H3-World：基于 MiniMax-H3 的交互式 image-to-video 模型

HuggingFace 上发布了一个模型 DANNY621/H3-World，其任务是 image-to-video。作者将其描述为基于 MiniMax-H3 的首个交互式世界模型：根据初始帧和键盘指令，它生成角色与相机运动一致的视频。该模型以 apache-2.0 许可证发布，最大的权重文件是 step-10000.safetensors，大小为 0.1 GB，权重格式为 safetensors。该检查点是一个 65.6M 参数的 LoRA 附加层，叠加在基础模型 MiniMax-H3 之上，需要其权重和定向注意力补丁才能运行。

这意味着什么

在我们的视频生成器指南中，有几个开源的 image-to-video 和 text-to-video 模型，可以与这款新模型进行比较。 LTX-Video 来自 Lightricks，是一款视频生成器，支持 image-to-video 任务，开源代码采用 Apache-2.0 许可证，最大的权重文件为 26.6 GB。作者声称仅需 1 GB 显存，并支持 macOS 上的 MPS。相比之下，H3-World 在权重上明显更轻：其 LoRA 文件仅占 0.1 GB，但运行仍需要基础模型 MiniMax-H3，而 H3-World 参数表中未注明其权重。 CogVideoX（智谱 CogVideoX）来自智谱 AI，解决 text-to-video 任务，开源代码采用 Apache-2.0 许可证，最大的权重文件为 9.2 GB。据作者描述，平台为 CUDA。H3-World 在任务（带控制的 image-to-video）和方法上均有所不同：不是完整模型，而是叠加在第三方基础模型之上的 LoRA 附加层。 Pyramid Flow（快手 Pyramid Flow）是一款 text-to-video 生成器，开源代码采用 MIT 许可证，最大的权重文件为 7.8 GB，并声称可在低于 8 GB 显存下运行。与 CogVideoX 一样，它是一个完整模型，而 H3-World 是一个参数高效的附加层。 H3-World 的亮点不在于规模，而在于方法：通过键盘指令交互式控制生成，并通过定向注意力将指令绑定到潜在区间。实际使用需要基础模型 MiniMax-H3 和带有补丁的官方仓库——没有它们，LoRA 检查点无法复现所声称的行为。