Чтобы ИИ показал, как мотоциклист тянется к кобуре и достаёт пистолет, одних кадров «до» и «после» может не хватить. MiniMax H3 Multiframe Reference позволяет задать ещё и промежуточные состояния — почти как раскадровку. В тесте японского автора метод заработал на RTX 5060 Ti с 16 ГБ VRAM через Dynamic VRAM Loading, хотя вся модель в память не помещается.

Фантастическая сцена с персонажем и кинолентой из последовательных кадров, связанная с созданием раскадровки через MiniMax H3 Multiframe Reference.Источник: note.com

Разница с FLF2V простая: там задают начало и конец, а промежуточное движение модель додумывает сама. Здесь можно показать, как рука тянется к кобуре, хватает оружие и вынимает его. В другой сцене два байкера едут по мокрой трассе, рядом падает лазер, и мотоциклы уходят в сторону, а затем возвращаются к центру. Опорные кадры помогли задать маршрут и направление уклонения.

Но H3 цепляется и за мелочи. Крошечные участки кожи на референсе привели к проблемам с одеждой; сильнее прописать костюм в промпте оказалось хуже, чем исправить сам кадр. А нарисованные брызги модель почти сохраняла в неизменном виде, будто это детали мотоцикла. Автор убрал брызги с опорных изображений и описал в промпте, как вода летит от колеса. Вывод практичный: что должно оставаться — показывайте на кадре, что должно меняться — лучше не фиксировать.

Думаю, в этом и смысл Multiframe Reference: человек выбирает ключевые моменты, а модель генерирует переходы между ними. Полного контроля нет — результат зависит от seed, а персонажи и предметы могут ломаться. Но для сложных действий и перемещения нескольких объектов это уже полезнее, чем просить ИИ придумать всю сцену по одному тексту.

Источникnote #動画生成AI