MiniMax H3 na Apple Silicon: 115 GB pobierania i 45 minut na klip

Simon Willison odpalil open-weight MiniMax H3 przez port PipeNetwork MLX na M5 Max. Pobranie wyszło na około 115 GB, a jeden przebieg text-to-video zajął prawie 45 minut. Wideo wyglądało mocno; bez prompt guidance audio spadło w bezsensowną mowę.

Omni model MiniMax działa lokalnie na Macu, nie tylko w cloudowym demie

MiniMax opisuje H3 jako general-purpose system omni-modalny: bierze tekst, obrazy, audio i wideo i generuje klipy do 15 sekund z natywnym stereo, do 2K. Firma zapowiadała otwarte wagi i ostrzejszą cenę wobec closed modeli wideo. Notatka Willisona z 4 sierpnia 2026 to nie teaser marketingowy. To field note: repo PipeNetwork/minimax-h3-mlx, wagi z Hugging Face (MiniMaxAI/MiniMax-H3 plus port MLX 8bit) i konkretna linia poleceń przez uv i mlx-vlm.

Prompt „a rainbow colored skunk leaps over a mossy log in a supermarket” dał używalny klip. Willison wprost pisze, że audio wyszło jak dziwna speech-like wata, bo nie dał guidance do dźwięku. Prompting guide na Hugging Face ogarnia audio i relacje między modalnościami. Lokalny bieg potrafi więc pokazać siłę obrazu i jednocześnie ukarać byle jaki prompt na gałęzi dźwięku.

Dla twórców i indie teamów zmienia się granica „open video”

Closed laby trzymały generację wideo dłużej niż tekst. H3 i port MLX przesuwają pytanie z „czy cloud to umie?” na „czy uniesie to mój laptop i ile zje dysku?”. 115 GB i prawie trzy kwadranse na klip to wciąż ciężki workflow. Do eksperymentu, offline pipeline albo prywatnych brand assetów wystarcza jednak jako dowód, że open-weight wideo to już nie sam screenshot z paperu.

Praktyczny wpływ siada na trzy role. Indie twórca może sprawdzić motion i look brandu bez wysyłania footage do obcego API. Zespół ML/engineering dostaje harness na Apple Silicon zamiast kolejki w chmurze. Security i legal widzą inny surface: duże lokalne wagi, nieznane telemetry w helper skryptach i licencję wag, która wciąż zależy od jurysdykcji wydawcy.

Mocne wideo nie znaczy gotowego produktu omni

Wynik Willisona jest użyteczny właśnie dlatego, że nie jest idealny. Obraz trzyma; dźwięk bez starannego promptu nie. To typowa luka w systemach sprzedawanych jako unified omni: joint latent video+audio może istnieć w architekturze i nadal wymagać dyscypliny z prompt guide, której zwykły user nie otwiera.

Drugi limit jest operacyjny. Port MLX 8bit obniża próg wobec full precision, ale 115 GB pobierania, ścieżki snapshotów i długa latencja trzymają H3 poza strefą „kliknij i gotowe”. Kto czeka na iterację jak u Sory w sekundy na laptopie, dostaje raczej nocny batch. Kto chce powtarzalny lokalny pipeline, dostaje konkretne liczby zamiast slajdu vendora.

Czy lokalny bieg utrzyma się poniżej godziny, a audio pod kontrolą promptu

Patrz na trzy sygnały. Po pierwsze, czy kolejne porty MLX/community zetną dysk i wall-clock bez totalnej utraty jakości. Po drugie, czy MiniMax i maintainerzy portów uczynią audio defaults mniej kruche (lepszy fallback niż speech garbage przy pustym audio intencie). Po trzecie, czy open weights naprawdę dotrą w obiecanej szerokości i zostaną legalnie używalne poza notesem demo.

Dopóki „omni na Macu” to głównie 45-minutowy eksperyment z grubym katalogiem cache, bierz H3 jako dowód kierunku, nie jako zamiennik produkcyjnego API wideo.

Werdykt Lilith

Willison nie sprzedaje tu Sory do kieszeni. Ślad 115 GB na dysku i trzy kwadranse na skunksa w markecie pokazują, gdzie open video realnie się dziś kończy: na nocnym biegu, nie na instant eksporcie.