MiniMax H3 ลงเครื่องตัวเองภายใน 48 ชั่วโมง — ComfyUI ตัดจาก 123.6GB เหลือ 42.5GB ชุมชนปั๊ม quant 63 รีโป แต่คำว่า '2K บนเครื่อง' ยังไม่จริง

เมื่อวานเราเขียนถึง MiniMax H3 ในฐานะโมเดลวิดีโอ omni-modal ตัวแรกของบริษัทที่ปล่อยน้ำหนักออกมา พร้อมสัญญาอนุญาตที่มีเงื่อนไขเยอะกว่าที่พาดหัวส่วนใหญ่บอก วันนี้เรื่องเปลี่ยนจาก “มีน้ำหนักให้โหลด” เป็น “รันได้จริงไหมบนเครื่องที่มี” — และคำตอบมาเร็วกว่าที่คิดมาก

วันที่ 3 สิงหาคม 2026 Rob และ Alexis Rolland จากทีม Comfy Org ประกาศว่า ComfyUI รองรับ H3 แบบ day zero พร้อมชุดน้ำหนักที่ผ่านวิศวกรรมมาแล้ว และในช่วง 48 ชั่วโมงเดียวกันนั้น ผู้ใช้ Hugging Face ก็ผลิตรีโปแปลงร่างออกมา 63 รีโป จาก 52 บัญชี — นี่คือภาพของ “โมเดลเปิด” ที่ทำงานตามที่ควรจะเป็น

123.6GB → 42.5GB: ตัวเลขที่ตรวจสอบซ้ำได้จากไฟล์จริง

ComfyUI อธิบายวิธีลดหน่วยความจำไว้สามชั้น: พบว่า modulation weights ซึ่งกินราว 40% ของพารามิเตอร์ทั้งหมด สามารถตัดทิ้งแล้วแทนด้วย lookup table ที่ให้ผลเทียบเท่าได้ “โดยไม่เสียคุณภาพเอาต์พุต”, น้ำหนักที่ปล่อยมาพ่วง int8 convrot quantization มาให้แล้ว, และมี custom kernel ลด VRAM ช่วงพีคระหว่าง inference

ตัวเลขที่เขาสรุปคือ “ลดรอยเท้าหน่วยความจำรวมลง 66% จาก 123.6 GB ที่ full precision เหลือ 42.5 GB ด้วยชุดโมเดลเวอร์ชันเล็กที่สุด” — และตัวเลขนี้ ตรวจสอบย้อนกลับได้ตรง ๆ จากขนาดไฟล์ในรีโป Comfy-Org/MiniMax-H3 (15 ไฟล์ รวม 384.6GB):

ชุดที่เลือก	diffusion	text encoder	VAE (วิดีโอ+เสียง)	รวม
full precision	66.28 GB (bf16)	51.51 GB (bf16)	5.82 GB	123.61 GB
เล็กที่สุด	20.96 GB (pruned fp8)	15.69 GB (nvfp4 awq)	5.82 GB	42.47 GB

สังเกตว่า ตัว text encoder คือ Qwen3-VL-32B เต็ม ๆ ซึ่งกินพื้นที่มากกว่าตัว diffusion เสียอีกในเวอร์ชัน bf16 การบีบมันลงเป็น NVFP4 AWQ จึงเป็นครึ่งหนึ่งของการประหยัดทั้งหมด ส่วนตัวเลข “modulation weights ~40%” ก็สอดคล้องกับสถาปัตยกรรมที่เรารายงานไปเมื่อวาน คือ H3 เป็นโมเดล dense 33B ที่มีราว 13B อยู่ในสาย AdaLN — 13 จาก 33 คือ ~39%

