MiniMaxAI/MiniMax-H3
Принимает на вход тексты, пикчи, звук, видео и может делать с ними всякое. Absolute Cinema. Ждём турбо-лор.
2. LTX-2.3 - обещает сделать локальную генерацию грейт агейн. Подходят лоры от 2.0
https://huggingface.co/Lightricks/LTX-2.3
Известные тюны:
Sulphur
Eros
3. Wan 2.2 от Alibaba
https://huggingface.co/collections/Wan-AI/wan22
VACE модели:
https://github.com/ali-vilab/VACE
https://huggingface.co/Wan-AI/Wan2.1-VACE-14B
https://huggingface.co/Wan-AI/Wan2.1-VACE-1.3B
4. Hunyuan от Tencent
https://huggingface.co/tencent/HunyuanVideo-1.5
5. Ovi
https://huggingface.co/chetwinlow1/Ovi
6. Starflow
https://huggingface.co/apple/starflow
7. MAGI-1 от Sand AI
https://sand.ai/magi
https://github.com/SandAI-org/MAGI-1
8. LongCat-Video
https://github.com/meituan-longcat/LongCat-Video
https://huggingface.co/meituan-longcat/LongCat-Video
https://meituan-longcat.github.io/LongCat-Video/
9. MOVA
https://github.com/OpenMOSS/MOVA
Локальный UI
https://github.com/comfyanonymous/ComfyUI
Установка локальных моделей
Wan 2.2: https://comfyanonymous.github.io/ComfyUI_examples/wan22/
Wan 2.1: https://comfyanonymous.github.io/ComfyUI_examples/wan/
Hunyuan Video (осторожно, ссылки в туторе на предыдущую модель): https://comfyanonymous.github.io/ComfyUI_examples/hunyuan_video/
Гайд для использования Wan 2.2
https://alidocs.dingtalk.com/i/nodes/EpGBa2Lm8aZxe5myC99MelA2WgN7R35y
Альтернативные ноды ComfyUI
Hunyuan Video: https://github.com/kijai/ComfyUI-HunyuanVideoWrapper
Wan: https://github.com/kijai/ComfyUI-WanVideoWrapper
Где брать готовые LoRA
https://civitai.com/models
Обучение LoRA
https://github.com/tdrussell/diffusion-pipe
Терминология моделей
prune — удаляем ненужные веса, уменьшаем размер
distill — берем модель побольше, обучаем на ее результатах модель поменьше, итоговый размер меньше
quant — уменьшаем точность весов, уменьшаем размер
scale — квантуем чуть толще, чем обычный fp8, чтобы качество было чуть лучше, уменьшение чуть меньше, чем у обычного квантования, но качество лучше
merge — смешиваем несколько моделей или лор в одну, как краски на палитре.
lightning/fast/turbo — а вот это уже просто название конкретных лор или моделей, которые обучены генерировать видео на малом количестве шагов, они от разных авторов и называться могут как угодно, хоть sonic, хоть sapogi skorohody, главное, что они позволяют не за 20 шагов генерить, а за 2-3-4-6-8.
Кейворды для дополнительных вещей: SVI, RuneXX, LTX Director.
Предыдущий тред
>>1668832 (OP)
Короче на недельку надо забить хуй, а потом уже по кайфу пользоваться том, что на торопыгах потестят.
> На rtx 5070ti, 64 RAM с llm, нодами: Patch Sage Attention KJ - > MiniMax H3 Mem Eff Sage Attention Patch - > ModelSamplingMiniMaxH3 -> Patch Sol-Attn - > Spectrum Apply MiniMax H3 - > MiniMax-H3 Turbo LoRA (ema ckpt850, srt - 1, low vram +) ->MiniMax-H3 Turbo Sampler (4-step)
> С 8 шагами , euler beta , 10 сек и MP 0.60 -> [INFO] Prompt executed in 275.50 seconds
Из этого я взял лору Лайт2х лору от Киджая (ужатую), 8 (7) шагов euler beta, Sol, и получается заебато, конечно. Спектрум, как мне показалось, толком тут уже не работает, пропуск 1-2 шагов погоды не делает, ИМХО.
