Entraînement LoRA pour MiniMax H3 : Guide complet du fine-tuning pour des styles vidéo personnalisés

Aperçu IA

Qu’est-ce que l’entraînement LoRA MiniMax H3 ?

L’entraînement LoRA MiniMax H3 apprend à un petit adaptateur une caractéristique spécifique — personnage, style visuel, produit ou mouvement — tandis que le modèle de base H3 (33B) reste figé. L’adaptateur exporté est nettement plus léger qu’un point de contrôle complet et peut être combiné avec le modèle de base lors de l’inférence.

De combien de VRAM avez-vous besoin pour entraîner un LoRA MiniMax H3 localement ?

Aucun minimum universel n’a été publié. Considérez 16 Go comme un objectif ambitieux à résolution réduite, et 24 Go comme un point de départ plus réaliste ; 12 Go peuvent fonctionner uniquement avec une forte quantification, un déchargement (offloading), des séquences raccourcies et une quantité substantielle de mémoire système.

Combien de vidéos sont nécessaires pour un jeu de données LoRA MiniMax H3 ?

Les entraîneurs cloud acceptent au moins 10 séquences ; 50 à 200 séquences propres et variées constituent un objectif pratique plus solide. Normalisez-les à 24 ips et utilisez des longueurs valides respectant la formule 17n+5 — soit 22, 39, 56, 73, 90, 107 ou 124 images — pour l’entraîneur actuel.

Peut-on entraîner un LoRA MiniMax H3 sans GPU local ?

Oui. Les entraîneurs hébergés sur fal acceptent un jeu de données au format ZIP et renvoient un adaptateur au format .safetensors. Trois points de terminaison d’entraîneurs publiés couvrent quatre cibles : T2V, I2V/première image, inférence I2V avec LoRA en mode first-last-frame, et Ref2VA.

Pourquoi entraîner un LoRA pour MiniMax H3

MiniMax H3 est un DiT vidéo-audio conjoint de 33 B conçu pour généraliser sur les sujets, les styles, les mouvements de caméra et le son. Cette polyvalence est utile, mais un modèle général ne préservera pas automatiquement un personnage fictif, une finition exacte de produit ou un langage de mouvement maison sur des dizaines de plans. Un LoRA ajoute un petit ensemble de mises à jour de faible rang entraînables tout en laissant les poids du modèle de base figés.

Entraînez-en un lorsque les invites répétées et les références continuent de dériver. Des jeux de données centrés sur un personnage peuvent enseigner un visage, un costume et une silhouette stables dans divers lieux. Des jeux de données produits peuvent renforcer la géométrie, les matériaux, le positionnement du logo et l’éclairage publicitaire privilégié. Un LoRA dédié au mouvement peut orienter H3 vers une orbite récurrente, un vocabulaire chorégraphique ou un motif de transition spécifique. Le LoRA n’est pas un outil de correction pour des légendes médiocres ou des séquences contradictoires : il amplifie les motifs présents dans le jeu de données, y compris ses erreurs.

MiniMax H3 T2V · sortie de référence officielle avant l’entraînement LoRA personnalisé

Utilisez un rendu de référence réel comme celui-ci pour définir ce que l’adaptateur doit améliorer. Si l’objectif est uniquement un échantillonnage local plus rapide plutôt qu’une nouvelle identité ou un nouveau style, consultez plutôt le guide LoRA Turbo MiniMax H3.

Les quatre entraîneurs LoRA H3 expliqués

H3 propose quatre cibles d’entraînement LoRA utiles, mais l’API hébergée actuelle publie trois points de terminaison d’entraînement. Le mode first-last-frame réutilise la famille d’adaptateurs I2V : entraînez avec une condition initiale basée sur la première image, puis fournissez une image finale à l’endpoint d’inférence I2V compatible LoRA.

