에 최적화되어 공개되었다

서비스 제공자가 정해준 경로만 따라야 했던 폐쇄적인 API 방식의 제약이 사라졌다. 개발자는 이제 MiniMax H3 모델 파일을 자신의 컴퓨터에 직접 저장하고 관리하며 ComfyUI(블록을 연결해 기능을 설계하는 인터페이스)에서 자신만의 작업 흐름을 짤 수 있다. 영상이 만들어지는 각 단계를 조립하듯 직접 연결하고 세부 설정을 세밀하게 제어하는 로컬 환경이 구축된 셈이다. 서비스 제공자가 정해놓은 일방적인 경로를 따르는 대신 제작자가 원하는 방식으로 생성 공정을 설계할 수 있게 됐다.

제작자가 선택할 수 있는 생성 경로는 T2V(텍스트를 영상으로 변환), I2V(이미지를 영상으로 변환), R2V(참조 영상을 기반으로 생성) 세 가지로 모두 갖춰졌다. 텍스트와 이미지를 활용한 기본 생성 기능에 더해, 참조 영상을 기반으로 새로운 영상을 만드는 R2V 기능이 핵심적인 역할을 한다. 특히 R2V는 영상 속 대상의 시각적 정체성을 일관되게 유지하면서 동작이나 배경만 자유롭게 바꿀 수 있는 것이 특징이다. 인물의 외형이나 특정 사물의 모습은 그대로 둔 채 상황만 바꾸는 정교한 작업이 가능해 상업 영상 제작 현장에서의 활용도가 높다.

텍스트 인코더로 320억 개의 파라미터를 가진 Qwen3-VL

인코더의 규모를 소규모 모델에서 320억 개의 파라미터를 가진 Qwen3-VL 32B 모델로 확장해 복잡한 지시사항을 이해하는 능력을 높였다. 텍스트 인코더(글자를 AI가 이해하는 숫자로 바꾸는 장치)가 입력된 글과 이미지의 맥락을 정밀하게 분석해 영상의 전체적인 뼈대를 잡는 핵심 기능을 수행한다. 거대 모델을 사용한 덕분에 기존의 작은 모델들이 자주 겪었던 세부 묘사 누락 문제를 해결하고, 사용자가 입력한 까다로운 프롬프트까지 정확하게 반영한다.

하드웨어 성능과 만들려는 영상의 성격에 따라 VAE(고차원 데이터를 저차원으로 압축하고 복원하는 신경망)의 버전을 다르게 조합할 수 있다. 오디오 전용 fp32(정밀도가 높은 32비트 부동소수점 방식)와 비디오 전용 fp16(연산 속도가 빠른 16비트 부동소수점 방식) 버전이 구분되어 제공된다. 사용자는 자신의 GPU 환경과 생성하려는 영상의 품질 기준에 맞춰 이 모델들을 세밀하게 배치해 효율을 조절한다. 고차원 데이터를 저차원으로 압축하고 다시 복원하는 과정을 용도별로 최적화해 하드웨어 부담을 줄이면서도 필요한 품질을 확보한다.

확인해야 할 핵심 지점

고가의 기업용 GPU를 구축해야만 가능했던 고해상도 영상 생성이 다양한 양자화(데이터 크기를 줄여 메모리 사용량을 낮추는 기술) 버전의 등장으로 일반 소비자용 그래픽카드에서도 가능해졌다. 정밀도를 유지하며 메모리를 줄인 bf16(16비트 부동소수점) 버전과 메모리 효율을 높여 추론 속도를 올린 int8(8비트 정수) 버전이 함께 제공된다. 여기에 엔비디아 그래픽카드 전용 4비트 양자화 기술인 nvfp4_awq 버전이 추가되어 개인 제작자의 진입 장벽이 낮아졌다.

확산 모델은 fl2va와 ref2va라는 두 가지 경로로 나뉜다. 정밀도 옵션은 bf16과 int8_convrot, 그리고 불필요한 가중치를 걷어내 효율을 높인 pruned_int8_convrot 중에서 고를 수 있다. 사용자는 자신이 가진 GPU의 VRAM(비디오 램) 용량과 만들려는 영상의 성격에 맞춰 이 모델들을 조합해 연산 효율을 극대화한다.

보유한 GPU의 VRAM 용량에 따라 고정밀도가 필요하면 bf16을, 메모리 점유율을 낮춰야 한다면 int8_convrot 계열의 파이프라인을 선택하면 된다.