Сажа включена по умолчанию, флагом в sh, что ты мне сделаешь.
попробовал сгенерить в 1.5 мп, жалко если ещё RTX video прогнать не влезет в 20мб
в общем ждём апскейлер ихний, всё равно калл
>пропуск 1-2 шагов погоды не делает
спектрум с турбами не работает, вообще любая оптимизация со скипом шага не работает с турбо
>не влезет в 20мб
Через ffmpeg сжимай это мыльное говно и всё влезет.
.\ffmpeg -i "C:\input.mp4" -filter_complex "format=pix_fmts=yuv420p" -map_metadata -1 -map_chapters -1 -c:v libx264 -crf 22 -preset veryslow -c:a aac -q:a 0.9 -movflags disable_chpl -max_interleave_delta 0 "C:\output.mp4" -y -hide_banner
У меня сажа 15 сек, сол потом 11 сек (на похер каком разрешении, для сравнения).
>>1670684
Ну, для 8 степов 1 режет. =)
Но мне понравился лайтх2в, вроде норм, надо тестить кучу разных промптов.
Ну, 60-90 секунд для генерации 15 секунд 640х480 — как будто уже хорошо, ИМХО.
Осталось приделать апскейлер, посмотрю, что там за новомодный RTX.
бле ананас, спектрум то работает, не кто не спорит и время уменьшается, но ты прикинь если у тебя под турбо лорой из 6 шагов, полноценных только 3
это на обычной генерации скип еще компенсируется, на турбе это сразу деградация картинки
Его можно в comfy подключить, ёбаный рот, какие вы все однобокие экспериментаторы хуевы, только циферки дрочить в готовых инструментах можете.
да ладно, всё равно там от этого RTX как от козла молока, толку то. получается мыло то же. надо ждать их апскейлер.
если спектрум сработал значит "полноценность" и не нужна была
а, ну я нодами от труна дебо не пользуюсь, есть человеческая оригинальная нода от comfyui
https://github.com/Comfy-Org/Nvidia_RTX_Nodes_ComfyUI
Дено действительно мылит, но на ртх без дено видно увеличенные артефакты, короче, ну чу-у-у-уточку лучше с ртх и еще чу-у-у-уточку лучше с дено => ртх.
Но за 2,5 секунды как будто и даром.
Надо тестить мелкие разрешения теперь.
вообще поебать что и как подключать, но у спектрум в ридми написано так
тебе уже кучу видосов выложили, свинтус
если не нравится значит модель говно
Двачую. Вообще реф это монстр. Вот я взял лору, сгенерил хенджоб. А там вместо пениса бодихоррор. Ну я думал подождать лору сначала, а потом вспомнил про реф моделку. По итогу в качестве рефа дал рандомную пикчу пениса и вообще отлично вышло.
На. Я все прошлые выходные пытался соединить эти две картинки в одну, нихуя не выходило либо выходило криво. А вчера с первой попытки сделал видеорил, именно то что мен нужно. Хотел пикчу, а получил видос в 1080 рублей. Кадр с тележкйо тоже заебался делать, ван её все время двигал, чтобы я ему не говорил. Эйч три с первого раза взял нужный ракурс.
На
поставь нормальный семплер, а не пердольное говно
подтяни последние коммиты комфи и установленных нод
поставь 6-8 степов
>>1670780
Комфи обновил и заработало. Два дня назад обновлял. Пиздос походу теперь посрать нельзя отойти без обновления.