น้ำหนักในรีโปแยกเป็นสองตระกูล: fl2va (first/last-frame → วิดีโอ+เสียง) และ ref2va (โหมดอ้างอิงหลายไฟล์) โดยแต่ละตระกูลมีสี่ระดับ — bf16, int8 convrot, pruned int8 convrot และ pruned fp8 scaled — เทมเพลต workflow มีให้สามชุดคือ T2V, I2V และ R2V ต้องอัปเดต ComfyUI เป็น 0.30.0 ขึ้นไป

ชุมชนแปลงร่างทั้งโมเดลใน 48 ชั่วโมง

ค้นคำว่า MiniMax-H3 บน Hugging Face ตอนนี้ได้รีโปที่ไม่ใช่ของ MiniMax เอง 63 รีโป จาก 52 บัญชีที่ต่างกัน และ 53 รีโปในจำนวนนั้นถูกสร้างขึ้นในวันที่ 3 สิงหาคมวันเดียว กระจายตามฟอร์แมตดังนี้ — MLX 10 รีโป (สำหรับ Apple Silicon), INT8 7, NVFP4 6, GGUF 5, FP8 5, INT4 4 และมีทั้ง W4A16 RTN, AOTI, sdnq dynamic 4-bit ไปจนถึงเวอร์ชันที่จับ text encoder ไปสลับกับ Qwen3-VL-32B ตัวอื่น

นี่คือสิ่งที่ API ให้ไม่ได้ และเป็นเหตุผลเชิงปฏิบัติที่สุดว่าทำไม “open weights” ถึงต่างจาก “ราคาถูก” — ภายในสองวัน มีคนทำเวอร์ชันสำหรับ MacBook, สำหรับการ์ด 24GB, สำหรับคนที่อยาก serve ด้วย vLLM แล้ว โดยที่ MiniMax ไม่ต้องออกแรงเลยสักนิด

”รันบน RTX 3060” กับ “2K บนเครื่อง” — อ่านให้ละเอียด

พาดหัวของ ComfyUI คือ “Open Weights, Native Audio, and 2K Video” และในเนื้อบอกว่าการรวมทุกอย่างเข้ากับ dynamic VRAM offloading “ทำให้โมเดลวิดีโอ 2K รุ่นใหม่รันบนเครื่องได้บน GPU อย่าง RTX 3060” ประโยคนี้ต้องแยกอ่านเป็นสองส่วน

เรื่อง VRAM: RTX 3060 มี VRAM 12GB ส่วนชุดที่เล็กที่สุดคือ 42.5GB ฉะนั้นสิ่งที่เกิดขึ้นจริงคือการสลับน้ำหนักเข้าออกระหว่าง RAM ระบบกับ GPU ตลอดการรัน มันจะ “ทำงานได้” — แต่โพสต์ไม่ได้บอกเวลาสร้างต่อคลิปแม้แต่ตัวเลขเดียว สำหรับงานจริง ตัวเลข 42.5GB แปลว่าการ์ด 48GB ใบเดียว (RTX 6000 Ada / A6000) หรือ 24GB สองใบ คือจุดที่เริ่มใช้งานได้โดยไม่ต้องรอ

เรื่อง 2K: อันนี้สำคัญกว่า model card ของ MiniMaxAI/MiniMax-H3 เขียนไว้ตรง ๆ ในตารางสเปกว่า “ด้านสั้นตั้งไว้ที่ 768 พิกเซลโดยค่าเริ่มต้น การสร้างที่ 2K ทำได้ด้วย H3-Regenerate-2K” และในหัวข้อของโมดูลนั้นเองระบุว่า “เนื่องจากระบบมีความซับซ้อน โมดูลนี้ยังไม่ถูกเปิดซอร์ส เราจะปล่อยเมื่อพร้อม” โดยมีเพียง API ให้เรียกเพื่อตรวจผลลัพธ์

