Pruna transformou um modelo de vídeo em modelo de imagem. O interessante é o que jogou fora.

A Pruna AI lançou o P-H3-Image em 3 de novembro. Ele gera e edita imagens, os pesos são abertos, e é construído a partir do MiniMax-H3, um modelo de vídeo.
Essa última frase é todo o argumento de projeto. Um modelo de vídeo precisa aprender como um objeto aparece de muitos ângulos, como a luz cai sobre um material conforme a câmera se move, como uma cena se mantém coerente de quadro a quadro. Uma fotografia única é um caso degenerado desse problema. Então, em teoria, a parte mais difícil da geração de imagens já está paga, e só falta ensinar o modelo a renderizar bem um quadro.
Na prática, pedir a um modelo de vídeo que produza um quadro só dá imagens moles e borradas. O H3 da própria MiniMax consegue, mal. A contribuição da Pruna é desmontar o modelo e reconstruir cada peça para o trabalho de imagem estática.
Quatro cortes
O codificador de texto passou de 32 bilhões de parâmetros para 4 bilhões, usando um Qwen3-VL-4B destilado. Essa única mudança derruba os pesos de 67 GB para 9 GB, e é a parte menos visível do lançamento.

O backbone transformer encolheu de 33 bilhões para 20 bilhões de parâmetros. O movimento cirúrgico principal foi substituir o bloco de timestep, que o blog descreve como cerca de 40 por cento do transformer, por algo bem menor. O condicionamento por timestep é caro porque precisa modular a rede inteira a cada passo de denoising. Para vídeo você precisa de controle fino ao longo do tempo. Para uma imagem estática você precisa de um número.
O decodificador foi retreinado para produzir uma única imagem nítida numa faixa de 2 a 16 megapixels em vez de uma sequência de quadros de vídeo.
E o cronograma de amostragem foi destilado com DMD, levando a geração de 50 passos para 8.
Também há um pequeno ampliador de prompt na frente, construído sobre o Qwen3.5-9B, reescrevendo prompts curtos em algo a que o H3 responde bem. Ele vem ligado por padrão no pipeline do Diffusers, e é o motivo de os números de memória em bf16 parecerem piores do que o modelo realmente é.
Os números, com o selo do fornecedor
As medições da Pruna: uma imagem de 4 MP leva 2,6 segundos numa B200, contra 12,4 segundos do MiniMax-H3. Uma imagem de 8 MP leva 5,8 segundos em vez de 30,6. Numa L40S com pesos de 4 bits, 4 MP leva cerca de 6,3 segundos.
Os downloads são 55 GB em bf16 ou 20 GB em 4 bits, contra 143 GB do H3. O pico de VRAM a 8 MP é de cerca de 56 GB em bf16 ou 21 GB em 4 bits.
Esse número de 21 GB é o que importa para quem lê isto numa mesa. Ele aponta para placas de 24 GB, a 3090, a 4090 e a 5090, rodando a versão de 4 bits em resolução cheia. Numa placa de 16 GB você vai reduzir a resolução ou fazer offloading.
Um aviso fácil de perder: o pipeline do Diffusers com o ampliador de prompt em bf16 a 8 MP quer cerca de 100 GB de memória de GPU. Não é erro de digitação e não é culpa do modelo. Se você usa Diffusers em vez do ComfyUI, ou usa os pesos quantizados ou desliga o ampliador.
A licença exclui os países mais propensos a usá-lo
O P-H3-Image herda a MiniMax H3 Community License. Na prática isso significa que os pesos estão abertos para download e fechados para implantação nos Estados Unidos, na União Europeia, no Reino Unido e na Coreia do Sul sem um acordo separado com a MiniMax. Produtos construídos sobre ele devem exibir "Powered by MiniMax H3".
A forma já é familiar. No último ano, os laboratórios chineses se acomodaram num padrão: publicar pesos com um nome que soa permissivo, anexar uma licença comunitária com exceções territoriais, e vender as exceções a quem precisa delas. O H3 gerou derivados da Nvidia, da Pika, da Creatify e agora da Pruna, e cada um navega os mesmos termos.
Para um desenvolvedor individual em Ohio, isso significa que o modelo é tecnicamente baixável e juridicamente incômodo. Para uma empresa, significa uma revisão de compliance. Para um laboratório em Singapura ou no Brasil, significa um modelo de imagem de alta qualidade genuinamente gratuito, o que é uma redistribuição real de capacidade sobre a qual a imprensa americana fala pouco.
Há uma segunda camada que vale notar. A licença viaja com os pesos, então uma empresa que faz fine-tuning do P-H3-Image para o próprio produto continua presa às exclusões. Trabalho derivado não lava os termos.
