← Volver al blog
Aiaprox. 8 min de lectura

Pruna convirtió un modelo de video en modelo de imagen. Lo interesante es lo que descartó.

Publicado 7 nov 2026
Pruna convirtió un modelo de video en modelo de imagen. Lo interesante es lo que descartó.

Pruna AI publicó P-H3-Image el 3 de noviembre. Genera y edita imágenes, los pesos son abiertos, y está construido a partir de MiniMax-H3, un modelo de video.

Esa última frase es todo el argumento de diseño. Un modelo de video tiene que aprender cómo se ve un objeto desde muchos ángulos, cómo cae la luz sobre un material mientras la cámara se mueve, cómo una escena se mantiene coherente de cuadro a cuadro. Una sola fotografía es un caso degenerado de ese problema. Así que, en teoría, la parte más difícil de la generación de imágenes ya está pagada, y solo hay que enseñarle al modelo a renderizar bien un cuadro.

En la práctica, pedirle a un modelo de video que saque un solo cuadro produce imágenes blandas y borrosas. El H3 de MiniMax puede hacerlo, mal. El aporte de Pruna es desarmar el modelo y reconstruir cada pieza para el trabajo de imagen fija.

Cuatro cortes

El codificador de texto pasó de 32 mil millones de parámetros a 4 mil millones, con un Qwen3-VL-4B destilado. Ese solo cambio baja los pesos de 67 GB a 9 GB, y es la parte menos visible del lanzamiento.

Cuatro prismas de vidrio cada vez más pequeños, anidados uno dentro de otro, sobre una superficie negra.

El backbone transformer se redujo de 33 mil millones a 20 mil millones de parámetros. El movimiento quirúrgico principal fue reemplazar el bloque de timestep, que el blog describe como aproximadamente el 40 por ciento del transformer, por algo mucho más pequeño. El condicionamiento por timestep es caro porque tiene que modular toda la red en cada paso de denoising. Para video necesitas control fino a lo largo del tiempo. Para una imagen fija necesitas un número.

El decodificador se reentrenó para producir una sola imagen nítida en un rango de 2 a 16 megapíxeles en lugar de una secuencia de cuadros de video.

Y el calendario de muestreo se destiló con DMD, llevando la generación de 50 pasos a 8.

También hay adelante un pequeño ampliador de prompts, construido sobre Qwen3.5-9B, que reescribe prompts cortos en algo a lo que H3 responde bien. Está activado por defecto en el pipeline de Diffusers, y es la razón por la que los números de memoria en bf16 se ven peores de lo que el modelo realmente es.

Los números, con la etiqueta del proveedor puesta

Las mediciones de Pruna: una imagen de 4 MP tarda 2.6 segundos en una B200, contra 12.4 segundos de MiniMax-H3. Una imagen de 8 MP tarda 5.8 segundos en lugar de 30.6. En una L40S con pesos de 4 bits, 4 MP tarda unos 6.3 segundos.

Las descargas son 55 GB en bf16 o 20 GB en 4 bits, contra 143 GB de H3. El pico de VRAM a 8 MP es de unos 56 GB en bf16 o 21 GB en 4 bits.

Esa cifra de 21 GB es la que importa para cualquiera que lea esto en un escritorio. Apunta a tarjetas de 24 GB, la 3090, la 4090 y la 5090, corriendo la versión de 4 bits a resolución completa. En una tarjeta de 16 GB vas a bajar la resolución o a hacer offloading.

Una advertencia fácil de pasar por alto: el pipeline de Diffusers con el ampliador de prompts en bf16 a 8 MP pide unos 100 GB de memoria de GPU. No es un error de tipeo y no es culpa del modelo. Si usas Diffusers en lugar de ComfyUI, o usas los pesos cuantizados o apagas el ampliador.

La licencia excluye a los países más propensos a usarlo

P-H3-Image hereda la MiniMax H3 Community License. En la práctica eso significa que los pesos están abiertos para descargar y cerrados para desplegar en Estados Unidos, la Unión Europea, el Reino Unido y Corea del Sur sin un acuerdo aparte con MiniMax. Los productos construidos sobre él deben mostrar "Powered by MiniMax H3".

La forma ya es conocida. Durante el último año, los laboratorios chinos se asentaron en un patrón: publicar pesos bajo un nombre que suena permisivo, adjuntar una licencia comunitaria con excepciones territoriales, y vender las excepciones a quien las necesite. H3 ha generado derivados de Nvidia, Pika, Creatify y ahora Pruna, y cada uno navega los mismos términos.

