← Voltar ao blog
Aicerca de 8 min de leitura

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

Publicado 7 de nov. de 2026
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.

Quatro prismas de vidro cada vez menores, encaixados um dentro do outro, sobre uma superfície preta.

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