10รีวิวและทดสอบ · ระดับปานกลาง
P-H3 Image บน MiniMax H3: ดราม่าและผลทดสอบใน ComfyUI
ชื่อคลิปต้นฉบับ: Minimax H3 + P-H3:The Backlash of a "Free" Giveaway in 4K
คลิปนี้เล่าที่มาของกระแสต่อต้าน P-H3 Image จาก Pruna AI แล้วทดลองใช้ workflow ทั้ง text-to-image และ image edit ใน ComfyUI เหมาะกับผู้ใช้ ComfyUI ที่มี MiniMax H3 อยู่แล้วและอยากรู้ว่าควรโหลดไฟล์ไหนเพิ่ม
สรุปสั้น
- diffusion model ของ P-H3 Image ยังมีขนาด 20 GB เท่ากับ MiniMax H3 ส่วนที่เล็กลงมีเพียง text encoder
- ComfyUI รองรับ P-H3 Image แบบ native ผ่าน PR 17506 และมี template workflow จาก PR 17512
- บน RTX 5060 Ti 16 GB ใช้ 79 วินาทีเมื่อ prompt upsampler ทำงาน และต่ำกว่า 50 วินาทีเมื่อไม่ต้องรัน
- ควรตั้งขนาดภาพในช่วง 4–8 megapixels และให้ด้านกว้างยาวหารด้วย 32 ลงตัว
- ผู้ทำคลิปเห็นว่าคุณภาพและ prompt adherence ยังไม่ชนะ Flux 2 และ Qwen 2.1
เนื้อหาในคลิป
ดราม่าเรื่องคำอ้างว่าเล็กกว่า 7 เท่า
หนึ่งวันก่อนคลิปนี้ Pruna AI เปิดตัว P-H3 Image บน Reddit โดยอ้างว่าเป็นโมเดลภาพที่ต่อยอดจาก MiniMax H3 เล็กกว่า 7 เท่า เร็วกว่า 5 เท่า และใช้เพียง 8 steps ชุมชน open source ตรวจสอบแล้วพบว่า diffusion model ยังมีขนาด 20 GB เท่ากับ H3 ปกติ ส่วนที่เล็กลงจริงมีเพียง text encoder และถ้าใช้ prompt upsampler ขนาด 9B ที่ทางผู้พัฒนาแนะนำ ส่วนที่ประหยัดได้ก็หายไป
กระแสต่อต้านและการ report รุนแรงจน moderator ของชุมชนลบโพสต์ต้นทาง ผู้ทำคลิปเห็นว่าเมื่อตัดเรื่องการตลาดออก เครื่องมือนี้ยังใช้ได้จริง โดยเฉพาะถ้าโหลดเพียง LoRA กับ VAE แทนโมเดลเต็ม 20 GB
การรองรับใน ComfyUI และไฟล์ที่ต้องใช้
ComfyUI รองรับแบบ native ผ่าน PR 17506 ซึ่งเพิ่ม node P H3 image Conditioning รับ prompt, width, height, VAE แบบ optional และรายการภาพที่เพิ่มช่องได้เองสูงสุด 9 ภาพ ภาพที่ 1 คือภาพเป้าหมายที่จะแก้ ภาพถัดไปเป็นภาพอ้างอิง PR เดียวกันเพิ่ม PH3 ImageDecoder และ ImageVAE สำหรับ decode เฟรมเดียว เพราะฐานของโมเดลเป็นโมเดลวิดีโอ ส่วน PR 17512 เพิ่ม template workflow ผู้ทำคลิปใช้ ComfyUI รุ่น nightly และแนะนำให้อัปเดตก่อน แล้วกรอง template ด้วยชื่อโมเดล P H3
เรื่องไฟล์ เขาบอกว่าใช้ MiniMax H3 First-to-Last frame model ที่มีอยู่แล้วแทนการโหลดโมเดลเต็มได้ ตามความเห็นที่เห็นใน Reddit ไฟล์หลักที่ต้องมีคือ VAE และ LoRA ส่วน text encoder ตัวเล็กเหมาะกับเครื่องที่หน่วยความจำน้อย และ prompt upsampler ใช้ขยาย prompt ให้มีรายละเอียดพอสำหรับภาพขนาดใหญ่
