Pruna a transformé un modèle vidéo en modèle image. Ce qu'il a jeté est le plus intéressant.

Pruna AI a publié P-H3-Image le 3 novembre. Il génère et édite des images, les poids sont ouverts, et il est construit à partir de MiniMax-H3, un modèle vidéo.
Cette dernière phrase, c'est tout l'argument de conception. Un modèle vidéo doit apprendre à quoi ressemble un objet sous plusieurs angles, comment la lumière tombe sur une matière quand la caméra bouge, comment une scène reste cohérente d'une image à l'autre. Une photographie unique est un cas dégénéré de ce problème. En théorie, la partie la plus difficile de la génération d'images est donc déjà payée, et il ne reste qu'à apprendre au modèle à bien rendre une seule image.
En pratique, demander à un modèle vidéo de sortir une seule image donne des résultats mous et flous. Le H3 de MiniMax sait le faire, mal. L'apport de Pruna, c'est de démonter le modèle et de reconstruire chaque pièce pour le travail de l'image fixe.
Quatre coupes
L'encodeur de texte est passé de 32 milliards de paramètres à 4 milliards, avec un Qwen3-VL-4B distillé. Ce seul changement fait tomber les poids de 67 Go à 9 Go, et c'est la partie la moins visible de la sortie.

Le squelette transformer est passé de 33 à 20 milliards de paramètres. Le geste chirurgical principal a été de remplacer le bloc de timestep, que le blog décrit comme environ 40 pour cent du transformer, par quelque chose de bien plus petit. Le conditionnement par timestep coûte cher parce qu'il doit moduler tout le réseau à chaque étape de débruitage. Pour la vidéo, il faut un contrôle fin dans le temps. Pour une image fixe, il faut un seul nombre.
Le décodeur a été réentraîné pour produire une image nette unique sur une plage de 2 à 16 mégapixels, au lieu d'une séquence d'images vidéo.
Et le calendrier d'échantillonnage a été distillé avec DMD, faisant passer la génération de 50 étapes à 8.
Un petit suréchantillonneur de prompt se trouve aussi devant, construit sur Qwen3.5-9B, qui réécrit les prompts courts en quelque chose auquel H3 répond bien. Il est actif par défaut dans le pipeline Diffusers, et c'est la raison pour laquelle les chiffres de mémoire en bf16 paraissent pires que le modèle ne l'est.
Les chiffres, avec l'étiquette du fournisseur
Les mesures de Pruna : une image 4 MP prend 2,6 secondes sur un B200, contre 12,4 secondes pour MiniMax-H3. Une image 8 MP prend 5,8 secondes au lieu de 30,6. Sur un L40S avec des poids 4-bit, 4 MP prend environ 6,3 secondes.
Les téléchargements font 55 Go en bf16 ou 20 Go en 4-bit, contre 143 Go pour H3. Le pic de VRAM à 8 MP est d'environ 56 Go en bf16 ou 21 Go en 4-bit.
Ce chiffre de 21 Go est celui qui compte pour quiconque lit ceci à un bureau. Il désigne les cartes de 24 Go, la 3090, la 4090 et la 5090, faisant tourner la version 4-bit en pleine résolution. Sur une carte de 16 Go, vous réduirez la résolution ou ferez de l'offloading.
Un avertissement facile à manquer : le pipeline Diffusers avec le suréchantillonneur de prompt en bf16 à 8 MP demande environ 100 Go de mémoire GPU. Ce n'est pas une coquille et ce n'est pas la faute du modèle. Si vous utilisez Diffusers plutôt que ComfyUI, utilisez les poids quantifiés ou désactivez le suréchantillonneur.
La licence exclut les pays les plus susceptibles de l'utiliser
P-H3-Image hérite de la MiniMax H3 Community License. En pratique, cela signifie que les poids sont ouverts au téléchargement et fermés au déploiement aux États-Unis, dans l'Union européenne, au Royaume-Uni et en Corée du Sud sans accord séparé avec MiniMax. Les produits construits dessus doivent afficher « Powered by MiniMax H3 ».
La forme est désormais familière. Depuis un an, les labos chinois se sont installés dans un schéma : publier des poids sous un nom qui sonne permissif, y accrocher une licence communautaire avec des exceptions territoriales, et vendre ces exceptions à qui en a besoin. H3 a engendré des dérivés chez Nvidia, Pika, Creatify et maintenant Pruna, et chacun négocie les mêmes conditions.
Pour un développeur indépendant dans l'Ohio, cela veut dire que le modèle est techniquement téléchargeable et juridiquement gênant. Pour une entreprise, cela veut dire une revue de conformité. Pour un labo à Singapour ou au Brésil, cela veut dire un modèle d'image de haute qualité vraiment gratuit, ce qui est une vraie redistribution de capacité dont la presse américaine parle peu.
Il y a une deuxième couche à noter. La licence voyage avec les poids, donc une entreprise qui affine P-H3-Image pour son propre produit reste liée par les exclusions. Le travail dérivé ne blanchit pas les conditions.
