MiniMax H3 běží na Apple Silicon: 115 GB stahování a 45 minut na klip

Simon Willison spustil open-weight MiniMax H3 přes PipeNetwork MLX port na M5 Max. Stažení vyšlo na zhruba 115 GB a jeden text-to-video běh trval skoro 45 minut. Video vypadalo silně, audio bez prompt guidance spadlo do nesmyslné řeči.

Omní model z MiniMaxu teď běží lokálně na Macu, ne jen v cloud demu

MiniMax popsal H3 jako general-purpose omni-modal systém: bere text, obrázky, audio i video a generuje klipy až 15 sekund s nativním stereo zvukem, až ve 2K. Firma avizovala otevření vah a silnější cenu proti closed video modelům. Willisonův post z 4. srpna 2026 není marketingový teaser. Je to field note: repozitář PipeNetwork/minimax-h3-mlx, váhy z Hugging Face (MiniMaxAI/MiniMax-H3 plus MLX 8bit port) a konkrétní příkazová řádka přes uv a mlx-vlm.

Prompt „a rainbow colored skunk leaps over a mossy log in a supermarket“ vyrobil použitelný klip. Willison výslovně píše, že audio vyšlo jako podivná speech-like vata, protože nedal guidance k zvuku. Prompting guide na Hugging Face přitom řeší audio i vztahy mezi modalitami. Lokální běh tedy umí ukázat obrazovou sílu a zároveň potrestat lajdácký prompt na zvukové větvi.

Pro tvůrce a indie týmy se mění, kde končí „open video“

Closed labory držely video generaci déle než text. H3 a MLX port posouvají otázku z „umí to cloud?“ na „unese to můj notebook a kolik disků to sežere?“. 115 GB a skoro tři čtvrtě hodiny na jeden klip je pořád těžký workflow. Pro experiment, offline pipeline nebo privátní brand assety to ale stačí jako důkaz, že open-weight video už není jen paper screenshot.

Praktický dopad sedí na tři role. Indie tvůrce může ověřit motion a brand look bez posílání footage do cizího API. ML/engineering tým dostane harness na Apple Silicon místo čekání na cloud frontu. Security a legal uvidí jiný surface: velké lokální váhy, neznámé telemetry v helper skriptech a licence vah, která pořád podléhá regulaci v zemi vydavatele.

Silné video neznamená hotový omni produkt

Willisonův výsledek je užitečný právě proto, že není dokonalý. Obraz sedí, zvuk bez pečlivého promptu ne. To je typický gap u modelů, které marketing prodává jako unified omni systém: joint latent video+audio umí existovat v architektuře a pořád vyžadovat disciplínu v prompt guide, kterou běžný uživatel neotevře.

Druhý limit je provozní. 8bit MLX port snižuje bariéru vůči plnému precision stacku, ale 115 GB stahování, snapshot cesty a dlouhá latence drží H3 mimo „klikni a hotovo“ smečku. Kdo čeká Sora-like iteraci ve vteřinách na laptopu, dostane spíš noční batch job. Kdo chce reprodukovatelný lokální pipeline, dostává konkrétní čísla místo vendor slide.

Udrží-li se lokální běh pod hodinou a audio pod kontrolou promptu

Sleduj tři signály. Zaprvé, jestli další MLX/community porty srazí disk a wall-clock bez totální ztráty kvality. Zadruhé, jestli MiniMax a port maintainers udělají audio defaults méně křehké (lepší fallback než speech garbage při prázdném audio intentu). Zatřetí, jestli open weights opravdu dorazí v slíbené šíři a zůstanou legálně použitelné mimo demo notebook.

Dokud je „omni na Macu“ hlavně 45minutový experiment s tlustým cache adresářem, ber H3 jako důkaz směru, ne jako náhradu produkčního video API.

Lilithin verdikt

Willison tu neprodává Soru do kapsy. Stopa na disku 115 GB a tři čtvrtě hodiny na skunka v supermarketu ukazují, kde open video dnes reálně končí: na nočním běhu, ne na instant exportu.