inferwire
/
KI·4 Min. Lesezeit

Antirez' h3.c bringt MiniMax-H3-Videogenerierung auf Apple Silicon

h3.c ist eine native Metal-Engine, die MiniMax' offenes Video- und Audiomodell auf Macs mit Apple Silicon ausführt. Das README belegt jeden Kompromiss bei Tempo, Speicher und Qualität mit Messungen.

TL;DR

  • h3.c führt MiniMax-H3, ein Modell mit offenen Gewichten, das Video mit Ton erzeugt, nativ über Apples GPU-Schnittstelle Metal auf Apple Silicon aus [^1] [^2].
  • Das README misst jede Abkürzung, vom Vier-Durchgänge-Modus bis zum Streamen der Gewichte von der SSD, das den erfassten Transformer-Speicher auf 2,0 GiB senkte [^1].

Hintergrund

MiniMax veröffentlichte H3 am 3. August. Es ist das Videomodell der dritten Generation nach Hailuo 01 und Hailuo 02 und das erste, das das Unternehmen mit offenen Gewichten herausgibt [^2]. H3 nimmt Text, Bilder, Video oder Audio und erzeugt Video mit Stereoton, so ComfyUI, das das Modell vom ersten Tag an unterstützte [^2]. Solche Modelle sind groß: ComfyUI beziffert den Speicherbedarf in voller Präzision auf 123,6 GB [^2].

Was passiert ist

Salvatore Sanfilippo, auf GitHub als antirez unterwegs, entwickelt h3.c, auch h3-metal genannt, als native MiniMax-H3-Inferenz für Apple Silicon [^3] [^1]. Stand 11. August funktionieren laut README Prompt-zu-Video und Audio, die Vorgabe von erstem und letztem Bild sowie geordnete Bild-, Video- und Audioreferenzen durchgängig. Aktuell geht es um Metal-Leistung und Speicheroptimierung auf M3 Max und M5 Max [^1]. Das Tool liest den Hugging-Face-Snapshot des Modells, braucht FFmpeg für Medien und kann als interaktive Sitzung laufen, die Prompt-Konditionierung, den Diffusion Transformer (DiT) und den Video-Decoder zwischen Prompts im Speicher hält [^1].

Der empfohlene erste Lauf erzeugt 22 Bilder mit 24 fps, also etwa 0,92 Sekunden Video, in 512 mal 512 Pixeln. Er nutzt 20 Entrauschungsdurchgänge, berechnet davon nur 11 neu und extrapoliert den Rest, und lässt 45 der 50 Transformer-Blöcke des Modells laufen, um Zeit und Speicher zu sparen [^1]. Ein Modus mit vier Durchgängen war auf einem M5 Max nach etwa 3,5 Sekunden mit dem Entrauschen fertig, gegenüber 26,4 Sekunden für eine Referenz mit 29 Durchgängen, bei einem SSIM über das ganze Video von 0,556 im Vergleich zu dieser Referenz [^1]. SSIM ist ein Ähnlichkeitswert, bei dem 1 Gleichheit bedeutet.

Für Rechner mit weniger Speicher hält ein SSD-Streaming-Modus nur zwei DiT-Blöcke im Speicher und liest den nächsten von der SSD, während die GPU rechnet, mit den originalen BF16-Gewichten ohne Umwandlung oder Quantisierung [^1]. Auf einem M5 Max sank der erfasste DiT-Speicher bei 512 mal 512 von etwa 36,5 GiB auf 2,0 GiB. Ein warmer Durchlauf über 50 Blöcke dauerte 2,49 statt 1,35 Sekunden, 84 Prozent länger, und das Ergebnis war Byte für Byte identisch [^1]. Das README betont, dass die 2,0 GiB nur die Tensoren des DiT umfassen, nicht den gesamten Arbeitsspeicher [^1].

Warum es wichtig ist

Das Projekt zeigt einen Weg, ein großes Modell mit offenen Gewichten auf Apple-Hardware zu bringen: über Kompromisse bei Qualität und Tempo, die einzeln gemessen und dokumentiert sind, statt über eine einzige Schlagzeilenzahl [^1]. ComfyUI ging für Consumer-GPUs einen anderen Weg und kürzte und quantisierte die Gewichte, um den Bedarf bei den kleinsten Varianten auf 42,5 GB zu senken [^2]. Der Streaming-Modus von h3.c behält dagegen die originalen BF16-Gewichte und bezahlt den geringeren Speicherbedarf mit Zeit [^1].

Die Grenzen gehen aus dem README klar hervor. Abgestimmt ist das Tool auf das obere Ende von Apples Angebot, M3 Max und M5 Max, und der M5-Rechner, auf den es zielt, hat 128 GiB [^1]. Das README beschreibt H3-Base als 768p-Modell, begrenzt die Bildfläche auf 768 mal 1344 Pixel und behandelt Clips unter einer Sekunde in 512 mal 512 als sichere Entwicklungseinstellung, während der veröffentlichte Workflow auf Videos von etwa 4 bis 15 Sekunden zielt [^1]. Die Tests prüfen Metal-Blöcke gegen Referenzausgaben von MLX, und laut README sind pixelgleiche Videos nicht zu erwarten, weil sich Zufallszahlen- und Ausführungs-Engines unterscheiden [^1].

Ein Beispiel aus der Praxis

Angenommen, du hast einen Mac mit M5 Max und willst einen kurzen Clip mit einem Fuchs im Schnee skizzieren. Du startest mit der schnellen Voreinstellung aus dem README bei 512 mal 512 und 22 Bildern und schaltest die Live-Vorschau ein, die in Terminals wie Ghostty, iTerm2 oder WezTerm nach jedem Entrauschungsdurchgang ein Bild zeigt [^1]. Passt die Komposition, wiederholst du denselben Prompt mit demselben Seed mit allen 50 Blöcken und 50 Durchgängen, dem langsameren Weg, den das README als richtige Referenz nennt, wenn ein schneller Modus Motiv oder Bewegung verändert [^1]. Wird der Speicher knapp, schaltest du SSD-Streaming dazu und nimmst die langsameren Durchgänge in Kauf [^1].

Passende Produkte

Wir empfehlen dieses Buch, weil es erklärt, wie Hardware, Speicherhierarchien und maschinennaher C-Code zusammenwirken, um die Recheneffizienz zu maximieren.

WerbungAmazon

Computer Systems: A Programmer's Perspective

Quellen

  1. [1]GitHub — h3.c/README.md at 8974cc0 (antirez/h3.c)
  2. [2]ComfyUI — MiniMax H3 Day-0 Support in ComfyUI: Open Weights, Native Audio, and 2K Video
  3. [3]GitHub — antirez (Salvatore Sanfilippo)
  4. [4]Hacker News — H3-metal – Native MiniMax-H3 inference for Apple Silicon