Pruna AI veröffentlicht P-H3-Image: Aus MiniMax H3 abgeleitetes Bildmodell läuft mit 21 GB VRAM

Pruna AI, ein auf Modellkompression spezialisierter Anbieter, hat am 3. November 2026 P-H3-Image veröffentlicht, ein Modell zur Bildgenerierung und -bearbeitung mit offenen Gewichten. Die Besonderheit: Es wurde nicht von Grund auf neu trainiert, sondern aus MiniMax H3 abgeleitet, einem im Sommer bereitgestellten Videomodell. Das versprochene Ergebnis: Bilder in 8 Schritten statt 50 und eine 4-Bit-Version, die in rund 21 GB Videospeicher passt. Doch die von MiniMax übernommene Lizenz lässt Europa und die USA außen vor.

Warum ein Videomodell als Basis dient

Prunas Argumentation ist simpel: Um Bilder von Frame zu Frame konsistent zu halten, muss ein Videomodell lernen, wie ein Objekt aus verschiedenen Blickwinkeln aussieht, wie Licht auf Materialien fällt und wie sich ein Körper bewegt. Das bietet eine solide Basis für ein Bildmodell. MiniMax H3 kann zwar bereits Standbilder erzeugen, diese fallen jedoch unscharf aus, und das Modell ist für die meisten Anwender schlicht zu schwerfällig und zu langsam.

Pruna gibt an, jede Komponente überarbeitet zu haben:

• Der Prompt: Ein kleines Modell auf Basis von Qwen3.5-9B formuliert einzeilige Eingaben in detaillierte Prompts um (standardmäßig aktiv), da H3 sehr empfindlich auf Formulierungen reagiert;
• Der Text-Encoder: Durch Destillation von 32 auf 4 Milliarden Parameter geschrumpft (9 GB statt 67 GB);
• Die Diffusion: Ein an feine Details angepasster Zeitplan und eine Destillation, die den Prozess von 50 auf 8 Schritte verkürzt, ganz ohne CFG-Führung;
• Der Decoder: Ein neuer Decoder, der ein einzelnes Frame in ein scharfes Bild umwandelt, während der auf mehrere Frames ausgelegte Original-Decoder von H3 unscharfe Ergebnisse lieferte.

Das Modell beherrscht zudem die Bildbearbeitung und kann mehrere Referenzen in einer Szene kombinieren – eine Fähigkeit, die aus dem videotrainierten Fundament von H3 stammt.

Hardware-Anforderungen für den Betrieb

Hierin liegt der eigentliche Reiz dieser Veröffentlichung. Die vollständige Diffusers-Pipeline in bf16 benötigt bei 8 Megapixeln rund 101 GB GPU-Speicher – also eine H200 oder B200. Die ComfyUI-Dateien liegen jedoch in drei Genauigkeitsstufen vor: bf16 (55 GB, rund 56 GB VRAM), 8-Bit (30 GB) und 4-Bit (20 GB, rund 21 GB VRAM). ComfyUI unterstützt das Modell nativ ohne benutzerdefinierte Nodes, derzeit allerdings über den Entwicklungszweig. Pruna weist darauf hin, dass die 4-Bit-Version die Qualität weitgehend wahre, sich jedoch Details oder gar die Bildkomposition verändern können.

Alle Leistungsangaben stammen bislang von Pruna selbst: 2,6 Sekunden für ein 4-Megapixel-Bild auf einer B200 gegenüber 12,4 Sekunden bei H3, und 6,3 Sekunden auf einer L40S mit 48 GB in 4-Bit. Der Anbieter räumt Einschränkungen ein: Hände und kleine Hintergrundfiguren geraten mitunter verzerrt, vor allem unterhalb von 8 Megapixeln, und kleiner oder dichter Text bleibt unzuverlässig (nur kurze Texte in Anführungszeichen gelingen gut). Zudem widersprechen sich Prunas Angaben stellenweise: Der Blogbeitrag spricht von 2 bis 16 Megapixeln und 9 Eingabebildern, das Datenblatt auf Hugging Face hingegen von 8 Megapixeln und 8 Bildern.

Eine Lizenz, die Europa und die USA ausschließt

Die Gewichte stehen nicht unter einer klassischen Open-Source-Lizenz. Wie schon bei Pika H3 Flex, einem weiteren Ableger von MiniMax H3, greift hier die MiniMax H3 Community License. Laut dem Datenblatt von Pruna schließt diese Lizenz die Europäische Union, das Vereinigte Königreich, die Republik Korea und die Vereinigten Staaten aus, sofern keine gesonderte Vereinbarung mit MiniMax vorliegt. Zudem verlangt sie den Hinweis „Powered by MiniMax H3“ auf allen resultierenden Produkten. Lediglich der Text-Encoder (für die Anteile von Qwen3-VL-4B) und der Prompt-Rewriter stehen unter Apache 2.0, während die ComfyUI-Nodes unter der MIT-Lizenz veröffentlicht wurden.