слово мем увидел а посмотреть не дали
Можно тоже использовать, чтобы нахаляву получить 15% скорости
Ну и нахуй нужна сора? Сварганьте что-нибудь с )(лебо)(0дами
лайтинг лора +сол аттеншн
1 мп 8 сек
настройки киджая оказались закономерно говном, в турбо инференсе связка еулер+бета пока ебет
но её плюс что в отличие от 850 она не делает кожу такой пластиковой,
но динамика движений похуже правда, ну это считай бета 0.1
над потестить на промпте посложнее, с активными действиями
Мой промпт:
subject_definitions:
<Subject 1> is the woman from <Picture 0> dancing like in a <Video 0>
<Subject 2> is the man from <Picture 1> dancing like in a <Video 0>
summary:
[reference generation] The target video is a dark scene where <Subject 1> and <Subject 2> dancing like in a <Video 0>.
retention_analysis:
<Subject 1> fully_preserved
<Subject 2> fully_preserved
detailed_description:
The target video is in a realistic, documentary style with natural lighting and a static camera.
[Shot 1] The video opens with <Subject 1> which dances with <Subject 2>. <Subject 1> and <Subject 2> smiles. Static camera.
overall_soundscape:
Quiet street noise can be heard on the background.
non_diegetic_music:
A romantic melody plays in the background.
Пробовал исправлять с помощью DeepSeek - результат тот же. Использую стандартный воркфлоу из темплейтов для ref2va.
Прогони референесное видео через DWPose или Depth Anything.
Есть еще одна мутная тема с размерам референса. По ощущениям если он совпадает с конечным разрешением, то больше шансов, что модель его затянет как есть в кадр и наоборот.
Я бы подкинул ещё первый кадр, сделанный картиночной нейронкой.
У меня ref2va на 5060ti 16 gb (+ 80 gb RAM) с одной картинкой-референсом на модели int8 c 16 шагами 5 секунд видео 1280 x 736 на дефолтном воркфлоу генерится примерно 15-16 минут
в теории если турбу ебашишь то аудио надо на 6 выкрутить при 4-8 шагах, по умолчанию и так 12 и 3 используются и только увеличиваешь время генерации из-за лишнего патча
Пиздец конеш базированые китайцы, правда походу над было ставить побольше секунд, а то они прям зарашили.
Но вот вернулось то что умерло с лтх, а именно кайф в придумывании промптов всяких
так еще и качество как будто ты корпу юзаешь, ток бесплатно и без цензуры
->
>>1668830 →
>Но если по картинке с референсом модель не сделает рол с каким нибудь иллитидом сосущем ебушем рот тянки, то выкладывать рил будет нечего, ван с лорами останется на пьедестале.
Ну и как, ван всё ещё на пьедестале?
>Ну и как, ван всё ещё на пьедестале?
Да, эт я. Я добрался до компа, что жшшш
Да слов у меня нет попросту.
Но у LTX всё же звук получше будет.
Я хоть и тоже в восторге от китайцев, но расстроен из за того что вместо минутных LTX видосов моя система едва способна на видосы в 15-20-сек в лоу резоолюшене, какой то дауншифтинг или очередная заявка на полумилионный апгрейд системы :(
Также не совсем понял почему Ref2VA по одной пикче генерит результирующее видео раз в 10 дольше чем FL2VA, того же разрешения и той же длительности.
ну звук это уже камень в турбо лору, тут и так 2 раза на дню ломают все, сча допилят и будет заебок
>моя система едва способна на видосы
не зря я себе 128г рама засовывал конеш
Моче придется удалять сидеть 24/7 тогда тут их. А мне похуй, у меня впн надежный
бля аж слезы, грок и сора дома, как сука китайцы уместили сюда то что вановские не смогли в свои 2 ебучие модели засунуть
можешь скинуть название лоры и все настройки? если вф не хочешь делиться
https://huggingface.co/drbaph/MiniMax-H3-Turbo-Lora-ComfyUI/tree/main
лора отсюда ема 850 прунед
оптимальный вес от 0.75 до 0.9
с турбой нормально работает только еулер бета на 6-8 шагах
А ускорялки какие юзаешь? Сажа, сол, спертрум, ферст блок кеш
сажа эт стандарт еще сол, никаких кешей и спектрумов, они ебут картинку
ну кстати чтобы чисто прогнать посмотреть как промпт будет работать можно вообще все ускорялки включить, результат будет кал но что то видно будет
я заебался уже ставить кастомные ноды, чтобы еще и превью кастомное было
А еще как отключить сохранение аж двух результатов, с аудио и без? Жестак тоже не резиновый...
