← Zurück zum Blog
Aica. 7 Min. Lesezeit

Pruna hat aus einem Videomodell ein Bildmodell gemacht. Interessant ist, was wegfiel.

Veröffentlicht 7. Nov. 2026
Pruna hat aus einem Videomodell ein Bildmodell gemacht. Interessant ist, was wegfiel.

Pruna AI hat P-H3-Image am 3. November veröffentlicht. Es erzeugt und bearbeitet Bilder, die Gewichte sind offen, und es besteht aus MiniMax-H3, einem Videomodell.

Dieser letzte Satz ist das ganze Designargument. Ein Videomodell muss lernen, wie ein Objekt aus vielen Winkeln aussieht, wie Licht auf ein Material fällt, während sich die Kamera bewegt, wie eine Szene von Bild zu Bild kohärent bleibt. Ein einzelnes Foto ist ein entarteter Fall dieses Problems. Theoretisch ist der schwierigste Teil der Bilderzeugung also schon bezahlt, und man muss dem Modell nur beibringen, ein Bild gut zu rendern.

In der Praxis liefert ein Videomodell, wenn man ihm ein Einzelbild abverlangt, weiche, verwaschene Bilder. Das H3 von MiniMax kann das, schlecht. Prunas Beitrag besteht darin, das Modell auseinanderzunehmen und jedes Teil für die Aufgabe Standbild neu zu bauen.

Vier Schnitte

Der Textencoder ging von 32 Milliarden Parametern auf 4 Milliarden, mit einem destillierten Qwen3-VL-4B. Diese eine Änderung senkt die Gewichte von 67 GB auf 9 GB, und sie ist der am wenigsten sichtbare Teil der Veröffentlichung.

Vier zunehmend kleinere Glasprismen, ineinandergeschachtelt, auf einer schwarzen Fläche.

Das Transformer-Backbone schrumpfte von 33 auf 20 Milliarden Parameter. Der eigentliche chirurgische Eingriff war, den Timestep-Block, den der Blog als rund 40 Prozent des Transformers beschreibt, durch etwas viel Kleineres zu ersetzen. Timestep-Conditioning ist teuer, weil es bei jedem Denoising-Schritt das ganze Netz modulieren muss. Für Video braucht man feine Kontrolle über die Zeit. Für ein Standbild braucht man eine Zahl.

Der Decoder wurde neu trainiert, um ein einzelnes scharfes Bild über einen Bereich von 2 bis 16 Megapixeln zu erzeugen statt einer Folge von Videoframes.

Und der Sampling-Zeitplan wurde mit DMD destilliert, was die Generierung von 50 Schritten auf 8 bringt.

Vorne sitzt außerdem ein kleiner Prompt-Upsampler auf Basis von Qwen3.5-9B, der kurze Prompts so umschreibt, dass H3 gut darauf reagiert. In der Diffusers-Pipeline ist er standardmäßig an, und er ist der Grund, warum die bf16-Speicherzahlen schlechter aussehen, als das Modell tatsächlich ist.

Die Zahlen, mit dem Herstelleretikett

Prunas Messungen: Ein 4-MP-Bild braucht 2,6 Sekunden auf einer B200, gegen 12,4 Sekunden für MiniMax-H3. Ein 8-MP-Bild braucht 5,8 statt 30,6 Sekunden. Auf einer L40S mit 4-bit-Gewichten dauert 4 MP etwa 6,3 Sekunden.

Downloads sind 55 GB in bf16 oder 20 GB in 4-bit, gegen 143 GB bei H3. Spitzen-VRAM bei 8 MP liegt bei rund 56 GB in bf16 oder 21 GB in 4-bit.

Die 21 GB sind die Zahl, die für jeden zählt, der das am Schreibtisch liest. Sie zeigt auf 24-GB-Karten, die 3090, 4090 und 5090, die den 4-bit-Build in voller Auflösung fahren. Auf einer 16-GB-Karte reduzieren Sie die Auflösung oder lagern aus.

Eine Warnung, die leicht zu übersehen ist: Die Diffusers-Pipeline mit dem Prompt-Upsampler in bf16 bei 8 MP will etwa 100 GB GPU-Speicher. Das ist kein Tippfehler und nicht die Schuld des Modells. Wenn Sie Diffusers statt ComfyUI nutzen, nehmen Sie entweder die quantisierten Gewichte oder schalten Sie den Upsampler ab.

Die Lizenz schließt die Länder aus, die sie am ehesten nutzen würden

P-H3-Image erbt die MiniMax H3 Community License. Praktisch heißt das: Die Gewichte sind offen zum Herunterladen und geschlossen für den Einsatz in den Vereinigten Staaten, der Europäischen Union, dem Vereinigten Königreich und Südkorea, sofern es keine gesonderte Vereinbarung mit MiniMax gibt. Produkte darauf müssen „Powered by MiniMax H3" anzeigen.

Das ist inzwischen eine vertraute Form. Im vergangenen Jahr haben sich chinesische Labore auf ein Muster eingelassen: Gewichte unter einem freizügig klingenden Namen veröffentlichen, eine Community-Lizenz mit territorialen Ausnahmen anhängen und die Ausnahmen an alle verkaufen, die sie brauchen. H3 hat Ableger von Nvidia, Pika, Creatify und jetzt Pruna hervorgebracht, und jeder davon navigiert dieselben Bedingungen.

