← 返回博客
Ai预计阅读 7 分钟

Pruna 把一个视频模型拆成了图像模型,有意思的是它扔掉了什么

发布于 2026年11月7日
Pruna 把一个视频模型拆成了图像模型,有意思的是它扔掉了什么

Pruna AI 在 11 月 3 日放出 P-H3-Image:能生成、能编辑图像,权重开放,母体是一个视频模型 MiniMax-H3。

这句话本身就包含了全部设计理由。视频模型必须学会一个物体从很多角度看是什么样、光怎么落在材质上、一个场景如何帧与帧之间保持一致。单张照片是这个问题的一种退化情形。所以理论上,图像生成里最难的部分已经付过钱了,剩下只是教它把一帧画好。

实际做起来,让视频模型出一帧,结果是软的、糊的。MiniMax 自家的 H3 能出,出得不好。Pruna 的贡献是把它拆开,每个部件按静态图像这份工作重新做一遍。

四刀

文本编码器从 320 亿参数砍到 40 亿,用的是蒸馏过的 Qwen3-VL-4B。这一刀把 67GB 权重变成 9GB,是整次发布里最不显眼的部分。

四层逐级变小的玻璃棱镜套在一起,放在黑色表面上。

主干 Transformer 从 330 亿缩到 200 亿。最关键的动刀处是替换 timestep 模块,博客说它大约占主干 40%,换成了一个更小的东西。时间步条件化很贵,因为它要在每一个去噪步上调制整个网络。视频需要在时间维度上做细控,一张静图只需要一个数。

解码器重训,从输出一串视频帧改成输出一张锐利的图,覆盖 2 到 1600 万像素。

采样调度用 DMD 蒸馏,从 50 步压到 8 步。

前面还坐了一个小的提示词改写器,基于 Qwen3.5-9B,把短提示扩写成 H3 听得懂的样子。它在 Diffusers 管线里默认开启,也是 bf16 显存数字看起来比模型实际需要更难看的原因。

数字,以及数字的出处

Pruna 自己的测量:一张 400 万像素的图在 B200 上 2.6 秒,MiniMax-H3 是 12.4 秒。800 万像素 5.8 秒,原来是 30.6 秒。L40S 上跑 4bit 权重,400 万像素约 6.3 秒。

下载体积 bf16 55GB、4bit 20GB,H3 是 143GB。800 万像素峰值显存,bf16 约 56GB,4bit 约 21GB。

那个 21GB 对坐在桌前读这篇文章的人才是关键数字。它指向 24GB 卡:3090、4090、5090,跑 4bit 版能撑满分辨率。16GB 卡上你得降分辨率或者往外卸载。

有个容易漏掉的提醒:Diffusers 管线带提示词改写器、bf16、800 万像素,要大约 100GB 显存。这不是笔误,也不是模型的错。如果你走 Diffusers 而不是 ComfyUI,要么用量化权重,要么把改写器关掉。

许可证把最可能用它的国家排除了

P-H3-Image 继承 MiniMax H3 社区许可。落到实处就是:权重对所有人开放下载,对美国、欧盟、英国、韩国默认不开放部署,除非单独跟 MiniMax 谈。用它做出来的产品必须标注 Powered by MiniMax H3。

这个形状已经不新鲜了。过去一年,中国实验室稳定成了一种模式:用听起来很宽松的名字发布权重,附一份带地域排除的社区许可,然后把排除条款卖给需要的人。H3 已经催出英伟达、Pika、Creatify 和现在 Pruna 的衍生物,每一家都在同一套条款里穿行。

对一个在俄亥俄的独立开发者,这意味着模型技术上可下载、法律上尴尬。对公司,意味着一次合规审查。对一个新加坡或巴西的实验室,意味着一个真正免费的高质量图像模型,这是一次能力再分配,只是在美国的报道里很少被讨论。

还有第二层值得注意。许可跟着权重走,一家把 P-H3-Image 微调进自己产品的公司,仍然受排除条款约束。衍生物不洗白条款。

为什么要蒸馏一个视频模型

市面上已经有很好的开放图像模型。FLUX 3 Image Klein 只有 56 亿参数,托管 API 上每张图八厘美元。为什么要把一个 143GB 的视频栈花工程时间缩到 20GB?

答案在视频训练数据教了什么。在片段上训练的模型,会看到同一个物体在不同光和不同角度下的样子,学到的内在表示比只看孤立照片的模型更完整。这件事会在一个具体地方显形:多参考图编辑。

P-H3-Image 一次能接受八到九张参考图,取决于你读哪份文档。把一个角色在商品图、海报和界面草图里保持一致,是图像模型通常崩掉的任务,也恰好是受益于视频表示的任务。

Pruna 自己的说法是,视频模型为了保持相邻帧连贯,顺带学会了物理世界。对一张静图,这份知识大部分浪费。对一组需要互相吻合的静图,它就是全部意义。

它不擅长什么

Pruna 自己写了边界:细节、手、小字或密集文字可能不可靠。公司把它定位在写实与纪实摄影、电影剧照、动漫、带短文字的平面设计上最强。如果你的活是海报里放一段正文,这不是工具。

评测也很薄。目前没有独立评估。发布里的每个速度和画质数字都是厂商测量,对照组是 MiniMax-H3 和 Pruna 自己更早的 Wan Image,不是 FLUX 3 或 Nano Banana。

怎么试

Diffusers 管线在 Hugging Face 的 PrunaAI/P-H3-Image。另有一个 ComfyUI 仓库,三套完整权重:bf16、8bit、4bit,原生支持,不需要自定义节点。挑一套,把里面四个文件全下完,按仓库说的目录放。

如果你有 24GB 卡,从 4bit、400 万像素、关掉改写器开始。拿你自己手里十来个提示词跟现在用的模型比,别拿发布画廊比。真正的问题在多参考图编辑:它在你自己的素材上站不站得住。那是这里唯一一个更小的图像模型假装不出来的能力。

相关文章