У меня прунед работает через одно место, а оригинальная как раз нормально. Хотя чекпоинт прунед.
там минимум 5 кадров считает, я использовал ноду get image from batch с выбором первого кадра.
NSFW
Нажмите, чтобы открыть
Вот например. Выдаёт реалистичное POV видео на сосание и ёбку.
Как мужик с хуем выдаст норм сосание? Это уже пидорство какое-то. Я думал ты нормальные блоуджоб или секс видеорефы нарезанные скинешь
У мивимекса проблем с сосанием нет (как в принципе с погружением твердого хуя в любую дыру, коей рот и является. Есть проблема с режиссированнием сосания, надо все посекундно расписывать, иначе как во всех 5+ сек генераторах нейронка лениться и забивает хрон однотипным примитивным повторяющимся действием. То есть, так и пишешь [0-3c) заглотила хуй [3-6c) вытащила изо рта облизала [6-9c) снова заглотила подрочила себе на лицо хз че там у тебя, у мамки своей спроси она распишет детальней.
То что выше писали про звуки сосания, там надо подбирать правильные прилагательные просто "гаггинг" даст звук кашля похожий на звук пилы по дереву, звук сосания часто включает режим пылесоса. Но даже с правильными прилагательными прилагательными иногда происходит отвал и звук сильно искажается превращаясь в хруст, я так понял это какой-то косяк самого мивимекса на специфическом контексте.
Те кто пишут, что минисракс не тренировали на порно - долбоебы. Он прекрасно знает теги порнофильм и т.д. То что там гениталии попердолены, так это проблема всех нейронок с первого дня, даже объяснять лень тупоголовым хлебушкам. Гениталии так же точно попердолены и у корпов, и пездояйца грока и хуи бабские все это видели все на гроке, сидримсе и так далее, везде где был отвал цензуры. Наоборот, в отличии от ван22, искоропки мивимекс генерит стабильно какой-никакой но хуеподобный отросток, а не деревянную палку или еще какой треш. Там даже головка и яйки в наличии. Это всё тюны/лоры, но даже сейчас легко купируется и2в с нормальным хуем на картинке, после вынимания его откуда угодно он в 70% даже форму головки держит.
По факту, все остальные лтксы (прости господи, искренне жаль тех кто вообще зарился на эту парашу ебаную), ваны и так далее можно удалять нахуй.
не у всех женщин брухля с выпадающим клитором, это индивидуально. бугорок, конечно, скорее всего, должен быть виден, но можно сослаться на то, что ноги прижаты вместе.
Если ты там здорово наебался с сосательным промптом, мож поделишься? Неохота шишки самому набивать
По поводу аудио тут советовали взять реф, надо попробовать взять секунд 10 с прона и с каким нибудь partially_copy/reference запихнуть в промпт
прикинь, инцелишка, в реале клитор не болтается как хуй.
модератор, тут 24-летнее тело, просто с сиськами и сложением не повезло, не триггерись плез.
Не знаю, как-то неестественно выглядит все равно, намек на наличие клитора в верхней части щелки (особенно настолько высоко поднятой) все равно должен быть. можешь перефорсить и сказать, что клитор это маленький хуй, а хуям не место в генерации тяночек
>>1671017
А если в реф крупный план сунуть и в смене кадра сослаться на него?
ты наркоман, в видео полщели видно, а на твоих пиках щели вообще нет (может это трап нахуй), ясен хуй что и клитора не будет видно
>простите за неловкий вопрос, но где клитор
Двачую, пизду ЗАШИЛИ. Брухля не висит, клитор размером с хуй не торчит. НЕПОРЯДОК!!!
На некоторых настройках отражённые тени своей жизнью жить начинают =)
а с какого хуя щель должна быть прямо на лобке? сам наркоман, лол)
>видеорефы
То есть ты ещё не понял, что эти действия можно просто текстом прописать? Ну окей, может дойдёт когда-нибудь.
