Erst vor wenigen Tagen berichteten wir über die Veröffentlichung von MiniMax H3 und die beeindruckenden Cloud-Demonstrationsvideos. Nun sorgt das chinesische KI-Labor MiniMax für den nächsten großen Paukenschlag in der Open-Source-Community: Das rund 33 Milliarden Parameter schwere Diffusion-Transformer-Modell (DiT) ist ab sofort als Open-Weight-Modell verfügbar und erzeugt Video und natives Stereo-Audio gemeinsam in einem Durchlauf.
Die Nachricht hat auf Plattformen wie X eine massive Welle an Experimenten ausgelöst. Entwickler und Open-Source-Enthusiasten versuchen weltweit, das speicherintensive Schwergewicht auf heimischer Hardware zum Laufen zu bringen. Während die unkomprimierten BF16-Gewichte eigentlich professionelle Server-GPUs mit 80 GB VRAM erfordern, zeigen neue Quantisierungsmethoden, dass MiniMax H3 auch auf Consumer-Hardware nutzbar wird.
Einen Überblick über die Begeisterung in der Entwickler-Szene liefert die nachfolgende Zusammenstellung aktueller Analysen und Praxisberichte:
Hardware-Anforderungen: Was auf Windows und Mac wirklich nötig ist
Nach Angaben des Entwicklerteams sowie ersten Testerfahrungen aus der Open-Source-Szene stellt MiniMax H3 aufgrund seiner omnimodalen Architektur extrem hohe Anforderungen an den Arbeitsspeicher. Wer das Modell lokal ausführen möchte, muss zwischen verschiedenen Quantisierungsstufen und Offloading-Strategien wählen.
Windows (NVIDIA GPUs):
- Mindestausstattung (stark komprimiert): Eine Grafikkarte mit mindestens 12 GB VRAM (beispielsweise eine NVIDIA RTX 3060) in Kombination mit 32 GB System-Arbeitsspeicher und einer schnellen NVMe-SSD. In dieser Konfiguration verarbeitet das System stark quantisierte INT8/NVFP4-Varianten mit starkem RAM-Offloading. Ein fünfsekündiger Clip in 480p-Auflösung benötigt dabei rund 9 Minuten Rechenzeit.
- Empfohlene Konfiguration: Grafikkarte mit 24 GB VRAM (RTX 3090 / RTX 4090) und 64 GB System-RAM. Damit lassen sich höhere Zielauflösungen und mehr Inferenzschritte in akzeptablen Generierungszeiten erzielen.
- Speicherplatz: Für den Download der Modellkomponenten (Diffusion-Model, Qwen3-VL Text-Encoder, Video-VAE und Audio-VAE) sollten mindestens 40 bis 50 GB freier Speicherplatz auf der SSD eingeplant werden.
Mac (Apple Silicon):
- Unified Memory als Nadelöhr: Über einen Community-Port auf Basis des MLX-Frameworks lässt sich MiniMax H3 auch unter macOS ausführen. Geräte mit 64 GB Unified Memory bewegen sich an der absoluten Untergrenze und sind durch starkes Memory-Paging extrem langsam. Für eine flüssige Ausführung ist ein Mac Studio mit 128 GB Unified Memory oder mehr erforderlich.
- Speicherersparnis durch MLX-Quantisierung: Die optimierten 4-Bit- oder 6-Bit-MLX-Builds reduzieren den aktiven Speicherbedarf des DiT-Kerns auf etwa 11,5 GB, wodurch zusammen mit den Encodern der Betrieb auf Apple-Chips ermöglicht wird.
Erfahrungen und Performance-Werte aus der Praxis zeigen die Unterschiede zwischen den Plattformen:
Schritt-für-Schritt-Anleitung: Installation über ComfyUI
Der stabilste und am weitesten verbreitete Weg zur lokalen Ausführung führt über das beliebte Node-Interface ComfyUI, das ab Version 0.30.0 eine native Unterstützung für MiniMax H3 bietet.
- ComfyUI aktualisieren: Stellen Sie sicher, dass ComfyUI auf Version 0.30.0 oder neuer aktualisiert ist. Dies gilt sowohl für die portable Windows-Version als auch für die Comfy Desktop App.
- Modellgewichtungen herunterladen: Laden Sie die quantisierten Gewichte aus dem offiziellen Comfy-Org Repository auf Hugging Face herunter. Für Consumer-Hardware empfehlen sich die
pruned INT8beziehungsweiseNVFP4-Varianten. - Dateien in die Modellordner einsortieren:
- Diffusion-Transformer-Datei in
ComfyUI/models/diffusion_models/ablegen. - Text-Encoder (Qwen3-VL) in
ComfyUI/models/text_encoders/ablegen. - Video- und Audio-VAEs in
ComfyUI/models/vae/ablegen.
- Diffusion-Transformer-Datei in
- Workflow laden: Öffnen Sie in ComfyUI die integrierte Vorlagen-Bibliothek (Template Library) unter Video → MiniMax H3 und wählen Sie den gewünschten Workflow (Text-to-Video, Image-to-Video oder Reference-to-Video). Missing Nodes oder fehlende Pfade werden vom System automatisch hervorgehoben.
Als optionale Performance-Optimierung kann das Paket Sage Attention installiert werden, um die Berechnungsgeschwindigkeit der Attention-Layer spürbar zu steigern.
Alternative Installationspfade: Diffusers & MLX
Für Entwickler, die eigene Python-Pipelines bauen möchten, bietet die Hugging Face Diffusers-Bibliothek Unterstützung über ein aktuelles Pull Request. Nach der Installation der neuesten Git-Version lässt sich die Pipeline direkt per Python-Skript ansteuern:
Auf Mac-Systemen kommt stattdessen das GitHub-Repository PipeNetwork/minimax-h3-mlx zum Einsatz. Nach dem Klonen des Repositories und der Installation der Abhängigkeiten lassen sich die 4-Bit-quantisierten MLX-Gewichte direkt über Terminal-Skripte ausführen.
1. Hardware abwägen: Wenn Sie weniger als 12 GB VRAM auf Windows oder weniger als 64 GB RAM auf dem Mac besitzen, nutzen Sie für MiniMax H3 bevorzugt die kostenpflichtige API über die Entwicklerplattform des Herstellers, um Stunden lange Wartezeiten zu vermeiden.
2. Speicherbedarf planen: Achten Sie bei der ComfyUI-Einrichtung strikt darauf, quantisierte Modellvarianten (INT8 / NVFP4) zu verwenden. Die unkomprimierte Variante bringt selbst High-End-PCs ohne Multi-GPU-Setup zum Absturz.
3. Auflösung stufenweise steigern: Starten Sie lokale Generierungstests zunächst mit niedriger Bildauflösung (768p oder 480p) und kurzen Sequenzen von 5 Sekunden, um die Stabilität des Grafikspeichers zu überprüfen.
