MiniMax H3: открытая модель видео — и вопрос числа GPU

Китайская MiniMax открыла веса H3 — модели, которая по тексту, картинке или видео генерирует ролики до 15 секунд в разрешении 2K со встроенным стереозвуком. Само видео впечатляет, но у инфраструктурного отдела вопрос другой: сколько GPU реально нужно, чтобы это запустить — от одной десктопной карты до полноценного инференс-сервера.

Краткое содержание

• 33 млрд параметров, архитектура H3-Omni-Transformer, около 13 млрд — в блоках AdaLN, которые можно закэшировать при инференсе;
• видео до 15 секунд в 2K, 24 кадра в секунду, встроенный стереозвук 32 кГц;
• минимальный порог входа — около 21 ГБ видеопамяти, то есть одна RTX 4090;
• для промышленного развёртывания в 2K MiniMax официально рекомендует четыре GPU через SGLang.

Модель, которая понимает всё сразу

H3 — не отдельная видеомодель, а единый трансформер. Он принимает текст, изображения, видео и аудио на входе и выдаёт видео на выходе, используя одни и те же слои внимания и полносвязные блоки для всех модальностей. MiniMax называет такой подход Omni-Transformer. Токенизатор H3-VAE сжимает последовательность в четыре раза эффективнее прежних схем — отсюда и приемлемая скорость генерации при 33 миллиардах параметров.

• поддержка входа: текст, до 9 референсных изображений, 3 видеоклипа, 3 аудиофрагмента;
• вывод: 4–15 секунд, до 2K, соотношения сторон 16:9, 1:1, 3:4, 9:16;
• 11 поддерживаемых языков, включая русский.

От одной RTX 4090 до кластера на четыре GPU

Именно здесь модель интересна закупщику железа больше, чем маркетологу. MiniMax указывает минимальный порог развёртывания — около 21 ГБ видеопамяти. Хватает одной потребительской RTX 4090, так что разработчик или небольшая студия опробуют модель на обычной рабочей станции. А вот карточка модели на Hugging Face для полноценного продакшена рекомендует уже четыре GPU: параллелизм Ulysses через SGLang, вычисления в BF16. Из альтернативных фреймворков называют vLLM, Diffusers и ComfyUI. «Одна карта для теста» и «четыре карты для продакшена» — разные бюджеты, и это стоит закладывать сразу.

Слабое место: разреженное внимание пока не завезли

В карточке модели прямо написано: сейчас доступна только полная схема внимания, разреженную обещают добавить позже. На практике это означает более высокую вычислительную нагрузку, чем могла бы быть при разреженном внимании, — отсюда и рекомендация сразу закладывать четыре GPU, а не рассчитывать на одну карту под серьёзным потоком запросов. Есть и лицензионный нюанс: веса распространяются по MiniMax H3 Community License Agreement с обязательной модерацией контента — это стоит учесть при встраивании модели в свой сервис.

Для каких задач Компактный GPU-сервер до 2 видеокарт для начальных задач в AI и графике. Оптимален для инференса, визуализации, VFX и рендеринга в студиях и лабораториях, где важна гибкость.

Подробнее

Видеокарты

RTX / RTX PRO / H200 NVL

Объем видеопамяти до 282 ГБ

Процессоры

Threadripper PRO

Количество ядер до 96

RAM до 1024 ГБ DDR5

Форм-фактор 4.5U

Для каких задач Универсальная платформа на 4–6 GPU для локального обучения моделей и генеративных задач. Подходит для команд, которым важна надёжность сервера и свобода выбора графики — от RTX 5090 до PRO RTX 6000.

Подробнее

Видеокарты

RTX / RTX PRO / H200 NVL

Объем видеопамяти до 576 ГБ

Процессоры

Threadripper PRO

Количество ядер до 96

RAM до 1024 ГБ DDR5

Форм-фактор 6.5U

Для каких задач Сервер промышленного уровня на 8 GPU с кластерной архитектурой. Предназначен для дата-центров и AI-ферм, где требуется масштабируемость и полная загрузка ресурсов под обучение LLM и R&D.

Подробнее

Видеокарты

RTX PRO 6000 / RTX 5090

Объем видеопамяти до 768 ГБ

Процессоры

AMD Epyc, Intel Xeon

Количество ядер до 320

RAM до 3072 ГБ DDR5

Форм-фактор 6U

Для каких задач Серия серверов для кластеризации на 4 GPU. Предназначены для дата-центров и AI-ферм, где требуется повышенная плотность для обучение LLM и R&D.

Подробнее

Видеокарты

L40s / RTX PRO / H200 NVL

Объем видеопамяти до 564 ГБ

Процессоры

AMD EPYC, Intel Xeon

Количество ядер до 128

RAM до 1536 ГБ DDR5

Форм-фактор 2U

Для каких задач Серия серверов для кластеризации на 8 GPU. Предназначены для дата-центров и AI-ферм, где требуется повышенная плотность для обучение LLM и R&D.

Подробнее

Видеокарты

L40s / RTX PRO / H200 NVL

Объем видеопамяти до 1128 ГБ

Процессоры

AMD EPYC, Intel Xeon

Количество ядер до 256

RAM до 2048 ГБ DDR5

Форм-фактор 4U

Для каких задач HGX объединяет 8 видеокарт NVIDIA H200, достигая экстремальной плотности производительности. Благодаря внутренней связности NVSwitch мгновенно интегрируется в масштабные вычислительные кластеры.

Подробнее

Видеокарты

NVIDIA H200 SXM

Объем видеопамяти до 1128 ГБ

Процессоры

AMD EPYC, Intel Xeon

Количество ядер до 256

RAM до 2048 ГБ DDR5

Форм-фактор 5U