Pruna 把影片模型變成了圖像模型。真正有趣的是它丟掉了什麼。

Pruna AI 在 11 月 3 日發布 P-H3-Image。它能生成和編輯圖像,權重開放,而且是從 MiniMax-H3 這個影片模型打造出來的。
最後那句話就是整個設計論證。影片模型必須學會一個物體從各種角度看起來如何、光線隨著鏡頭移動如何落在材質上、一個場景如何在逐格之間保持連貫。單張照片是這個問題的退化特例。所以理論上,圖像生成最難的部分已經付過了,你只需要教模型把一格畫面渲染好。
實際上,叫影片模型輸出一格,得到的圖像會偏軟、偏模糊。MiniMax 自家的 H3 也能做,只是做得不好。Pruna 的貢獻在於把模型拆開,針對靜態圖像的工作重新組裝每一個零件。
四處動刀
文字編碼器從 320 億參數縮到 40 億,用的是蒸餾過的 Qwen3-VL-4B。光是這一項就把 67 GB 的權重降到 9 GB,而它是整個發布裡最不被看見的部分。

Transformer 主幹從 330 億參數縮到 200 億。主要的手術動作是換掉 timestep 區塊,官方部落格說它大約佔整個 transformer 的 40%,換成小得多的東西。Timestep conditioning 之所以貴,是因為它必須在每一個去噪步驟調變整個網路。影片需要的是橫跨時間的精細控制。靜態圖只需要一個數字。
解碼器被重新訓練,要在 2 到 1600 萬像素的範圍內產出一張銳利的單張圖像,而不是一連串影片影格。
取樣排程則用 DMD 蒸餾,生成從 50 步降到 8 步。
前面還有一個小型 prompt upsampler,建立在 Qwen3.5-9B 之上,把簡短的提示改寫成 H3 反應良好的形式。它在 Diffusers pipeline 裡預設開啟,也是 bf16 記憶體數字看起來比模型實際狀況糟的原因。
數字,附上廠商標籤
Pruna 的測量:一張 4 MP 圖像在 B200 上要 2.6 秒,MiniMax-H3 要 12.4 秒。8 MP 圖像是 5.8 秒對上 30.6 秒。在 L40S 上用 4-bit 權重,4 MP 大約 6.3 秒。
下載量是 bf16 的 55 GB 或 4-bit 的 20 GB,H3 則是 143 GB。8 MP 時的峰值 VRAM 大約是 bf16 的 56 GB 或 4-bit 的 21 GB。
那個 21 GB 的數字,對任何坐在書桌前讀這篇文章的人來說才是重點。它指向 24 GB 的卡,3090、4090 和 5090,以全解析度跑 4-bit 版本。在 16 GB 的卡上,你得降解析度或做 offloading。
一個很容易漏掉的警告:Diffusers pipeline 搭配 prompt upsampler、bf16、8 MP 時,大約要 100 GB 的 GPU 記憶體。這不是打錯字,也不是模型的錯。如果你用的是 Diffusers 而不是 ComfyUI,要嘛用量化權重,要嘛把 upsampler 關掉。
授權條款排除了最可能使用它的國家
P-H3-Image 沿用 MiniMax H3 Community License。實務上這代表權重可公開下載,但在美國、歐盟、英國和南韓,未與 MiniMax 另行簽約就不能部署。以它打造的產品必須標示「Powered by MiniMax H3」。
這個形狀現在已經很熟悉了。過去一年,中國實驗室固定成一套模式:用聽起來很寬鬆的名字發布權重,附上一份帶地域排除條款的社群授權,再把這些排除條款賣給需要的人。H3 已經衍生出 Nvidia、Pika、Creatify 以及現在 Pruna 的版本,每一個都在同樣的條款裡周旋。
對俄亥俄州的獨立開發者來說,這代表模型技術上可下載,法律上很尷尬。對公司來說,代表一次合規審查。對新加坡或巴西的實驗室來說,代表一個真正免費的高品質圖像模型,這是實實在在的能力重分配,而美國媒體很少討論。
還有第二層值得注意。授權跟著權重走,所以一家為自家產品微調 P-H3-Image 的公司,仍然受那些排除條款約束。衍生作品不會把條款洗白。
為什麼要蒸餾一個影片模型
市面上已經有很棒的開放圖像模型。FLUX 3 Image Klein 是 56 億參數,在託管 API 上每張圖定價 0.8 美分。為什麼要拿一套 143 GB 的影片堆疊,花工程時間把它縮到 20 GB?