Por que destilar um modelo de vídeo
Já existem modelos de imagem abertos excelentes. O FLUX 3 Image Klein tem 5,6 bilhões de parâmetros e custa oito décimos de centavo por imagem em APIs hospedadas. Por que pegar uma pilha de vídeo de 143 GB e gastar tempo de engenharia encolhendo-a para 20 GB?
A resposta está no que os dados de vídeo ensinam. Um modelo treinado em clipes vê o mesmo objeto sob luz e ângulo variáveis e aprende uma representação interna mais completa do que um modelo treinado em fotos isoladas. Isso aparece num lugar específico: a edição com múltiplas referências.
O P-H3-Image aceita até oito ou nove imagens de referência numa composição, dependendo de qual documento você lê. Manter um personagem consistente entre uma foto de produto, um pôster e um mock de UI é a tarefa em que modelos de imagem costumam desmoronar, e é exatamente a tarefa que se beneficia de uma representação construída sobre vídeo.
A formulação da própria Pruna é que um modelo de vídeo aprende o mundo físico como subproduto de manter quadros consecutivos coerentes. Para uma imagem estática, esse conhecimento é em boa parte desperdiçado. Para um conjunto de imagens estáticas que precisam concordar entre si, é o ponto.
As versões quantizadas são três produtos diferentes
Usuários do ComfyUI recebem três conjuntos completos de pesos: bf16, 8 bits e 4 bits. Não é o mesmo modelo em tamanhos de arquivo diferentes.
Em bf16 você tem a saída pretendida e precisa de 56 GB de VRAM a 8 MP, o que significa uma placa classe A100 ou H100. Em 4 bits você cabe em 21 GB numa 4090, e aceita o que a quantização custar em detalhe fino. O nível intermediário existe para quem tem 40 GB e quer manter a qualidade em vez da resolução.
O conselho prático que vem disso é escolher primeiro a resolução alvo, depois a quantização que cabe, e então decidir se o resultado é bom o suficiente. A ordem inversa, baixar a versão de 4 bits porque é a menor e depois reclamar que as mãos saem erradas, é como as pessoas concluem que um modelo é ruim quando estavam rodando uma versão de compromisso numa resolução para a qual ele não foi ajustado.
No que ele não é bom
A Pruna declara os limites ela mesma. Detalhes finos, mãos e texto pequeno ou denso podem ser pouco confiáveis. A empresa posiciona o modelo como mais forte em fotografia fotorrealista e documental, stills de cinema, anime e gráficos com texto curto. Se o seu trabalho é um pôster com um parágrafo de texto corrido, esta não é a ferramenta.
A situação dos benchmarks também é fina. Ainda não há avaliação independente. Todo número de velocidade e qualidade no lançamento é medição do fornecedor, e o conjunto de comparação é o MiniMax-H3 e o trabalho anterior Wan Image da Pruna, não o FLUX 3 nem o Nano Banana.
Como testar
O pipeline do Diffusers está em PrunaAI/P-H3-Image no Hugging Face. Há um repositório separado do ComfyUI com três conjuntos completos de pesos, bf16, 8 bits e 4 bits, e suporte nativo ao ComfyUI sem nós personalizados. Escolha um conjunto, baixe os quatro arquivos dele e ponha cada um na pasta que o repositório indica.
Se você tem uma placa de 24 GB, comece com o conjunto de 4 bits a 4 MP e o ampliador desligado. Compare com o que você já usa em dez prompts seus, não na galeria de lançamento. A pergunta interessante é se a edição com múltiplas referências se sustenta nos seus ativos reais, já que velocidade bruta deixou de ser diferencial há cerca de um ano.
Artigos relacionados
Uma planilha comunitária de toques que desliga os anúncios dos Android chineses
Não mexe no sistema, não desbloqueia nada, não faz flash de nada. Só vira os botões que os fabricantes já deixaram à mostra. O preço é uma lista que alguém precisa continuar escrevendo.
GPT Image 2.6 manteve o preço por token e elevou a fatura
O GPT Image 2.6 mantém cada tarifa por token do 2.5 e mesmo assim custa mais por imagem, porque boa parte do trabalho acontece agora nos tokens de saída. Onze dias após o lançamento, a estrutura de preços diz mais que o ranking.
Alguém reconstruiu o IDM por fora e anotou o que não tocou
Uma reimplementação em Rust do Internet Download Manager promete 5 vezes a velocidade e 86 idiomas. O documento mais interessante é o parágrafo que explica como ela foi feita sem copiar nada.
Rune é um framework de UI em Rust feito para que um agente possa verificar o próprio trabalho
Rune renderiza sem interface, despeja sua árvore de elementos e aceita entrada roteirizada, o que dá a um agente de código um sinal diffável que um screenshot nunca oferece. O framework está em pré-lançamento e não aceita pull requests.