これはWuli-artがGemma4-12B-ITをファインチューニングして作成したプロンプト拡張モデルで、MiniMax-H3の音声・映像生成専用に訓練されています。FL2VA形式はテキストのみ、最初のフレーム、最後のフレーム、および最初と最後のフレームの生成に対応し、Ref2VAは参照画像による生成に対応していますが、両者は同じ重みを共有しています。リポジトリにはBF16標準版とFP8 / Int8量子化版、および2つの独立したComfyUIワークフローが提供されています。また、作者は比較ページを作成し、拡張なし、Gemma4原版、H3公式拡張、lightx2vによる書き換え、そして本モデルを9件のケースと45本の動画で並べて再生できるようにしています。
なぜ重要か 1つの要求をシーン、アクション、カメラワーク、音声の説明に整理し、最初と最後のフレームおよび参照画像の2種類のタスクで同じ重みを共有するため、ComfyUI内で直接H3の前に接続できます。
ハグでいいね 5 · ハグで上昇ポイント 5 · ハグでダウンロード 0
ライセンス:商用利用可 · ComfyUI:モデルカードに記載 · VRAM:≈29 GB 推定
地域ライセンス:MiniMax H3 オープンウェイトライセンスはEU、英国、韓国、米国(LICENSEのExcluded Territories)を含みません。これら4地域では別途MiniMaxの許諾が必要です。
理由
- Apache-2.0 ライセンス、ModelScope(魔搭)でもダウンロードを提供
- 比較ページでは同期再生が可能で、元のテキストと拡張後のプロンプトを展開して確認できる
使い方
- モデルファイルをダウンロードしてComfyUIに配置し、minimax_h3_gemma4_pe_fl2va.json または minimax_h3_gemma4_pe_ref2va.json をキャンバスにドラッグします。PE読み込みノードで標準版または量子化版を選択し、実行後に拡張結果をH3の生成フローに接続します
リスク
- 12B モデルのBF16版はパラメータ数から推定すると約29 GBのVRAMが必要ですが、VRAMが少ない場合はFP8 / Int8版を選択してください。ワークフローにはモデルカードに記載されているカスタムノードのインストールも必要です
- 拡張結果はMiniMax-H3と組み合わせて使用する必要があり、H3のライセンスはEU、英国、韓国、米国には適用されません