← Torna al blog
Aicirca 7 min di lettura

Pruna ha trasformato un modello video in un modello immagine. Il punto è cosa ha scartato.

Pubblicato 7 nov 2026
Pruna ha trasformato un modello video in un modello immagine. Il punto è cosa ha scartato.

Pruna AI ha rilasciato P-H3-Image il 3 novembre. Genera e modifica immagini, i pesi sono aperti, ed è costruito a partire da MiniMax-H3, un modello video.

Quella frase finale è tutto l'argomento di progetto. Un modello video deve imparare come appare un oggetto da molti angoli, come la luce cade su un materiale mentre la camera si muove, come una scena resta coerente da un fotogramma all'altro. Una singola fotografia è un caso degenere di quel problema. Quindi in teoria la parte più difficile della generazione di immagini è già pagata, e resta solo da insegnare al modello a renderizzare bene un fotogramma.

In pratica, chiedere a un modello video di produrre un fotogramma dà immagini morbide e sfocate. L'H3 di MiniMax ci riesce, male. Il contributo di Pruna è smontare il modello e ricostruire ogni pezzo per il lavoro sull'immagine ferma.

Quattro tagli

L'encoder di testo è passato da 32 miliardi di parametri a 4 miliardi, con un Qwen3-VL-4B distillato. Quella singola modifica porta i pesi da 67 GB a 9 GB, ed è la parte meno visibile del rilascio.

Quattro prismi di vetro via via più piccoli, incastrati uno dentro l'altro, su una superficie nera.

Il backbone transformer si è ridotto da 33 miliardi a 20 miliardi di parametri. La mossa chirurgica principale è stata sostituire il blocco del timestep, che il blog descrive come circa il 40 per cento del transformer, con qualcosa di molto più piccolo. Il condizionamento sul timestep costa perché deve modulare l'intera rete a ogni passo di denoising. Per il video serve un controllo fine nel tempo. Per un'immagine ferma serve un numero.

Il decoder è stato riaddestrato per produrre una singola immagine nitida in un intervallo da 2 a 16 megapixel invece di una sequenza di fotogrammi video.

E lo schedule di campionamento è stato distillato con DMD, portando la generazione da 50 step a 8.

Davanti c'è anche un piccolo upsampler di prompt, costruito su Qwen3.5-9B, che riscrive i prompt brevi in qualcosa a cui H3 risponde bene. È attivo per impostazione predefinita nella pipeline Diffusers, ed è il motivo per cui i numeri di memoria in bf16 sembrano peggiori di quanto il modello sia davvero.

I numeri, con l'etichetta del fornitore attaccata

Le misure di Pruna: un'immagine da 4 MP richiede 2,6 secondi su una B200, contro 12,4 secondi per MiniMax-H3. Un'immagine da 8 MP richiede 5,8 secondi invece di 30,6. Su una L40S con pesi a 4 bit, 4 MP richiede circa 6,3 secondi.

I download sono 55 GB in bf16 o 20 GB a 4 bit, contro 143 GB per H3. Il picco di VRAM a 8 MP è di circa 56 GB in bf16 o 21 GB a 4 bit.

Quel numero di 21 GB è quello che conta per chi legge questo articolo alla scrivania. Punta alle schede da 24 GB, la 3090, la 4090 e la 5090, che fanno girare la build a 4 bit a piena risoluzione. Su una scheda da 16 GB ridurrai la risoluzione o farai offloading.

Un avvertimento facile da perdere: la pipeline Diffusers con l'upsampler di prompt in bf16 a 8 MP chiede circa 100 GB di memoria GPU. Non è un refuso e non è colpa del modello. Se usi Diffusers invece di ComfyUI, o usi i pesi quantizzati o spegni l'upsampler.

La licenza esclude i paesi che più probabilmente lo useranno

P-H3-Image eredita la MiniMax H3 Community License. In pratica significa che i pesi sono aperti al download e chiusi al deployment negli Stati Uniti, nell'Unione europea, nel Regno Unito e in Corea del Sud senza un accordo separato con MiniMax. I prodotti costruiti su di esso devono mostrare "Powered by MiniMax H3".

La forma ormai è familiare. Nell'ultimo anno i laboratori cinesi si sono assestati su uno schema: pubblicare pesi con un nome che suona permissivo, attaccarci una licenza community con eccezioni territoriali, e vendere le eccezioni a chi ne ha bisogno. H3 ha generato derivati di Nvidia, Pika, Creatify e ora Pruna, e ognuno naviga gli stessi termini.

