Изображенческая модель, дообученная Pruna AI на базе MiniMax-H3: генерация и редактирование изображений используют единый конвейер, 8 шагов, без CFG и негативных промптов, сразу выдает изображения разрешением 800 мегапикселей (8 МП); при редактировании можно подать до 8 изображений, где 1-е — то, которое нужно изменить, а остальные служат референсами (в промпте они обозначаются как Picture 2, Picture 3 и т.д.). Встроенная модель расширения промптов на базе Qwen3.5-9B включена по умолчанию и переписывает краткий запрос в полноценный промпт, на котором модель работает лучше всего; при редактировании формат промпта описывает «что изменить, что сохранить». Репозиторий создан 27 10, описание обновлено 3 11, за последние 7 периодов не включался.
Рост рейтинга на 106 · Лайков: 109 · Загрузок: 287
Причины
- Решает задачу «получить высококачественное изображение по одному предложению и редактировать его без полной перерисовки»: автор утверждает, что модель лучше всего справляется с фотореализмом, кинематографичными и журнальными кадрами, а также с графическим дизайном, содержащим короткие текстовые вставки в кавычках; на сравнительных изображениях автора показано, что при подаче краткого запроса модель часто перерисовывает всё изображение целиком, тогда как после расширения промпта до редакторского формата изменяются только указанные части.
- Официально заявлено, что при размере батча B200, формате bf16 и разрешении 8 МП рендеринг одного изображения «как есть» занимает около 9 секунд, пиковое потребление видеопамяти составляет 83 ГБ; с включенным расширением промптов время увеличивается на 6–11 секунд, пиковое потребление — около 101 ГБ. Архитектура включает трансформер с 33.1B параметров, текстовый энкодер с 4B параметров, VAE и модель расширения промптов, общий объем в формате bf16 составляет 100 ГБ.
- Автор также выпустил версию для ComfyUI (PrunaAI/P-H3-Image-Comfy), использующую только стандартные узлы ComfyUI; для каждого компонента доступны три варианта точности: bf16, int8 и w4a8, которые можно комбинировать. Минимальный набор весов занимает 20 ГБ, пиковое потребление видеопамяти при разрешении 8 МП составляет около 21 ГБ; автор утверждает, что int8 почти попиксельно идентичен bf16, тогда как w4a8 изменяет детали и иногда композицию. На видеокарте L40S с 48 ГБ видеопамяти генерация изображения размером 2048×2048 в формате w4a8 занимает около 6.3 секунд (для bf16 требуется выгрузка весов, время составляет около 19 секунд). Также доступен LoRA-адаптер объемом 2.0 ГБ для собственной модели MiniMax-H3.
Использование
- ComfyUI: сначала выполните
cd ComfyUI && git pullдля обновления до последней версии master (официальные релизы, десктопная версия и Comfy Cloud получат обновление в следующем выпуске). Загрузите по одному файлу для каждого компонента из репозитория PrunaAI/P-H3-Image-Comfy в соответствующие папки внутри ComfyUI/models. Откройте файлworkflows/p-h3-image_text_to_image.jsonилиworkflows/p-h3-image_edit.json, введите краткий запрос и запустите генерацию. В воркфлоу используется сэмплер euler, 8 шагов, без CFG; в узле Load CLIP выберите типminimax. - diffusers: выполните
pip install git+https://github.com/huggingface/diffusers，再用, затем используйтеModularPipeline.from_pretrained('PrunaAI/P-H3-Image')с параметромload_components(dtype=torch.bfloat16). Передача аргументаimageактивирует режим редактирования, передача списка изображений включает режим референсов. Для видеокарт с 80 ГБ видеопамяти используйтеComponentsManagerс опциейenable_auto_cpu_offload; официально заявлено, что пиковое потребление при разрешении 8 МП составляет около 76 ГБ. - Разрешение выбирается согласно таблице размеров для 8 МП (по умолчанию 2912×2912, для 16:9 используйте 3872×2176); при редактировании используйте разрешение 4 или 8 МП. При написании промптов вручную первое предложение должно четко описывать «что это за изображение» (например, «фотография, сделанная уличным фотографом»). Весь текст, который должен появиться на изображении, заключите в кавычки дословно и завершите промпт фразой
no other text. Избегайте слов вродеstunning,8k,masterpiece(автор отмечает, что они приводят к излишней глянцевости и перенасыщенности). Если вы не хотите ничего скачивать, попробуйте демо в Space PrunaAI/P-H3-Image.
Риски
- Лицензия: используется Community License MiniMax H3. Без отдельной лицензии от MiniMax права не распространяются на ЕС, Великобританию, Южную Корею и США; продукты на основе этой модели должны содержать указание «Powered by MiniMax H3». Только часть с текстовым энкодером Qwen3-VL-4B и модель расширения промптов распространяются под лицензией Apache-2.0.
- Ограничения, указанные автором: модель чувствительна к промптам, использование преувеличенных прилагательных или слишком длинных промптов ухудшает результат; руки и мелкие фигуры на фоне могут искажаться; мелкий текст и плотные текстовые блоки часто превращаются в псевдотекст; при разрешении 2–4 МП чаще возникают ошибки в лицах, руках и деталях; модель генерирует только одиночные изображения, не создает видео или аудио. В данной рубрике примеры изображений не проверялись.
- Высокие требования к оборудованию: оригинальная версия diffusers при разрешении 8 МП требует около 101 ГБ видеопамяти (около 83 ГБ при отключенном расширении промптов). Версия для ComfyUI пока доступна только в dev-сборке; форматы int8 / w4a8 зависят от INT8-ядер из comfy-kitchen и требуют видеокарт NVIDIA Ampere или новее, либо AMD RDNA3/4. Данные о скорости и качестве предоставлены самим автором.