Choisissez T2V lorsque l’invite doit faire apparaître le concept sans image. Choisissez I2V/FLF2V lorsque l’image source constitue l’ancre identitaire. Choisissez Ref2VA lorsque le cahier des charges de production repose sur des références mixtes (images, vidéo ou audio). Pour une comparaison sans entraînement des mêmes modes initiaux, testez l’espace de travail Texte vers Vidéo avant de valider votre jeu de données.

Préparation du jeu de données : séquences, légendes et grille de trames 17n+5

Placez les vidéos et leurs légendes dans un même dossier, avec des noms de fichiers identiques (racine commune) : shot_001.mp4 et shot_001.txt. Utilisez les formats .mp4, .mov, .avi ou .mkv ; limitez chaque séquence à un seul concept, supprimez les montages et les filigranes, et évitez les doublons quasi identiques. Les légendes doivent indiquer le concept persistant ainsi que l’action visible, le mouvement de caméra et l’audio — pas un simple tas de mots-clés vagues. Le guide de promptings MiniMax H3 fournit une structure utile pour les légendes.

Normalisez chaque séquence à 24 ips. H3 applique la règle de trames trames = 17n + 5 ; bien que 5 soit mathématiquement valide, l’entraîneur hébergé actuel accepte 22 à 124 trames, donc utilisez 22, 39, 56, 73, 90, 107 ou 124. Effectuez d’abord le rognage, puis vérifiez le nombre de trames plutôt que de vous fier aux étiquettes de durée.

Commencez avec au moins 10 séquences uniquement pour tester le pipeline. Pour un adaptateur de personnage ou de style utile, 50 à 200 séquences variées et bien légendées constituent une fourchette de travail plus appropriée. Réservez 10–15 % pour la validation. Variez le cadrage, l’arrière-plan, l’angle de caméra et le mouvement, tout en maintenant l’identité cible constante.

Une véritable image source I2V H3 issue du workflow officiel. Les données d’entraînement pour un LoRA produit devraient préserver les détails avec cette précision, tout en variant la conception des plans.

MiniMax H3 I2V · sortie officielle source-vers-mouvement

Entraînement local avec ai-toolkit et ComfyUI

Le commit 8502a84 d’ai-toolkit ajoute le modèle MiniMax H3 T2V et l’entraînement I2V sur la première image. Utilisez ce commit ou une version ultérieure. Ce commit charge le transformateur ConvRot H3 élagué en int8 et l’encodeur de texte Qwen3-VL quantifié en NVFP4/AWQ, effectue l’entraînement avec FlowMatch et exporte des clés LoRA compatibles avec ComfyUI. L’échantillonneur H3 est « guidance-distilled », aussi laissez l’échelle de guidance à 1, plutôt que d’ajuster une CFG classique.

Utilisez ce bloc comme point de départ ciblé au sein d’un job ai-toolkit, et non comme recette complète indépendante du matériel :

network:
  type: lora
  linear: 16
  linear_alpha: 16
train:
  steps: 2000
  noise_scheduler: flowmatch
  optimizer: adamw8bit
  lr: 2e-4
model:
  name_or_path: MiniMaxAI/MiniMax-H3
  arch: minimax_h3
  quantize: true
  model_kwargs:
    partition: fl2va
sample:
  guidance_scale: 1

L’implémentation H3 utilise internement un décalage FlowMatch vidéo de 12 et un décalage audio de 3 ; ne remplacez pas ces valeurs à l’aide d’un préréglage générique pour modèles d’images. Pour l’I2V, activez la condition sur la première image fournie par le jeu de données, et vérifiez soigneusement la source des images avant de lancer un entraînement long. Mettez en cache les latents et les embeddings textuels, sauvegardez un point de contrôle tous les 250–500 pas, et validez systématiquement les mêmes prompts fixes à chaque sauvegarde. ComfyUI constitue l’interface d’inspection et d’inférence après entraînement ; la configuration complète H3 pour ComfyUI couvre les fichiers de base et les graphes.