>Если ты там здорово наебался с сосательным промптом, мож поделишься?
Не могу скинуть по очевидным причинам. Но я не писал сам с нуля, ты можешь просто адоптировать готовые вановские простыни которые в нф часто кидают, либо используя промпт для агента сделать в любой нейронке, дипсик например.
>По поводу аудио тут советовали взять реф,
Тут в треде половина видосов с прегенерированными рефами на звук, так что оно норм сработает. Так же если тебе нужны крупные планы, то ты можешь как в стандартном примере с бабой на парковке - сделать просто серию картинкорефов из сосания.
>простите за неловкий вопрос, но где клитор
В гроке, легко - 20см длинной.
https://clip.cafe/clerks-ii-2006/emma-are-like-this/
так ты у того кто видео сгенерил спрашивай это, а не у меня, пчел
>Если отрубить этот говняк, то лица лучше с референсов копирует и лоры не перебивает так сильно.
В смысле? Нод ошибку же выдавать будет если клип отключить. Можешь показать как сделал?
Юзай стандартную ноду для сохранения видео, она и сжимает лучше и превью на ней удобнее, я хз че староверы еще дрочат этот древний VHS
эти звуки сосания пиздец хуйня, как промтить нормально чтобы не хрустело?
>>1671085
Бля анон спиздел, я её забыл подключить лол, это на 6 шагах без лоры даже.
Вообще лора minimax_h3_fl2v_lightx2v_turbo_4step_v0.1_comfy.safetensors
Физически выдергиваю кабель из сетевого разъема. И всего делов. :)
На 5070 ti 640х480 (читай 1280х960) ты уже за минуту увидишь, там 56-62 сек генерируется.
Текнолоджи.
Но хорошо, что тае выпустили, у кого видяшки послабее.
>>1670850
Без апскейла — да, но коротенькие и долго.
>>1670863
Мне нейронка хуярит эти тексты и збс получается в рефе.
>>1670898
Первая так себе, вроде норм, но лайтх2в топчик, но с весом 0.5 обязательно.
>>1670935
Две совершенно разные архитектуры. У ЛТХ всегда были realtime видео на 4090/5090. В этом их фишка. И контекст милипиздрический.
Но качество такое себе.
А тут раза в четыре дольше, ну, с апскейлом, раза в два дольше, и контекст толстенький, влезает меньше. Да и апскейл не латентный, а растровый.
НО ТЫ ПОПРОБУЙ ЕГО СЛЕДОВАНИЕ ИНСТРУКЦИЯМ
ТЫ ПОПРОБУЙ ЕГО РЕФЕРЕНС ТУ ВИДЕО АУДИО
Не пихай видео, чтобы не работало долго, а чисто картинка + голос опционально, для скорости.
Оно ебет мощнейше (хотя голос не идеально воис-клонит).
А цензуры и знание персонажей и знаменитостей? Пишешь кого хочешь — и оно с 50% знает кто это и рисует сам, так еще и озвучка близкими к оригиналу голосами.
>>1670992
6 степов: сажа по умолчанию, сол с 0.2 - 0.9, применяется для 3, 4, 5 шагов, пока все. Посмотрим седня, что за ферст блок кеш, а так тебе много не надо.
>>1670999
Эээ… У меня стабильно 1,5 сек на него тратится. И дено, и ориг. Я за 2,5 лишние секунды получаю х2 разрешение (мыльноватое правда, как х1.5 считай).
>>1671002
Заебись с r2v работает.
>>1671072
Вот я дед, больше настроек, привычка, на самом деле хуйня, да.
>640х480
в описании турбы написано что 768 короткая сторона должна быть
вот с турбо лорой, 555 сек, 3090
Какой-то бредогенератор. Какое ещё понимание движения, если референс статичный. Ну и на практике минусов не вижу если на референсе человек. Может несколько сложных референсов и будет проёбывать из-за отсутствия текстовых токенов.
