Pruna AI publica P-H3-Image, un modelo de imagen derivado de MiniMax H3 que funciona con 21 GB de memoria de vídeo

Pruna AI, especialista en compresión de modelos, publicó el 3 de noviembre de 2026 P-H3-Image, un modelo de generación y edición de imágenes con pesos abiertos. Su particularidad: no se ha entrenado desde cero, sino que se ha extraído de MiniMax H3, un modelo de vídeo abierto este verano. El resultado anunciado: imágenes en 8 pasos en lugar de 50, y una versión de 4 bits que cabe en unos 21 GB de memoria de vídeo. Sin embargo, su licencia, heredada de MiniMax, deja fuera a Europa y a Estados Unidos.

Por qué partir de un modelo de vídeo

El argumento de Pruna es sencillo: para mantener la coherencia de las imágenes entre un fotograma y otro, un modelo de vídeo debe aprender cómo se ve un objeto desde varios ángulos, cómo incide la luz sobre un material o cómo se mueve un cuerpo. Esto supone una buena base para un modelo de imagen. MiniMax H3 ya sabe generar imágenes fijas, pero salen borrosas y el modelo resulta demasiado pesado y lento para la mayoría de los usuarios.

Pruna afirma haber rediseñado cada componente:

• El prompt: un pequeño modelo basado en Qwen3.5-9B reescribe una petición de una sola línea en un prompt detallado, activado por defecto, ya que H3 es muy sensible a la formulación;
• El codificador de texto: reducido de 32 000 a 4000 millones de parámetros mediante destilación (9 GB en lugar de 67);
• La difusión: un calendario adaptado a los detalles finos y una destilación que permite pasar de 50 a 8 pasos, sin guía CFG;
• El decodificador: un nuevo decodificador que transforma un único fotograma en una imagen nítida, a diferencia del de H3, pensado para decodificar varios fotogramas y que produce imágenes borrosas.

El modelo también retoca imágenes y combina varias referencias en una misma escena, una capacidad heredada del entrenamiento de vídeo de H3.

Qué hace falta para ejecutarlo

Este es el principal atractivo del lanzamiento. El pipeline completo de diffusers en bf16 requiere unos 101 GB de memoria de GPU a 8 megapíxeles, lo que exige una H200 o una B200. Sin embargo, los archivos para ComfyUI están disponibles en tres niveles de precisión: bf16 (55 GB, unos 56 GB de memoria de vídeo), 8 bits (30 GB) y 4 bits (20 GB, unos 21 GB de memoria de vídeo). ComfyUI es compatible de forma nativa, sin necesidad de nodos personalizados, por ahora a través de su versión de desarrollo. Pruna advierte de que la versión de 4 bits «mantiene la calidad», pero puede alterar detalles o incluso la composición.

En cuanto al rendimiento, todos los datos proceden de Pruna: 2,6 segundos para una imagen de 4 megapíxeles en una B200, frente a los 12,4 segundos de H3, y 6,3 segundos en una tarjeta L40S de 48 GB en 4 bits. La empresa reconoce ciertas limitaciones: manos y personajes pequeños en segundo plano a veces deformados, sobre todo por debajo de 8 megapíxeles, y textos pequeños o densos poco fiables (solo funcionan bien los textos breves entre comillas). Sus documentos, además, no coinciden del todo: el artículo habla de 2 a 16 megapíxeles y de 9 imágenes de entrada, mientras que la ficha de Hugging Face menciona 8 megapíxeles y 8 imágenes.

Una licencia que excluye a Europa y a Estados Unidos

Los pesos no están bajo una licencia de código abierto. Al igual que ocurre con Pika H3 Flex, otro derivado de MiniMax H3, se rigen por la MiniMax H3 Community License. Según la ficha de Pruna, esta licencia excluye a la Unión Europea, el Reino Unido, la República de Corea y Estados Unidos, salvo licencia independiente concedida por MiniMax, y exige mostrar la mención «Powered by MiniMax H3» en los productos que la utilicen. Solo el codificador de texto (en sus partes de Qwen3-VL-4B) y el reescritor de prompts cuentan con licencia Apache 2.0, y los nodos de ComfyUI están bajo MIT.