# DMAD для MiniMax-H3: четыре шага генерации видео со звуком и ограничения лицензии

Источник: https://modelium.tech/zhurnal/dmad-minimax-h3-four-step-local-video-audio/

Исследователи опубликовали два LoRA-адаптера DMAD для MiniMax-H3 и код четырёхшаговой генерации видео со звуком. Для локального запуска нужны полные базовые веса и совместимый CUDA-стек; авторы описывают режим потоковой загрузки слоёв для видеокарты на 24 ГБ. Лицензия производных весов исключает США, ЕС, Великобританию и Республику Корея.

DMAD для MiniMax-H3: четыре шага генерации видео и звука вместо пятидесяти

2 октября 2026 года исследователи из Texas A&M и ByteDance загрузили два LoRA-чекпойнта DMAD для MiniMax-H3 и опубликовали код инференса. Это не новая базовая модель: адаптеры применяются к оригинальному 33B-трансформеру H3. По описанию авторов, их студент генерирует видео со стереозвуком за четыре шага вместо 50 шагов исходной модели. Ускорение всего процесса нельзя вывести из одного отношения 50:4: загрузка компонентов, кодирование текста и декодирование тоже занимают время. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

## Что можно скачать

В закреплённой ревизии `ZhengmingYu/DMAD` присутствуют два полных Safetensors-файла: `dmad_minimax_h3_4step_lora_critic.safetensors` (1 383 674 304 байта) и `dmad_minimax_h3_4step_full_critic.safetensors` (1 383 674 320 байт). Первый соответствует основному эксперименту статьи, второй — варианту обучения критика. Это **LoRA**, а не самостоятельные полные веса MiniMax-H3: для инференса требуется отдельно получить исходные компоненты MiniMax-H3, в том числе трансформер, текстовый энкодер и VAE. Размер адаптера не равен требованию к RAM или VRAM и не отражает объём базовой модели. [s1](#src-s1) [s2](#src-s2) [s4](#src-s4)

## Локальный путь и его границы

Авторы выложили `inference.py`, собственный sampler с повторным добавлением шума и пример для Diffusers. Их документация описывает Python 3.12, CUDA 12.6 и конкретную ревизию Diffusers; стандартная установка произвольной версии библиотеки не заявлена как эквивалент. Примерный порядок: изучить условия лицензии H3, скачать базовую модель и один из LoRA-файлов, установить зависимости из закреплённого репозитория, затем запускать `inference.py` с путями `--model-dir`, `--lora` и `--prompt`/`--prompt-file`. Команды из репозитория **не запускались Modelium**: это документированный авторский маршрут, а не наша проверка совместимости конкретного ПК. [s2](#src-s2) [s5](#src-s5)

По документации авторов, штатный пример рассчитан на одну GPU с 80 ГБ памяти, а режим `--low-vram` последовательно подгружает слои и описан для видеокарт с 24 ГБ. Это **заявленные конфигурации их реализации**, не универсальные минимальные требования к модели; для второго режима дополнительно важны системная память и скорость чтения весов. Авторы приводят для стандартного профиля 1344×768, 124 кадра при 24 fps и стереоаудио 32 кГц. На собственном оборудовании скорость и качество нужно измерять отдельно. [s2](#src-s2)

## Лицензия важнее слова «открытые»

Исходный код DMAD в GitHub помечен Apache-2.0, но веса адаптеров распространяются как **производные MiniMax-H3** по MiniMax H3 Community License. В тексте соглашения разрешения действуют только в определённой территории: исключены ЕС, Великобритания, Республика Корея и США. Для коммерческого продукта или сервиса с годовой выручкой свыше $20 млн требуется предварительное письменное разрешение MiniMax; также действуют требования к интерфейсной атрибуции и ограничения допустимого использования. Таким образом, доступность файлов и открытый код не означают свободного использования весов в любой стране или бизнесе. Перед внедрением проверьте применимость соглашения к своей территории и сценарию. [s1](#src-s1) [s2](#src-s2) [s6](#src-s6)

## Что подтверждено и что проверять самому

Авторы заявляют, что в их сравнении четырёхшаговый студент получил 79,1% предпочтений людей против DMD2 и 84,6% против rCM **без учёта ничьих**. Это результаты авторов, а не независимый тест Modelium: проценты нельзя переносить на другие датасеты, промпты, видеокарты или на сравнение со всей исходной моделью без методики. Для практического решения сначала проверьте право на использование, доступность базовых весов и воспроизводимость установки; затем сравните качество движения и звука и полное время генерации со своим текущим H3-процессом. [s2](#src-s2)

## Источники

1. [DMAD — карточка чекпойнтов, закреплённая ревизия](https://huggingface.co/ZhengmingYu/DMAD/blob/723954a331b372747f390afdc097e8f5699acad9/README.md) — получено 2026-10-04
2. [DMAD — документация и результаты авторов, pinned commit](https://github.com/Yzmblog/DMAD/blob/ec59de455b1a010331190fa19c1f643b9b20e350/README.md) — получено 2026-10-04
3. [HF — история загрузки DMAD](https://huggingface.co/api/models/ZhengmingYu/DMAD/commits/main?limit=20) — получено 2026-10-04
4. [HF — pinned манифест и размеры двух LoRA](https://huggingface.co/api/models/ZhengmingYu/DMAD/tree/723954a331b372747f390afdc097e8f5699acad9/minimax_h3?recursive=true&expand=true) — получено 2026-10-04
5. [DMAD — закреплённые версии зависимостей](https://github.com/Yzmblog/DMAD/blob/ec59de455b1a010331190fa19c1f643b9b20e350/requirements.txt) — получено 2026-10-04
6. [MiniMax H3 Community License в репозитории производных весов](https://huggingface.co/ZhengmingYu/DMAD/blob/723954a331b372747f390afdc097e8f5699acad9/LICENSE) — получено 2026-10-04