Японский автор сравнил 18 роликов MiniMax H3. Генерация в 1080P на Turbo заняла 193 секунды, а видео в 768P с последующей обработкой SeedVR2 — 276. Разница — примерно 30% в пользу прямой генерации. При этом SeedVR2 лучше подчеркнул резкость, но сходство лица сохранилось хуже.
В этом тесте выбор настроек зависит от задачи. Для персонажа важнее сохранить черты лица, для фактуры — чёткие контуры. А привычный маршрут «сначала поменьше, потом увеличить» не всегда экономит время.
MiniMax H3 сравнили по скорости, резкости и сходству лица
Автор делал вертикальные ролики на 5 секунд: 124 кадра, формат 9:16, ComfyUI 0.41.3 и RTX 5090 с 32 ГБ видеопамяти. Сравнивались два подхода: сгенерировать видео в 768P и обработать SeedVR2 7B sharp в формате int8 либо сразу генерировать в высоком разрешении.
В прямой генерации использовали два режима MiniMax H3: Turbo v4 на 6 шагах и вариант без Turbo на 20 шагах. Стартовым изображением для I2V служила фотография 1088×1920, созданная в FLUX 3 Klein. Если начинать с маленькой картинки, у модели изначально не будет мелких деталей, которые можно сохранить.
Тут есть техническая оговорка. H3 обучали с короткой стороной 768 пикселей, а размер «1080P» в тесте был 1088×1920: стороны подогнали под требование кратности 32. Затем срезали по 4 пикселя слева и справа. Так что на вход модели подавали не ровно 1080 пикселей, а рабочий размер, который после обрезки даёт 1080×1920.
| Маршрут | Turbo v4, 6 шагов | Без Turbo, 20 шагов |
|---|---|---|
| 768P → SeedVR2 7B | 276 секунд | 359 секунд |
| Сразу 1080P | 193 секунды | 483 секунды |
В Turbo маршрут через апскейл оказался медленнее: генерация видео в 768P заняла примерно 84 секунды, а SeedVR2 добавил ещё около 190. При 20 шагах результат был обратным: прямая генерация в 1080P заняла 483 секунды, а связка 768P и SeedVR2 — 359.
Скорость зависит от режима. Апскейл тоже занимает время, и его нужно учитывать. В этом тесте схема «лёгкая генерация плюс увеличение» проиграла по скорости Turbo, но оказалась быстрее прямой генерации в 20-шаговом режиме.
SeedVR2 добавил резкость, но не сходство лица
После SeedVR2 картинка выглядела чётче: резче становились глаза, брови, зубы, линии волос и мелкие детали одежды. В измерении резкости результат этого маршрута составил 163 против 82 у прямой генерации в 1080P. На отдельном динамичном примере разница тоже была в пользу апскейла: 107 против 50.
Высокая резкость сама по себе не гарантирует естественный вид. Автор теста отмечает, что изображение можно перешарпить. SeedVR2 подчёркивает картинку и дорисовывает детали, а исходные детали, потерянные при уменьшении, таким способом не восстановить.
Сходство лица показало другую картину. В пяти парах после SeedVR2 метрика каждый раз немного снижалась — примерно на 0,01. Автор предполагает, что при повышении чёткости часть мелких черт заменяется похожими, но уже другими деталями.
Лучше всего лицо сохранялось при прямой генерации в 1080P без Turbo, на 20 шагах: в двух проверенных seed метрика сходства выросла на 0,02–0,03. У Turbo-режима в 1080P показатель вырос в двух из трёх случаев, но разница была небольшой и могла быть в пределах погрешности. В 768P вариант на 20 шагах тоже показал большее сходство, чем Turbo: 0,789 против 0,769.
Чёткость и сходство — разные задачи. SeedVR2 лучше подчёркивает линии, а прямая генерация в 1080P лучше сохраняет лицо.
Смена разрешения меняет видео, даже если seed та же
Если вы перебираете варианты, учитывайте: одинаковые seed и промт не дают одинакового ролика при смене разрешения. В одном из примеров версия 1080P закрывала глаза в середине и сильнее приближалась к лицу в финале. Ролик в 768P развивал выражение по-другому.
Найти удачный seed в 768P и повторить его в 1080P — не гарантия того же результата. Если важны композиция или конкретная мимика, удачный дубль придётся искать сразу в разрешении финального ролика. Прямая генерация при этом дольше и может вести себя иначе.
В этом тесте опасение, что разрешение выше обучающего обязательно разрушит композицию, не подтвердилось. На проверенных вертикальных роликах длиной 5 секунд автор явного распада кадра не увидел. Это наблюдение относится к его примерам, а не ко всем промтам, длительностям и сборкам.
Маршрут MiniMax H3 выбирайте под главный объект кадра
Японский автор распределил варианты по задачам:
- Крупный план и важная идентичность персонажа — сразу 1080P без Turbo, 20 шагов. Это самый медленный из проверенных вариантов: 483 секунды за ролик.
- Нужны подчёркнутые контуры и текстуры — 768P с SeedVR2 7B. Картинка становится резче, но сходство лица может немного снизиться.
- Нужен баланс скорости и качества — прямая генерация в 1080P с Turbo v4 на 6 шагах. В тесте она заняла 193 секунды.
- Быстрое движение — разница между методами в примере была несущественной. Можно выбирать более короткий по времени маршрут.
Для своей работы автор решил менять подход в зависимости от кадра: для крупных планов лиц — 1080P и 20 шагов, для пейзажей и предметов — 768P с SeedVR2. Так удобнее, чем подбирать один пресет на весь ролик. На лице важны черты, на фактуре предмета — чёткие края. А в быстром движении разница может не оправдать ожидания.
Есть и практический нюанс для локальной генерации. В серии запусков на 1080P RTX 5090 нагрелась до 89 °C; троттлинга не было, все ролики завершились. Для долгих сессий автор предлагает немного снизить лимит мощности, например командой nvidia-smi -pl 500. Это совет для конкретного теста и конфигурации, не универсальная настройка для любой видеокарты.
У теста есть границы — не переносите цифры на любой проект
Проверяли один тип крупного плана и один динамичный сюжет — мальчика, бегущего под дождём. Для проверки лица было до трёх seed на режим, а метрику считала одна модель распознавания лиц, insightface. Сам автор советует считать небольшие различия тенденцией, а не доказательством универсального превосходства.
Если будете повторять сравнение у себя, смотрите не только на секунды. Сопоставьте исходный кадр, промт и длительность, отдельно проверьте движение и крупные детали. Резкость оценивайте при просмотре в одинаковом масштабе: высокий балл метрики сам по себе не обещает красивый результат.
Сначала решите, что в кадре нельзя потерять. Для узнаваемого лица может подойти прямая генерация в 1080P, для чётких контуров — апскейл, для короткого времени — 1080P Turbo. Привычный маршрут не всегда ускоряет работу: всё зависит от задачи.
Видео и тесты моделей — в моих работах
Источники
MiniMax H3 для ComfyUI — Comfy-Org на Hugging Face
MiniMax H3 Turbo LoRA — Hugging Face
Источникnote.com