Per uno sviluppatore individuale in Ohio, questo significa che il modello è tecnicamente scaricabile e legalmente scomodo. Per un'azienda, significa una revisione di compliance. Per un laboratorio a Singapore o in Brasile, significa un modello di immagine di alta qualità davvero gratuito, che è una vera ridistribuzione di capacità di cui la stampa americana parla poco.

C'è un secondo livello da notare. La licenza viaggia con i pesi, quindi un'azienda che fa fine-tuning di P-H3-Image per il proprio prodotto resta vincolata alle esclusioni. Il lavoro derivato non ricicla i termini.

Perché distillare un modello video

Esistono già ottimi modelli immagine aperti. FLUX 3 Image Klein ha 5,6 miliardi di parametri e costa otto decimi di centesimo per immagine sulle API ospitate. Perché prendere uno stack video da 143 GB e spendere tempo di ingegneria per ridurlo a 20 GB?

La risposta sta in ciò che insegnano i dati video. Un modello addestrato su clip vede lo stesso oggetto sotto luce e angoli che cambiano e impara una rappresentazione interna più completa di un modello addestrato su foto isolate. Questo si vede in un punto preciso: l'editing multi-reference.

P-H3-Image accetta fino a otto o nove immagini di riferimento in una composizione, a seconda di quale documento leggi. Mantenere un personaggio coerente tra una foto prodotto, un poster e un mock di UI è il compito in cui i modelli immagine di solito crollano, ed è esattamente il compito che beneficia di una rappresentazione costruita sul video.

La formulazione di Pruna è che un modello video impara il mondo fisico come sottoprodotto del mantenere coerenti i fotogrammi consecutivi. Per un'immagine ferma quella conoscenza è per lo più sprecata. Per un insieme di immagini ferme che devono concordare tra loro, è il punto.

Le build quantizzate sono tre prodotti diversi

Gli utenti ComfyUI ricevono tre set completi di pesi: bf16, 8 bit e 4 bit. Non sono lo stesso modello a dimensioni di file diverse.

In bf16 ottieni l'output previsto e servono 56 GB di VRAM a 8 MP, cioè una scheda di classe A100 o H100. A 4 bit stai in 21 GB su una 4090, e accetti quello che la quantizzazione costa in dettaglio fine. Il livello intermedio esiste per chi ha 40 GB e vuole tenere la qualità invece della risoluzione.

Il consiglio pratico che ne segue è scegliere prima la risoluzione obiettivo, poi la quantizzazione che ci sta, poi decidere se il risultato è abbastanza buono. L'ordine inverso, scaricare la build a 4 bit perché è la più piccola e poi lamentarsi che le mani vengono sbagliate, è come la gente conclude che un modello è scarso quando stava facendo girare una build di compromesso a una risoluzione per cui non era tarato.

In cosa non è bravo

Pruna dichiara i limiti da sé. Dettagli fini, mani e testo piccolo o fitto possono essere inaffidabili. L'azienda posiziona il modello come più forte nella fotografia fotorealistica e documentaria, nei film still, negli anime e nella grafica con testo breve. Se il tuo lavoro è un poster con un paragrafo di testo corrente, questo non è lo strumento.

Anche la situazione dei benchmark è sottile. Non c'è ancora una valutazione indipendente. Ogni numero di velocità e qualità nel rilascio è una misura del fornitore, e l'insieme di confronto è MiniMax-H3 e il precedente lavoro Wan Image di Pruna, non FLUX 3 o Nano Banana.

Come provarlo

La pipeline Diffusers è su PrunaAI/P-H3-Image su Hugging Face. C'è un repository ComfyUI separato con tre set completi di pesi, bf16, 8 bit e 4 bit, e supporto ComfyUI nativo senza nodi personalizzati. Scegli un set, scarica tutti e quattro i file che contiene e metti ciascuno nella cartella che il repo indica.

Se hai una scheda da 24 GB, parti dal set a 4 bit a 4 MP con l'upsampler spento. Confrontalo con quello che già usi su dieci prompt tuoi, non sulla galleria di lancio. La domanda interessante è se l'editing multi-reference tiene sui tuoi asset reali, dato che la velocità grezza ha smesso di essere un differenziatore circa un anno fa.

Articoli correlati