MiniMax H3 向け Wuli の Gemma-4 プロンプト拡張モデルを ComfyUI で実行する

ComfyUI Wikinews

Wuli-Art は Gemma-4-12B を MiniMax H3 向けプロンプト拡張モデルにファインチューニングしました。FL2VA と Ref2VA で共通の重みセット、fp8 で 13 GB、ComfyUI ワークフローは 2 種類です。

Wuli-Art は 2026-11-16 に Gemma4-for-MiniMax-H3-Prompt-Extend を公開しました。Gemma-4-12B をファインチューニングしたモデルで、素朴なアイデアを MiniMax H3 が期待する音声付き映像プロンプトへ書き換えます。bf16、fp8、int8 の重みと 2 つの ComfyUI ワークフローが付属し、これらのグラフはコアノードのみを使用します。

できること

H3 のプロンプトは 1 つのブロックで、ショット、時間経過に伴うアクション、カメラの動き、サウンドスケープをすべて担う必要があります。これを手作業で書くのが時間のかかる部分です。このモデルは、あなたの一文と、すでに読み込んだフレームや参照素材をもとにそれを書き上げます。

1 つの重みセットが両方の入力フォーマットに対応するため、先頭/最終フレームの作業用と参照素材の作業用で別々の拡張モデルを用意する必要はありません。

H3 の入力フォーマット対応範囲拡張モデルが追加する内容
FL2VAT2VA、I2VA、L2VA、FL2VAシーン、アクション、カメラの動き、サウンド、フレーム制約
Ref2VA参照条件付き生成被写体の定義、参照の役割、保持する内容

実行方法

  1. gemma4_12b_h3_pe_fp8_scaled.safetensors(13.0 GB)または int8 ファイルを ComfyUI/models/text_encoders/ に置きます。bf16 ファイルは 23.9 GB です。
  2. 対応するワークフローをキャンバスにドラッグします: FL2VA または Ref2VA。これらは 2 段階の工程ではなく、選択肢の関係です。
  3. UNET、テキストエンコーダー、VAE、LoRA の各ローダーを自分の H3 ファイルに向け、プロンプトを書いて実行します。出力はテキストなので、それを通常の H3 グラフに渡します。
リクエストを中国語で書いても、拡張されたプロンプトは英語で返ってきます。モデルカードでは言語として zh と en が挙げられています。

バージョン要件: TextGenerateV2 と Gemma-4 テキストエンコーダーのサポートを備えた ComfyUI ビルド。v0.46.0 には両方が含まれています。

ダウンロード

ファイルサイズ配置先
gemma4_12b_h3_pe_fp8_scaled.safetensors13.0 GBmodels/text_encoders/
gemma4_12b_h3_pe_int8.safetensors13.0 GBmodels/text_encoders/
gemma4_12b_h3_pe_bf16.safetensors23.9 GBmodels/text_encoders/

他のプロンプト生成モデルとの比較

モデルカードのデモでは、同じ入力に対して 5 つの設定を実行しています: 拡張なし、素の Gemma-4-12B、MiniMax 公式 PE、lightx2v のリライター、そしてこのモデルです。ケース 04 は、2 羽のツルが争う様子を描いた 31 文字の中国語 1 行と、先頭フレームから始まります。

プロンプト拡張なしMiniMax 公式 PEGemma-4-12B 拡張モデル
拡張なしMiniMax 公式 PEGemma-4-12B 拡張モデル

目に見える違いは長さです。このケースでは、素の Gemma-4 ベースラインが 1,097 文字、lightx2v のリライターが 1,180 文字、このモデルが 2,102 文字、公式 PE が 4,296 文字を書きました。

この拡張モデルが生成したプロンプトから作った 5 秒・1024×768 のサンプル。

入手先

コメント

GitHubでサインインしてディスカッションに参加しましょう。

コメントを読み込み中…
MiniMax H3 向け Wuli の Gemma-4 プロンプト拡張モデルを ComfyUI で実行する | ComfyUI Wiki