>>1671165
Я в 2012 генерил интерьеры в максе, 1 ракурс генерировался 24 часа. А вы тут видос из блокбастера генерируете 10 минут и вам долго. У меня видюха пашет всю ночь и весь день если я на работе. 3060. Сутки на генерацию такого видео это немного, а я за несколько часов делаю.
это не так работает
https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md
https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_ref_en.md
Лучше генерируй промпт через дикпик
https://gist.github.com/Naxdy/43b7422a1e4a79fb8b0489c6c39eaace
Текстовый энкодер-то поймёт что ты хочешь, но его никто не спрашивает - Минимакс получает текст как есть. Какие-то простые отрицания с "не" или "без" он сможет понять, но не отрицание действия. Пиши "тишина и звук движений".
видос случайно отправил, а вопрос забыл
попробовал ref2va, все почти хорошо только сиськи лезут, лол.
походу триггерится на [Shot 5]: The frame changes quickly into - focus on the breasts of a this girl
пробовал chest - все равно сисик лезет. а говорили что цензура, лол.
p.s. спасибо анону за тикток промпт, моар еще универсальных промптов
>А? ЧЁ? ЗВУЧИТ РЕЧЬ? ЩА СДЕЛАЮ!
Примерно так он тебя понимает.
А если бы тебя вернули назад во времени, ты бы подписался на такое, зная как это легко будет в будущем?
Безусловно. Я устроился на работу тридешником в октябре. Через 10 дней после того как начал локально генерить картинки и даже один убогий видос. Я жалею что в 2006 в эту фирму не устроился, просто о ней не знал. В моем мухосранске все эти годы делали ААА игры, а я хуйней занимался. Студия на 100 человек блядь.
бразик скинь эту отредаченную ноду, а ты ее сам то тестил?
512х512 точно работает, подозреваю, что и 480 на 480 вытянет.
Ниже уже хуйня, да.
Но тут кое-как пердит.
https://storage.to/qKmKASp9B
Там только ещё вторая правка есть, не обращай внимания.
надо реф модель использовать а не фл, а промт не видно из-за пиксаромы
Это вроде реф модель. Вот промт:
Камера приближается к тумбе за спиной мужчины, женская рука кладёт на неё сумку со второго изображения. Стиль первого изображения остаётся неизменным и переносится на предметы со второго изображения. Тишина. Все персонажи неподвижны. Предмет со второго изображения отрисован в стиле первого изображения.
у тебя fl2va а должно быть ref2va
<Picture 2> is reference for сумка хуюмка надо писать
https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_ref_en.md
ещё вот тут
https://huggingface.co/DmitryDB/MiniMax-H3-ComfyUI-Quants
можно скачать коньврот hq потому что у него меньше слоёв коньврота и больше полных бф16
145 INT8 ConvRot + 63 BF16 semantic matrices
дольше на 10-15 % комфи варианта но как будто эффект есть
видеомоделям надо дохуя места, но выгрузка в обычный рам не так критична как для картиночных
Перестань, пожалуйста. Закрой вообще эту вкладку.
на 5060ti 16gb
да я понимаю, но на ване и лтх фулл загрузка гпу и по враму и по процентам
Красавчики. Пришли на реддит и ёбнули огромную АМА сессию. Ответили на тьму вопросов.
https://www.reddit.com/r/StableDiffusion/s/O0rqbtpxzn
Для староверов и ADHD:
Tldr:
2K Regenerate - будет open-source и, судя по формулировке команды, относительно скоро;
Sparse Attention - первая версия тоже “near term”;
официальный 4/8-step рассматривается, но без обещаний по срокам;
отдельная image-модель из линии H3 - в разработке.
Для нормисов :
Самое главное: нативный H3-Regenerate-2K действительно откроют. Это не обычный апскейлер и не «второй прогон тем же H3». Команда пояснила за отдельный latent-space DiT regeneration checkpoint, который генерирует на более высоком разрешении, используя результат базовой модели как дополнительный контекст. Часть референсов также подаётся в повышенном разрешении. Модуль сейчас дорабатывают по скорости и качеству именно для локального использования, поэтому точной даты нет, но на отдельный вопрос «аскороли?» разработа ответили буквально: “yep, not very far”.
