Pruna 开源 P-H3-Image：把视频模型改成图像生成，8 步跑出 4K 图

以前大家做图像模型，嫌画质不够就堆数据、加参数；现在有人另辟蹊径，直接从视频大模型里「挖」出一个图像生成器。

Pruna AI 最近开源了名为 P-H3-Image 的图像生成与编辑模型。它的底座不是某个传统的扩散模型，而是此前 MiniMax 开源的视频生成大模型 MiniMax-H3。团队通过一整套手术刀式的重构，硬是把一个庞大笨重的视频模型，改造成了只需要 8 步就能出图的高分辨率图像模型。

拆掉视频骨架，重装图像引擎

为什么要拿视频模型改图像？道理其实很直白。视频模型为了保证前后帧连贯，必须在训练中深刻理解不同视角的光影变化、物体结构和运动规律，这些物理先验是纯图像模型很难彻底吃透的。

问题在于，MiniMax-H3 原生虽然能单帧出图，但画面偏软偏糊，而且原始体积高达 143 GB，生成一张图还要跑 50 步，普通人根本跑不动。

Pruna 几乎把模型的每一个核心零件都换了一遍。他们先把原本 32B 的巨型文本编码器蒸馏到了 4B，体积直接从 67 GB 砍到 9 GB；接着把 Transformer 骨干网络中占了 40% 的时间步处理模块换成轻量等效结构，让骨干参数从 33B 降至 20B。

针对生成速度，团队用 DMD 蒸馏技术把扩散步数从 50 步压缩到了 8 步。原版用来一次解码多帧画面的视频解码器也被撤下，换成专门针对单帧锐利图像的专用解码器。再加上 8-bit 和 4-bit 量化，模型的下载体积最小只要 20 GB，相比原版缩小了整整 7 倍。

速度翻了 5 倍，还能一次拼 8 张参考图

瘦身之后的效果相当亮眼。在 B200 显卡上生成一张 400 万像素的图片，耗时从原本的 12.4 秒缩短到了 2.6 秒，生成 800 万像素也只要 5.8 秒，速度整体提升了约 5 倍。

显存占用也终于降到了消费级可碰的边缘。在 4-bit 模式下生成 800 万像素图像，峰值显存占用大约在 21 GB，单张 24 GB 显存的显卡已经可以尝试跑起来。

画面表现上，它继承了视频模型的光影与写实质感，在纪实摄影、电影剧照、真实皮肤纹理、动漫以及艺术版画风格上表现突出。更实用的是它的多图融合能力，借助视频模型处理多帧参考的底子，它最多能把 8 张不同的参考人物或物体自然地融合进同一个场景，或者通过自然语言对现有图片进行局部修改。

不过短板也很明显。模型对极端简短或夸张堆叠的提示词很敏感，生成小字或代码极不稳定；在低于 800 万像素分辨率时，小人物面部和手部容易出现扭曲。目前模型已经在 Hugging Face 开源，ComfyUI 也已原生支持，无需安装第三方节点。

为什么重要

把视频模型「降维」做成图像生成，这条路线在工程上非常聪明。训练顶尖图像模型的门槛正变得越来越高，而视频模型天然具备更高维度的空间与运动常识。Pruna 证明了不用从零训练，只要通过极致的蒸馏、剪枝和解码重构，就能把视频大模型的常识能力直接「挪用」给静态图像，而且出图质感远比纯图像训练的模型更具电影感。

对创作者来说，单卡跑 8 步出 4K 级图像、还能原生融合 8 张参考图，直接解决了角色一致性和复杂场景拼贴的痛点，ComfyUI 的原生支持更让上手门槛大幅降低。

但我们认为，它目前最大的限制不在技术，而在开源协议。模型沿用了 MiniMax H3 的社区许可证，明确排除了欧美及日韩等多个地区，商用还必须署名。这意味着很多团队只能把它当作本地尝鲜工具，短期内很难直接放进成熟的商业工作流中。