Entraînement dans le cloud sur fal, sans GPU local

1. Emballez les vidéos appariées et leurs légendes .txt dans une archive ZIP ; ajoutez les fichiers annexes spécifiques à l’entraînement (première image ou référence), si requis.
2. Sélectionnez l’entraîneur T2V, I2V ou Ref2VA selon le tableau ci-dessus.
3. Définissez le nombre de pas, le rang, le taux d’apprentissage, le nombre d’images, la résolution et la probabilité de conditionnement.
4. Exécutez un test court, examinez les sorties de validation, puis étendez la durée uniquement si le concept continue de s’améliorer.
5. Téléchargez l’adaptateur .safetensors et le fichier de configuration renvoyés.

Les schémas actuels utilisent par défaut 2 000 pas, un rang de 32, un taux d’apprentissage de 2e-4, une fréquence d’images de 24 fps et 73 images ; les rangs acceptés vont de 8 à 128. La facturation est calculée par pas d’entraînement : l’estimation en temps réel fournie par l’interface — et non un chiffre copié depuis un billet de blog — constitue le coût fiable avant lancement. Le service ne requiert aucune VRAM locale, mais la qualité du jeu de données et les tests des points de contrôle restent sous votre responsabilité.

MiniMax H3 Ref2VA · sortie officielle mixte de références

Hyperparamètres clés — Rang, taux d’apprentissage et nombre de pas

Le rang correspond à la capacité du modèle, et non à un curseur de qualité. Un rang plus élevé augmente la taille du fichier et peut mémoriser plus rapidement les arrière-plans ou les visages. Le taux d’apprentissage contrôle l’amplitude des mises à jour ; diminuez-le si les textures deviennent trop marquées ou si l’adaptateur submerge les prompts. Le nombre de pas doit être déterminé par la validation, et non par l’atteinte d’un nombre rond. Si chaque prompt produit systématiquement la même composition, revenez à un point de contrôle antérieur ou diversifiez vos données.

Utilisation de votre LoRA entraîné dans Seedance et ComfyUI

Pour H3 dans ComfyUI, copiez l’adaptateur dans ComfyUI/models/loras/, actualisez la liste des modèles, chargez-le après le modèle de diffusion H3, et commencez avec une intensité comprise entre 0.7 et 1.0. Assurez-vous que l’adaptateur correspond bien à la base FL2VA ou Ref2VA appropriée. Testez la phrase déclencheuse sur des prompts réservés à la validation, puis comparez les résultats avec ceux du modèle de base, en conservant la même graine, le même nombre d’images et les mêmes paramètres d’échantillonneur.

Le flux de travail standard dans le navigateur de Seedance ne permet pas de charger arbitrairement un fichier .safetensors. Le pont pratique consiste à générer une image forte avec votre LoRA ou une courte séquence de référence dans H3, puis à utiliser cet élément dans Seedance Image to Video pour animer, réviser et produire directement depuis le navigateur. Cela maintient l’entraînement personnalisé dans la pile ouverte H3 tout en exploitant Seedance pour la finition hébergée, plus rapide.

Créez votre prochaine vidéo avec Seedance →

Conclusion

L’entraînement LoRA pour MiniMax H3 est pertinent dès lors qu’un personnage, un produit, un style ou un mouvement reproductible revêt plus d’importance qu’un simple extrait réussi : choisissez d’abord le mode de conditionnement, construisez un jeu de données propre à 24 fps sur la grille 17n+5, commencez avec un rang de 16 et une validation prudente, et arrêtez-vous au meilleur point de contrôle — et non au pas final le plus élevé. Utilisez ai-toolkit pour un contrôle local, ou fal si vous ne disposez pas de GPU, puis chargez l’adaptateur dans H3/ComfyUI et transmettez les éléments approuvés à Seedance lorsque vous souhaitez emprunter un chemin de production simplifié via le navigateur.