Pruna, 동영상 모델을 이미지 생성기로 개조한 'P-H3-Image' 오픈소스로 공개

최첨단 이미지 생성 모델을 만들려면 대규모 데이터셋과 막대한 연산 비용이 드는 것이 상식이었다. 하지만 Pruna AI는 전혀 다른 방향을 택했다. 거대한 오픈소스 동영상 생성 모델을 완전히 분해해 날렵한 이미지 생성기로 개조한 것이다.

Pruna AI가 오픈 가중치로 공개한 P-H3-Image는 MiniMax의 동영상 생성 모델인 MiniMax-H3를 기반으로 재구축된 모델이다. 모델 아키텍처 전반을 전면 개조해 143GB에 달하던 거대한 동영상 엔진을 최소 20GB 크기로 줄이고, 단 8스텝 만에 고해상도 이미지를 뽑아내도록 만들었다.

동영상 프레임워크를 깎아 이미지 전용으로 개조

동영상 모델에서 출발한 이유는 명확하다. 동영상 모델은 프레임 간의 일관성을 유지하기 위해 입체적인 빛의 흐름, 사물의 구조, 물리적 변화를 깊이 있게 학습한다. 이러한 사전 지식은 순수 이미지 모델보다 훨씬 자연스러운 현실감을 만들어낸다.

하지만 MiniMax-H3를 단일 프레임 생성에 그대로 쓰면 결과물이 흐릿하게 뭉개지고, 50스텝에 달하는 처리 과정과 거대한 용량 때문에 개인이 실행하기는 불가능에 가까웠다.

Pruna 개발진은 거의 모든 부품을 교체했다. 먼저 32B 크기였던 텍스트 인코더를 지식 증류를 통해 4B로 축소하여 용량을 67GB에서 9GB로 대폭 줄였다. 트랜스포머 백본의 40%를 차지하던 타임스텝 처리 블록 역시 가벼운 구조로 대체해 백본 파라미터를 33B에서 20B로 경량화했다.

확산 과정에는 DMD 증류 기술을 적용해 기존 50스텝을 단 8스텝으로 줄였다. 여러 프레임을 동시에 복원하던 기존 동영상 디코더 대신 단일 프레임을 선명하게 복원하는 전용 디코더를 장착했다. 4비트 및 8비트 양자화까지 적용한 최소 다운로드 크기는 원본의 약 7분의 1 수준인 20GB에 불과하다.

5배 빨라진 속도, 8장의 참조 이미지 합성

체감 성능 향상은 확실하다. 엔비디아 B200 환경에서 400만 화소 이미지 생성 속도는 기존 12.4초에서 2.6초로 줄었고, 800만 화소도 5.8초 만에 완성되어 약 5배 빨라졌다.

메모리 요구 사양도 현실적인 수준으로 내려왔다. 4비트 설정에서 800만 화소 이미지를 생성할 때 최대 VRAM 점유율은 약 21GB로, 24GB VRAM을 갖춘 소비자용 그래픽카드에서도 구동이 가능하다.

결과물의 질감은 다큐멘터리 사진, 영화 스틸컷, 피부 결 표현, 애니메이션 스타일 등에서 뛰어난 완성도를 보여준다. 동영상 모델의 다중 프레임 처리 능력을 이어받아, 최대 8장의 참조 인물이나 사물을 하나의 장면에 자연스럽게 합성하거나 자연어로 기존 이미지를 편집하는 기능도 갖췄다.

다만 작은 글씨나 코드 블록 생성, 800만 화소 미만 해상도에서의 손가락 및 원거리 인물 묘사에는 여전히 왜곡이 발생한다. 현재 허깅페이스에 가중치가 공개되었으며 ComfyUI에서도 별도의 커스텀 노드 없이 기본 지원한다.

왜 중요한가

동영상 모델의 역량을 정지 화상으로 역류시키는 이 접근 방식은 대단히 영리하다. 기초 이미지 모델을 처음부터 학습시키는 비용이 갈수록 치솟는 상황에서, 이미 물리 법칙을 체득한 동영상 모델을 증류해 영화 수준의 질감을 단시간에 확보할 수 있음을 증명했기 때문이다.

창작자 입장에서는 8스텝 만에 4K급 이미지를 뽑아내고 최대 8장의 참조 이미지를 조합해 캐릭터 일관성을 유지할 수 있다는 점이 매력적이다. ComfyUI의 기본 지원 덕분에 진입 장벽도 낮다.

하지만 가장 큰 걸림돌은 라이선스 조건이다. 기반 모델인 MiniMax H3의 커뮤니티 라이선스를 그대로 따르고 있어 미국, 유럽, 영국, 한국 등 주요 국가에서는 별도의 허가 없이 상업적 이용이 제한된다. 기술적 완성도는 뛰어나지만, 기업들이 상용 서비스에 즉시 도입하기에는 법적 제약이 따르는 셈이다.