答案在影片訓練資料教了什麼。用影片片段訓練的模型,會看到同一個物件在變化的光線和角度下,學到比只用孤立照片訓練的模型更完整的內部表徵。這會顯現在一個特定的地方:多參考圖編輯。
P-H3-Image 在一次構圖中最多接受八到九張參考圖,取決於你讀的是哪份文件。讓一個角色在產品照、海報和 UI mock 之間保持一致,正是圖像模型通常會崩掉的任務,也正是最受益於影片表徵的任務。
Pruna 自己的說法是,影片模型是在維持連續影格連貫的過程中,順帶學會了物理世界。對單張靜態圖來說,那些知識大多是浪費。對一組必須彼此一致的靜態圖來說,那就是重點。
量化版本是三種不同的產品
ComfyUI 使用者會拿到三套完整權重:bf16、8-bit 和 4-bit。它們不是同一個模型的不同檔案大小。
在 bf16 下,你得到預期的輸出,8 MP 需要 56 GB VRAM,也就是 A100 或 H100 等級的卡。在 4-bit 下,你在 4090 上塞得進 21 GB,代價是量化在細節上損耗多少你就接受多少。中間那層是給有 40 GB、想保住品質而不是解析度的人。
隨之而來的實用建議是:先挑目標解析度,再挑塞得下的量化等級,最後判斷結果夠不夠好。反過來的順序,因為 4-bit 最小就下載它,然後抱怨手看起來不對,就是人們如何得出一個模型很爛的結論,而他們其實是在跑一個妥協版本、用一個它沒被調校過的解析度。
它不擅長什麼
Pruna 自己講了限制。細節、手、以及小字或密集的文字可能不可靠。公司把模型定位在寫實與紀實攝影、電影劇照、動漫,以及帶短文字的圖形設計上最強。如果你的工作是做一張有大段內文的海報,這不是那個工具。
基準測試的情況也很單薄。目前沒有獨立評測。發布裡每一個速度與品質數字都是廠商自測,而比較對象是 MiniMax-H3 和 Pruna 自家早先的 Wan Image 作品,不是 FLUX 3 或 Nano Banana。
怎麼試
Diffusers pipeline 在 Hugging Face 上的 PrunaAI/P-H3-Image。另有一個 ComfyUI 儲存庫,內含三套完整權重:bf16、8-bit 和 4-bit,原生支援 ComfyUI,不需要自訂節點。挑一組,把裡面四個檔案全部下載,放進 repo 指定的資料夾。
如果你有 24 GB 的卡,從 4 MP 的 4-bit 組合搭配關閉 upsampler 開始。拿它跟你已經在用的東西比,用你自己的十個提示,而不是發表畫廊。有趣的問題是多參考圖編輯在你實際的素材上撐不撐得住,因為純粹的速度大約一年前就不再是差異點了。
相關文章
一份社群維護的點擊表,關掉了中國品牌 Android 系統裡的廣告
它不動系統,不解鎖,不刷機,只把廠商本來就留出來的開關一個個撥過去。代價是這份名單得一直有人續寫。
GPT Image 2.6 守住 token 價格,帳單卻變貴了
GPT Image 2.6 沿用 2.5 的全部 token 費率,每張圖卻更貴,因為更多工作現在花在輸出 token 上。上線十一天,定價結構說得比排行榜更多。
有人從外部重寫了 IDM,並寫下自己沒碰過的部分
Mister Download Manager 用 Rust 重寫了 Internet Download Manager 的下載流程,聲稱速度快 5 倍、支援 86 種語言。更值得細讀的,是它解釋如何在不複製任何程式碼的前提下完成重寫的那一段。
Rune 是一個 Rust UI 框架,設計初衷是讓 agent 能檢查自己的工作
Rune 能無頭繪製、匯出元素樹並接受腳本化輸入,這讓編碼 agent 拿到截圖永遠給不了的東西,一個可 diff 的訊號。這個框架仍是預先發布版,不接受 pull request。