Обновы для Минимакса H3

Новые GGUF-кванты
- FL2VA - T2V, I2V, первый и последний кадр
- Ref2VA - изображения, видео и аудио как референсы
- Q3_K_S / Q3_K_M - 15.6 ГБ
- Q4_0 - 18.6 ГБ
- Q4_K_S / Q4_K_M - 19.9 ГБ
- Q5_0 - 22.8 ГБ
- Q5_K_S / Q5_K_M - 23.9 ГБ
Там же появился Q4_K_M-квант Qwen3-VL-32B text encoder размером 14.6 ГБ.
То есть минимальный комплект «трансформер + энкодер + VAE» теперь можно собрать как бы компактнее прежнего варианта с NVFP4-энкодером на 27.1 ГБ. Там же есть готовые workflow для FL2VA и Ref2VA.
Пока это самопальные кванты, а не официальный релиз Comfy
https://huggingface.co/Abiray/MiniMax-H3-GGUF


Новые официальные варианты от Comfy-Org и Kijai
В официальном репозитории Comfy-Org появились:
- minimax_h3_fl2va_pruned_bf16.safetensors
- minimax_h3_ref2va_pruned_bf16.safetensors
- minimax_h3_fl2va_pruned_fp8_scaled.safetensors
- minimax_h3_ref2va_pruned_fp8_scaled.safetensors
Pruned BF16 были загружены Kijai около 16 часов назад. Типа качество BF16 полного 66-гигабайтного трансформера. FP8 scaled появились немного раньше и должны стать промежуточным вариантом между BF16 и pruned INT8 по памяти и точности.
https://huggingface.co/Comfy-Org/MiniMax-H3/commits/main

Минимаксенко обрастает мясом. Новый ЛТХ. Ждем Ответа Флюксовицкого.

На видео сравнение Flux.3 API и MinimaxH3
Подписать не могу, гадайте сами.. Смышленые посмотрят длительность.

@cgevent

ByteDance бахнула SeedRealtime

Это прям ответочка Алибабскому на Wan Streamer.

Они выкатили SeedRealtime, нативную аудиовизуальную full-duplex-модель. На понятном это значит, что ассистент может непрерывно смотреть видео, слушать пользователя и отвечать голосом, не устраивая привычную драму «сначала вы договорите, потом я подумаю».

Главное отличие от обычных голосовых ассистентов - единая архитектура для аудио, видео и текста. Модель учитывает не только отдельные кадры, но и временную последовательность событий, умеет связывать сказанное с происходящим в кадре и различать, обращаются ли вообще к ней. Например, она может понять двусмысленную фразу по визуальному контексту или отреагировать на объект, который только что появился в поле зрения.

Еще наряднее то, что SeedRealtime умеет проявлять инициативу. ByteDance утверждает, что модель может сама сообщить об изменении в кадре, подключить инструмент прямо во время разговора, корректно обработать перебивание и не срываться на каждый шорох или разговор посторонних.

Открытых весов пока нет.

Тут битва идёт не за то, кто лучше отвечает на вопрос, а за то, кто меньше похож на бота с задержкой.

Ссылки:

Официальный анонс ByteDance Seed: https://seed.bytedance.com/en/blog/seedrealtime-audio-visual-full-duplex-llm-released-toward-omni-modal-natural-interaction

Страница SeedRealtime: https://seed.bytedance.com/en/SeedRealtime

@cgevent

Нейрорендер 2Д

Если для Сиданского было (и есть) много примеров связки его с Блендором, то для Минимаксенко я вижу больше связок с Аффтором.

After Effects в освоении тоже не сахар, но все же не такая дичь, как Блендор.

Управлять можно светом, анимацией, формой.

Грубо говоря, AE shape animation -> Reference image плюс AE video + prompt

@cgevent

Wan 3.0 в городе!

Я уже писал про новые фичи тут.

Ща про цены, доступ и рефы.

Кратко: Alibaba официально открыла публичную бету Wan 3.0. Новая модель генерирует ролики со звуком продолжительностью до 30 секунд в 480p, 720p и 1080p. Также появились автоматический подбор длительности, продолжение готового видео и более стабильное сохранение персонажей, объектов и сцены на длинной дистанции.
https://article.9466.com/news/aKweEQlm

Цены API:

480p - около $0.04 за секунду

720p - около $0.08 за секунду

1080p - около $0.17 за секунду

Таким образом, максимальный 30-секундный ролик стоит примерно $1.25 в 480p; $2.50 в 720p; около $5 в 1080p.

Но: при использовании видео-референса Alibaba считает не только результат, но и длительность загруженного видео. Формула выглядит так: входное видео плюс сгенерированное видео. Например, 10-секундный референс и 30-секундный результат в 1080p обойдутся уже примерно в $6.70.

Где доступен Ванский:
модель уже появилась в Alibaba Cloud Model Studio, сервисе Wanjing Yike, на китайском сайте Wanxiang и в десктопном приложении Qwen Creation. В приложении Qwen доступ раздаётся постепенно, поэтому модель пока видят не все пользователи. API с идентификатором wan3.0-video уже внесён в каталоги регионов Beijing и Singapore, но пока помечен как invitation testing. Полностью открыть API Alibaba обещает позднее. Иными словами, публичная веб-бета уже началась, а свободного API-доступа для всех ещё нет.

Что доступно в бете: помимо обычных text-to-video и image-to-video, Wan 3.0 принимает текст, изображения, аудио и видео в одной задаче. Alibaba обещает переносить из референсов лицо, причёску, телосложение, одежду, аксессуары, голос, логотипы, материалы предметов, расположение персонажей относительно камеры и общий визуальный стиль. Есть и странная функция генерации видео из документов: поддерживаются DOC, XLS, PPT, PDF, TXT, Keynote, Pages, Numbers и Markdown. Можно загрузить один файл или ссылку размером до 100 МБ и объёмом до 50 страниц.

Что с количеством референсов:
Alibabsky пока не назвал официального лимита для изображений, видео и аудио. Подтверждено только совместное использование разных типов референсов и заявленная консистентность персонажей, объектов, голоса, пространства и стиля.
Ссылки:

Цены и детали: https://x.com/Alibaba_Wan/status/2085339765860364601

Тут доступен: https://create.wan.video/generate
Постепенно раскатывают

Тарифы веб-сервиса: https://create.wan.video/pricing

API: https://wan.video/api

Китайский Wanxiang: https://tongyi.aliyun.com/wanxiang/videoCreation

Alibaba Cloud Model Studio: https://bailian.console.aliyun.com/welcome

Wanjing Yike: https://www.yikeai.com/

Qwen Creation: https://create.qianwen.com/

Клиент Qwen: https://www.qianwen.com/download

Реддиторские уже заметили пропадающую речь и фон, переходящий в белый шум, странный липсинк и исчезающего на несколько секунд персонажа.

Веса? Какие веса? Что такое веса?

@cgevent