Para un desarrollador individual en Ohio, eso significa que el modelo es técnicamente descargable y legalmente incómodo. Para una empresa, significa una revisión de cumplimiento. Para un laboratorio en Singapur o Brasil, significa un modelo de imagen de alta calidad genuinamente gratis, lo que es una redistribución real de capacidad de la que se habla poco en la prensa estadounidense.

Hay una segunda capa que vale la pena notar. La licencia viaja con los pesos, así que una empresa que afina P-H3-Image para su propio producto sigue atada a las exclusiones. El trabajo derivado no lava los términos.

Por qué destilar un modelo de video

Ya existen excelentes modelos de imagen abiertos. FLUX 3 Image Klein tiene 5.6 mil millones de parámetros y cuesta ocho décimas de centavo por imagen en APIs alojadas. ¿Por qué tomar una pila de video de 143 GB y gastar tiempo de ingeniería en encogerla a 20 GB?

La respuesta está en lo que enseñan los datos de video. Un modelo entrenado con clips ve el mismo objeto bajo luz y ángulo cambiantes y aprende una representación interna más completa que un modelo entrenado con fotos aisladas. Eso se nota en un lugar concreto: la edición con múltiples referencias.

P-H3-Image acepta hasta ocho o nueve imágenes de referencia en una composición, según qué documento leas. Mantener un personaje consistente entre una foto de producto, un póster y un mock de UI es la tarea donde los modelos de imagen suelen desarmarse, y es exactamente la tarea que se beneficia de una representación construida sobre video.

El planteamiento de Pruna es que un modelo de video aprende el mundo físico como subproducto de mantener coherentes los cuadros consecutivos. Para una imagen fija, ese conocimiento se desperdicia en su mayoría. Para un conjunto de imágenes fijas que tienen que coincidir entre sí, es el punto.

Las versiones cuantizadas son tres productos distintos

Los usuarios de ComfyUI reciben tres conjuntos completos de pesos: bf16, 8 bits y 4 bits. No son el mismo modelo con distintos tamaños de archivo.

En bf16 obtienes la salida prevista y necesitas 56 GB de VRAM a 8 MP, lo que significa una tarjeta clase A100 o H100. En 4 bits entras en 21 GB en una 4090, y aceptas lo que la cuantización cueste en detalle fino. El nivel intermedio existe para quien tiene 40 GB y quiere conservar la calidad en lugar de la resolución.

El consejo práctico que se desprende es elegir primero la resolución objetivo, después la cuantización que quepa, y luego decidir si el resultado es suficientemente bueno. El orden inverso, bajar la versión de 4 bits porque es la más pequeña y luego quejarse de que las manos salen mal, es cómo la gente concluye que un modelo es malo cuando estaba corriendo una versión de compromiso a una resolución para la que no estaba ajustado.

En qué no es bueno

Pruna declara los límites ella misma. Los detalles finos, las manos y el texto pequeño o denso pueden ser poco fiables. La empresa posiciona el modelo como más fuerte en fotografía fotorrealista y documental, fotogramas de cine, anime y gráficos con texto corto. Si tu trabajo es un póster con un párrafo de texto corrido, esta no es la herramienta.

El panorama de benchmarks también es delgado. Todavía no hay evaluación independiente. Cada cifra de velocidad y calidad del lanzamiento es una medición del proveedor, y el conjunto de comparación es MiniMax-H3 y el trabajo previo Wan Image de Pruna, no FLUX 3 ni Nano Banana.

Cómo probarlo

El pipeline de Diffusers está en PrunaAI/P-H3-Image en Hugging Face. Hay un repositorio de ComfyUI aparte con tres conjuntos completos de pesos, bf16, 8 bits y 4 bits, y soporte nativo de ComfyUI sin nodos personalizados. Elige un conjunto, descarga los cuatro archivos que tiene y pon cada uno en la carpeta que indica el repo.

Si tienes una tarjeta de 24 GB, empieza con el conjunto de 4 bits a 4 MP y el ampliador apagado. Compáralo con lo que ya uses en diez prompts tuyos, no en la galería de lanzamiento. La pregunta interesante es si la edición con múltiples referencias aguanta en tus assets reales, ya que la velocidad bruta dejó de ser un diferenciador hace alrededor de un año.

Artículos relacionados