Für einen einzelnen Entwickler in Ohio heißt das: Das Modell ist technisch herunterladbar und rechtlich unangenehm. Für ein Unternehmen heißt es eine Compliance-Prüfung. Für ein Labor in Singapur oder Brasilien heißt es ein wirklich kostenloses Bildmodell hoher Qualität, was eine echte Umverteilung von Fähigkeit ist, über die in der US-Presse wenig gesprochen wird.

Es gibt eine zweite Ebene. Die Lizenz wandert mit den Gewichten, also bleibt ein Unternehmen, das P-H3-Image für sein eigenes Produkt feintunt, an die Ausnahmen gebunden. Abgeleitete Arbeit wäscht die Bedingungen nicht rein.

Warum überhaupt ein Videomodell destillieren

Es gibt bereits hervorragende offene Bildmodelle. FLUX 3 Image Klein hat 5,6 Milliarden Parameter und kostet acht Zehntel Cent pro Bild auf gehosteten APIs. Warum einen 143-GB-Videostack nehmen und Ingenieurszeit darauf verwenden, ihn auf 20 GB zu schrumpfen?

Die Antwort liegt darin, was Videotrainingsdaten lehren. Ein Modell, das auf Clips trainiert wurde, sieht dasselbe Objekt unter wechselndem Licht und Winkel und lernt eine vollständigere interne Repräsentation davon als ein Modell, das auf isolierten Fotos trainiert wurde. Das zeigt sich an einer bestimmten Stelle: Bearbeitung mit mehreren Referenzen.

P-H3-Image nimmt bis zu acht oder neun Referenzbilder in einer Komposition, je nachdem, welches Dokument man liest. Eine Figur konsistent zu halten über ein Produktfoto, ein Poster und ein UI-Mock hinweg ist die Aufgabe, bei der Bildmodelle üblicherweise auseinanderfallen, und genau die, die von einer auf Video gebauten Repräsentation profitiert.

Prunas eigene Formulierung ist, dass ein Videomodell die physische Welt als Nebenprodukt davon lernt, aufeinanderfolgende Frames kohärent zu halten. Für ein Standbild ist dieses Wissen meist verschwendet. Für eine Gruppe von Standbildern, die zueinander passen müssen, ist es der Punkt.

Die quantisierten Builds sind drei verschiedene Produkte

ComfyUI-Nutzer bekommen drei vollständige Gewichtssätze: bf16, 8-bit und 4-bit. Das sind nicht dasselbe Modell in verschiedenen Dateigrößen.

Bei bf16 bekommen Sie die beabsichtigte Ausgabe und brauchen 56 GB VRAM bei 8 MP, also eine Karte der A100- oder H100-Klasse. Bei 4-bit passen Sie auf einer 4090 in 21 GB und akzeptieren, was die Quantisierung an Feindetail kostet. Die mittlere Stufe gibt es für Leute mit 40 GB, die lieber die Qualität als die Auflösung halten wollen.

Der praktische Rat daraus: erst die Zielauflösung wählen, dann die Quantisierung, die passt, dann entscheiden, ob das Ergebnis gut genug ist. Die umgekehrte Reihenfolge, den 4-bit-Build herunterzuladen, weil er am kleinsten ist, und sich dann zu beschweren, dass Hände falsch aussehen, ist der Weg, auf dem Leute ein Modell für schlecht erklären, während sie einen Kompromiss-Build in einer Auflösung fuhren, für die er nicht abgestimmt war.

Worin es nicht gut ist

Pruna nennt die Grenzen selbst. Feine Details, Hände und kleiner oder dichter Text können unzuverlässig sein. Das Unternehmen positioniert das Modell am stärksten in fotorealistischer und dokumentarischer Fotografie, Film Stills, Anime und Grafiken mit kurzem Text. Wenn Ihre Aufgabe ein Poster mit einem Absatz Fließtext ist, ist das nicht das Werkzeug.

Die Benchmark-Lage ist ebenfalls dünn. Es gibt noch keine unabhängige Bewertung. Jede Geschwindigkeits- und Qualitätszahl in der Veröffentlichung ist eine Herstellermessung, und die Vergleichsmenge ist MiniMax-H3 und Prunas frühere Wan-Image-Arbeit, nicht FLUX 3 oder Nano Banana.

Wie man es ausprobiert

Die Diffusers-Pipeline liegt unter PrunaAI/P-H3-Image auf Hugging Face. Es gibt ein separates ComfyUI-Repository mit drei vollständigen Gewichtssätzen, bf16, 8-bit und 4-bit, und nativer ComfyUI-Unterstützung ohne eigene Nodes. Nehmen Sie einen Satz, laden Sie alle vier Dateien darin herunter und legen Sie jede in den Ordner, den das Repo nennt.

Wenn Sie eine 24-GB-Karte haben, fangen Sie mit dem 4-bit-Satz bei 4 MP und abgeschaltetem Upsampler an. Vergleichen Sie es mit dem, was Sie ohnehin nutzen, an zehn eigenen Prompts, nicht an der Launch-Galerie. Die interessante Frage ist, ob die Bearbeitung mit mehreren Referenzen auf Ihren tatsächlichen Assets hält, denn rohe Geschwindigkeit ist seit etwa einem Jahr kein Unterscheidungsmerkmal mehr.

Verwandte Artikel