По Sparse Attention ещё наряднее. H3 не использует MSA из MiniMax M3, как многие предполагали. Их схема ближе к MoBA-style block selection: соседние visual tokens сильно коррелируют, поэтому MiniMax делает mean-pooling блоков и по этому представлению определяет важные блоки, без отдельного обученного indexer. Сейчас 3D sparsification применяется только к video tokens, потому что именно они съедают большую часть sequence. Image/text tokens пока изучаются как следующие кандидаты.
Кто нихрена не понял - первую открытую реализацию sparse attention обещают в ближайшее время, причём сначала в консервативной конфигурации с целью получить ускорение без заметной потери качества. (Это круто, скорость - главный минус)
С 4/8-step H3 всё чуть менее нарядно. Выпущенный checkpoint уже содержит CFG distillation, плюс на финальной стадии обучения использовалась дополнительная стратегия, благодаря которой модель и сейчас умеет несколько снижать число inference steps. Но это не полноценная step-distilled Turbo-модель. MiniMax продолжает исследовать distillation и прямо рассматривает официальный 4-NFE или 8-NFE вариант, однако честно пишет, что не может пообещать его в ближайшее время. То есть community Turbo LoRA пока останутся актуальны.
Ещё одна неожиданно прельстивая новость - картинки!!
На вопрос про настоящий Text-to-Image / single-frame H3 MiniMax ответил, что они уже делают отдельную image model из общего предка H3 (круто звучит) и рассчитывают выпустить её для сообщества. То есть нынешние хаки «сгенерировать 5 кадров и выдернуть первый» действительно временные - полноценная H3 image-модель официально в разработке.
Из архитектурных деталей команда также поъяснила за prompt adherence. По их словам, дело не в каком-то одном хитром модуле, а в очень широком и разнообразном наборе данных и задач, обученных на общей масштабируемой архитектуре. Иными словами, меньше магических костылей под отдельные задачи, больше общего multimodal training. (Gemini Omni нервничает и готовится апдейтнуться)
За цензуру не говорили. Но видео в шапке говорит само за себя.
Красавцы, чо.
> 2K Regenerate - будет open-source и, судя по формулировке команды, относительно скоро;
Не булет же он из 480р в 2к переводить, это только для богатых которые в 720р генят.
>
>Будущее Минимакса
Делают х4 и х5 закрытыми и сосут хуи умирая в говне. Никогда такого не было, замечу. Похуй что они там говорят, тактика всегда одна.
в общем, накатил себе на RTX 3090 этих суперквантованых моделей с турбо лорой и теперь уже 5 сек 0.4mp на 6 шагах получаются почти за минуту (на 4 шагах реально за 60 сек).
единственное пожертвовал качеством, но оно выражается только в том, что промпта плохо слушает и съедает некоторые элементы (типа когда прошу советский мультик делает 3d мульт, видимо недодумывает до слова советский, но это можно поправить описав все подетальнее).
Prompt executed in 208.76 seconds
пруфы.
еще подключил спектрум, с ним иногда вообще невероятные ██████████| 4/4 [00:13<00:00, 3.42s/it] пролезают, но полный рандом на турбо в плане качества.
вот на одном сиде (самом удачном) сравнение их, но понятное дело что спектрум может на другом сиде решить подругом порезать шаги и качество, но в плане скорости доволен оптимизоном от этих квантированных моделей.
https://huggingface.co/Kijai/MiniMax-H3-experimental/tree/main
https://huggingface.co/Abiray/Minimax-H3-nvfp4-INT4-INT8-Convrot/blob/main/text_encoders/qwen3vl_32b_minimax_h3_int4_convrot.safetensors
Мне 32 гб гпу мало, а ты с 8 хочешь. Залетай в аренду гпу. Это самое реалистичное решение по-моему, потому что даже 5090 маловато, но не будешь же ты домой брать rtx 6000.