Pourquoi distiller un modèle vidéo
Il existe déjà d'excellents modèles d'image ouverts. FLUX 3 Image Klein fait 5,6 milliards de paramètres et coûte huit dixièmes de centime par image sur les API hébergées. Pourquoi prendre une pile vidéo de 143 Go et passer du temps d'ingénierie à la réduire à 20 Go ?
La réponse est dans ce que les données vidéo enseignent. Un modèle entraîné sur des clips voit le même objet sous une lumière et un angle changeants et apprend une représentation interne plus complète qu'un modèle entraîné sur des photos isolées. Cela se voit à un endroit précis : l'édition multi-référence.
P-H3-Image accepte jusqu'à huit ou neuf images de référence dans une composition, selon le document que vous lisez. Garder un personnage cohérent entre une photo produit, une affiche et une maquette d'interface est la tâche où les modèles d'image s'effondrent d'habitude, et c'est exactement celle qui profite d'une représentation bâtie sur la vidéo.
La formulation de Pruna est qu'un modèle vidéo apprend le monde physique comme effet secondaire du maintien de la cohérence entre images consécutives. Pour une image fixe, ce savoir est surtout gaspillé. Pour un ensemble d'images fixes qui doivent s'accorder entre elles, c'est tout l'intérêt.
Les versions quantifiées sont trois produits différents
Les utilisateurs de ComfyUI reçoivent trois jeux de poids complets : bf16, 8-bit et 4-bit. Ce ne sont pas le même modèle à des tailles de fichier différentes.
En bf16, vous obtenez la sortie prévue et il faut 56 Go de VRAM à 8 MP, donc une carte de classe A100 ou H100. En 4-bit, vous tenez dans 21 Go sur une 4090, et vous acceptez ce que la quantification coûte en détail fin. Le palier intermédiaire existe pour ceux qui ont 40 Go et veulent garder la qualité plutôt que la résolution.
Le conseil pratique qui suit est de choisir d'abord la résolution cible, puis la quantification qui tient, puis de décider si le résultat est assez bon. L'ordre inverse, télécharger la version 4-bit parce qu'elle est la plus petite et se plaindre ensuite que les mains sont ratées, c'est comme ça qu'on conclut qu'un modèle est mauvais alors qu'on faisait tourner une version de compromis à une résolution pour laquelle il n'était pas réglé.
Ce pour quoi il n'est pas bon
Pruna énonce elle-même les limites. Les détails fins, les mains, et le texte petit ou dense peuvent être peu fiables. L'entreprise positionne le modèle comme le plus fort en photographie photoréaliste et documentaire, en images de film, en anime, et en graphismes avec texte court. Si votre travail est une affiche avec un paragraphe de texte courant, ce n'est pas l'outil.
Le paysage des benchmarks est mince aussi. Il n'y a pas encore d'évaluation indépendante. Chaque chiffre de vitesse et de qualité dans la sortie est une mesure du fournisseur, et l'ensemble de comparaison est MiniMax-H3 et le travail Wan Image antérieur de Pruna, pas FLUX 3 ni Nano Banana.
Comment l'essayer
Le pipeline Diffusers est à PrunaAI/P-H3-Image sur Hugging Face. Il y a un dépôt ComfyUI séparé avec trois jeux de poids complets, bf16, 8-bit et 4-bit, et un support ComfyUI natif sans nœuds personnalisés. Choisissez un jeu, téléchargez ses quatre fichiers, et placez chacun dans le dossier indiqué par le dépôt.
Si vous avez une carte de 24 Go, commencez par le jeu 4-bit à 4 MP avec le suréchantillonneur désactivé. Comparez-le à ce que vous utilisez déjà sur dix de vos propres prompts, pas sur la galerie de lancement. La question intéressante est de savoir si l'édition multi-référence tient sur vos propres assets, puisque la vitesse brute a cessé d'être un différenciateur il y a environ un an.
Articles associés
Une feuille de calcul communautaire de clics pour couper les publicités des Android chinois
Il ne touche pas au système, ne déverrouille rien, ne flashe rien. Il bascule un à un les interrupteurs que les fabricants ont déjà prévus. Le prix à payer, c'est la liste qu'il faut continuer d'écrire.
GPT Image 2.6 a tenu le prix des tokens et fait monter la facture
GPT Image 2.6 reprend chaque tarif au token de 2.5 et coûte malgré tout plus cher par image, parce qu'une part plus grande du travail se paie en tokens de sortie. Onze jours après le lancement, la grille tarifaire dit plus que le classement.
Quelqu'un a reconstruit IDM de l'extérieur et a écrit ce qu'il n'a pas touché
Une réimplémentation en Rust d'Internet Download Manager revendique 5 fois la vitesse et 86 langues. Le document le plus intéressant est le paragraphe qui explique comment elle a été construite sans rien copier.
Rune est un framework UI Rust conçu pour qu'un agent puisse vérifier son propre travail
Rune rend en headless, vide son arbre d'éléments et accepte des entrées scriptées, ce qui donne à un agent de codage un signal différable qu'aucune capture d'écran ne fournit. Le framework est en préversion et n'accepte pas de pull requests.