พูดให้ชัด: ที่เปิดจริงคือ H3-Base ซึ่งออกมาที่ 768p ส่วน 2K เกิดจากการป้อนผล 768p กลับเข้าไปให้ H3 สร้างใหม่ผ่านโมดูล H3-Regenerate-2K ที่ยังอยู่บนคลาวด์ของ MiniMax เท่านั้น — และตัว H3-Context-IR ที่ MiniMax “แนะนำอย่างยิ่ง” ให้ใส่ในไปป์ไลน์ก็ยังปิดเช่นกัน สิ่งที่รันบนเครื่องได้ครบวันนี้คือคลิป 4–15 วินาที 24 FPS ที่ 768p พร้อมเสียงสเตอริโอในพาสเดียว ซึ่งก็ยังน่าประทับใจมาก แต่ไม่ใช่ 2K

มุมมอง AI Curator

สองวันนี้เป็นกรณีศึกษาที่ดีเรื่อง ระยะห่างระหว่างวันที่น้ำหนักขึ้นเซิร์ฟเวอร์ กับวันที่คนธรรมดาใช้มันได้ ซึ่งเมื่อก่อนวัดกันเป็นสัปดาห์ ตอนนี้เหลือหลักชั่วโมง — และคนที่ปิดช่องว่างนั้นไม่ใช่เจ้าของโมเดล แต่เป็น ComfyUI กับบัญชี Hugging Face 52 บัญชีที่ส่วนใหญ่เราไม่รู้จักชื่อ ถ้าคุณกำลังตัดสินใจว่าจะปล่อยโมเดลแบบเปิดหรือไม่ ตัวเลข 63 รีโปใน 48 ชั่วโมงคือคำตอบว่าคุณจะได้แรงงานวิศวกรรมฟรีเท่าไร

แต่บทเรียนที่ใช้ได้ทันทีคือเรื่องการอ่านข่าว บล็อกของผู้ผลิตเครื่องมือไม่ใช่ที่ที่ควรเชื่อสเปกโมเดล ComfyUI ไม่ได้โกหก — เขาแค่ยกสเปกของ “ระบบ H3” ทั้งระบบมาใส่พาดหัวของสิ่งที่รันได้เฉพาะส่วนที่เปิด คนที่โหลดไป 42.5GB แล้วนั่งงงว่าทำไมไม่ได้ 2K จะเสียเวลาไปหลายชั่วโมง วิธีกันคือเปิด model card ต้นทางแล้วหาคำว่า resolution ทุกครั้ง ใช้เวลาสามสิบวินาที

สำหรับทีมในไทยที่ทำคอนเทนต์วิดีโอ ตัวเลขที่ควรเอาไปคิดต่อคือ 768p + เสียงสเตอริโอในพาสเดียว บนการ์ด 48GB ใบเดียว ซึ่งเป็นเครื่องระดับที่สตูดิโอเล็ก ๆ ซื้อได้ ไม่ใช่คลัสเตอร์ ความสามารถที่น่าสนใจที่สุดไม่ใช่ความละเอียด แต่คือ ref2va — ป้อนภาพ วิดีโอ และเสียงอ้างอิงพร้อมกันแล้วให้โมเดลแก้ความสัมพันธ์เอง ซึ่งแปลว่างานประเภท “ทำคลิปโฆษณาโดยคงหน้าคนและเสียงพากย์เดิม” ย้ายมาอยู่บนเครื่องตัวเองได้แล้ว — โดยยังต้องอ่านสัญญาอนุญาต community license ของ H3 ให้จบก่อน เพราะมันมีเงื่อนไขเรื่องเขตพื้นที่และรายได้ที่เราเขียนถึงไปเมื่อวาน

แหล่งข่าว

• MiniMax H3 Day-0 Support in ComfyUI — ComfyUI Blog (3 ส.ค. 2026)
• Comfy-Org/MiniMax-H3 — Hugging Face (ไฟล์น้ำหนักที่ผ่านการบีบแล้ว)
• MiniMaxAI/MiniMax-H3 — model card ต้นทาง (ตารางสเปกและสถานะของ H3-Regenerate-2K)