По идее опимизон на ComfyUI позволяет запускать модели на любом железе, только проблема в скорости. Генерить 5 сек за полчаса наверное все таки не в тему.
Хотя, есть GGUF-ы, если они влезут в твой VRAM, то технически может просто замедление 2x в крайнем случае, а это будет где-то 10-15 минут на видео с турбо лорой.
у меня int4\fp4 модели на 5060 ти 16гб врам прибавку скорости не дают но сильно хуюжат квачество
>Минимакс как image edit модель? Стоит ли пробовать?
мылит. впрочем все edit модели этим грешат, где-то сильнее, где-то слабее. но у минимакса понимание анатомии\физики\освещения очень хорошее. лучше править крупноплановые портретные снимки людей. мелкие детали проебываются. оголяет вообще охуенно, не лепит одно и то же тело всем, рисует довольно соответствующие фигуры включая лишний жирок или наоборот костлявость. походу по лицу\плечам\рукам судит.
А вот разница между res multistep + simple и euler + beta уже разительная: res multistep + simple на том же сиде мне перекрутил руку назад неанатомично, тогда как euler + beta сгенерил правильно все. так что пока поставил любимый с вана euler + beta как основной. А вот с convrot так и не определился че лучше, была бы разница в скорости оставил бы ее, а так смысла нет наверное
Умеет
https://github.com/duckyshell/ComfyUI-MiniMaxH3-FirstBlockCache
Можно в комбе со спектром, но лучше не надо, на пресете фаст почти не руинит качество.
5 секунд 0.6 мп за 8 минут. Ну в твоем случае даже быстрее, так как, 4070 на 8гб точно мощней моей 3060 на 6 гб.
>>1671295
GGUF не влезут в VRAM, а скорость генерации при этом будет минимум в 2 раза медленней чем на pruned int8 convrot.
теоретически да, а по факту, как минимум в крее 2 вскрылась особенность что nvfp4 была сильно медленее чем int8\4 кончврот
> 5 секунд 0.6 мп за 8 минут.
Чё накатывать?
Есть готовый воркфлоу для cumфи?
вот kijai модели выложил: https://huggingface.co/Kijai/MiniMax-H3-experimental/tree/main
так ведь чем больше разрешение видео тем больше VRAM будет жрать. Можно вообще сразу bf16 так запилить и идеально на 0.4 будет генерить, но пикселем чуть выше и будет OOM (в Комфи конечно не будет, он просту тупо сделает в 4 раза медленнее). А так, хороший запас на то, чтобы играться с разрешением держа все в VRAM-е.
я не он, но тот кто уже сравнивал тут >>1671284 >>1671290
Скажу что у меня с int4convrot, которому по размеру соответствует w4a8, приводил к ебейшим артефактам, а w4a8 от Kijai вполне себе удобоваримо, без чрезмерной оптимизация в роде спектрума, вполне себе норм результат дает, в отличие от коньврота на int4.
Генерю на 8гб+32 почти что хочу. Пикрил из двух кусков, с первого раза вышло и меньше 20 минут в сумме, но это реф модель без ускорялок, а она медленная сама по себе.
С турбо лорой по пикче 4 секунды в 0.5 мп качестве - 171 сек. Хватит с запасом, чтобы еот раздеть или еще что погенерить для души. Мб дольше будешь думать, готовить рефы и промпты писать, чем генерить. Но на д-нищеспеке каэш сложнее что-то тестить и мотивации меньше.
Есть даже вот такая штука https://github.com/tori29umai0123/ComfyUI-MiniMaxH3-SingleFrame
я коньвротом 8-битным в основном и пользуюсь, w4a8 хорош для погонять на легких весах промпты, понять что как работает, не проебывая качество по полной пизде в сравнении с другими 4-битками.
какой инт4, какой в4а8 ? У меня 5070ти. Со спектрумом, реф модель, 0,7 мп, 10 сек, 4 реф картинки + 1 реф видео в районе 6 минут получается. Без реф видео еще быстрее будет раза в 2.