ผลทดสอบและข้อจำกัด
บนเครื่อง 14400F, RAM 64 GB และ RTX 5060 Ti 16 GB workflow text-to-image ใช้ 79 วินาทีเมื่อ prompt upsampler ทำงาน และต่ำกว่า 50 วินาทีเมื่อเปลี่ยนเฉพาะ seed จน upsampler ไม่ต้องรันซ้ำ ผู้ทำคลิปพบว่าโมเดลทำงานดีที่สุดที่ 4–8 megapixels และขนาดภาพต้องหารด้วย 32 ลงตัว ไม่เช่นนั้นพิกเซลและตัวตนของตัวแบบจะเลอะเข้าหากัน ขนาดนอกช่วงนี้อาจทำให้สีและตัวตนเพี้ยน
โมเดลที่ใช้ในรูป LoRA เป็นแบบ distilled จึงใช้ CFG หรือ negative prompt ไม่ได้ ส่วน prompt upsampler มีอาการ hallucinate และตีความคำสั่งผิดบ่อย ในงานแก้ภาพ prompt ง่ายๆ ของเขาได้ผลเมื่อปิด upsampler และกำหนดขนาดภาพเองราว 4 megapixels เขาสรุปว่าคุณภาพภาพและ prompt adherence ยังไม่ชนะโมเดลภาพโดยตรงอย่าง Flux 2 หรือ Qwen 2.1 และสาธิตเพิ่มว่าป้อน depth map เข้า condition node เพื่อคงโครงสร้างภาพเดิมได้
ข้อสังเกตเรื่องจังหวะการตลาด
ช่วงท้าย ผู้ทำคลิปชี้ว่าขณะที่กระแสในชุมชนกำลังแรง Pruna AI ก็ประกาศบริการวิดีโอเชิงพาณิชย์ตัวใหม่ ซึ่งในคลิปเรียกว่า P Video to Pro เป็น API แบบปิดที่เสียเงิน พร้อมส่วนลด 50% ในสองสัปดาห์แรก เขาจึงมองว่า P-H3 แบบ open weight ทำหน้าที่สร้างความสนใจก่อนเปิดตัวบริการเสียเงิน
ข้อสรุปของผู้ทำคลิป
P-H3 Image ใช้สร้างและแก้ภาพแบบ 8 steps ได้จริง แต่คุณภาพยังไม่ถึง Flux 2 หรือ Qwen 2.1 และผู้ทำคลิปมองว่าการปล่อย open weight เป็นการปูทางให้บริการเสียเงินของ Pruna AI
คำถามที่พบบ่อย
ใช้ P-H3 Image ต้องโหลดโมเดลเต็ม 20 GB ไหม
ไม่จำเป็นถ้ามี MiniMax H3 First-to-Last frame model อยู่แล้ว ผู้ทำคลิปบอกว่าใช้ไฟล์นั้นแทนได้ แล้วโหลดเพิ่มเฉพาะ LoRA กับ VAE
P-H3 Image ใช้ CFG หรือ negative prompt ได้ไหม
ไม่ได้ เพราะโมเดลที่ใช้ในรูป LoRA เป็นแบบ distilled จึงไม่ได้ประโยชน์จาก CFG และไม่รองรับ negative prompt
workflow image edit ใส่ภาพได้กี่ภาพ
node P H3 image Conditioning รับภาพได้สูงสุด 9 ภาพ ภาพที่ 1 เป็นภาพเป้าหมายที่จะแก้ ภาพที่เหลือเป็นภาพอ้างอิง
ควรเปิด prompt upsampler ไว้หรือไม่
ใน template เปิดไว้เป็นค่าเริ่มต้น และช่วยเติมรายละเอียดให้ภาพขนาดใหญ่ แต่ผู้ทำคลิปพบว่ามัน hallucinate และตีความคำสั่งผิดบ่อย ถ้ามี prompt จากที่อื่นอยู่แล้วให้ปิดได้ ซึ่งประหยัดหน่วยความจำไปมาก
