MiniMax H3 — offene Video-Gewichte, die unsere Karte nicht satt bekommt

Was da veröffentlicht wurde

Am 31. Juli 2026 hat das chinesische Unternehmen MiniMax H3 vorgestellt, drei Tage später lagen die Gewichte auf Hugging Face. Es ist ein dichtes Modell mit rund 33 Milliarden Parametern, das Text, Bild, Video und Ton in einem gemeinsamen Zusammenhang liest und daraus einen Clip von 4 bis 15 Sekunden mit 24 Bildern je Sekunde erzeugt — mit eigenem Stereo-Ton, im selben Durchgang, ohne zweite Stufe für Sprache oder Geräusche. Bis zu 2K, elf Sprachen stabil, bis zu neun Referenzbilder, drei Referenz-Clips und drei Tonspuren als Eingabe.

Das Bemerkenswerte ist nicht die Auflösung, sondern die Zusammenlegung: Bild und Ton kommen aus einem Gewicht. Wer heute einen vertonten Clip baut, betreibt zwei Ketten und klebt sie hinterher zusammen.

Passt es auf unsere Karte?

Die ehrliche Antwort ist: Die Karte ist nicht das Problem — der Arbeitsspeicher daneben ist es.

Die Gewichte für Text- und Bild-zu-Video wiegen zusammen 42,5 GB: 21 GB Diffusions-Modell, 15,7 GB Text-Encoder (ein Qwen3-VL), 5,2 GB Video-VAE, 0,6 GB Audio-VAE. Mit dem Referenz-Modell sind es 63,4 GB. Das passt in keine 24-GB-Karte, und es soll auch nicht — der übliche Weg ist layerweises Auslagern: Nur ein Teil der Blöcke bleibt auf der Karte, der Rest wird aus dem Host-Speicher nachgeschoben, Schicht für Schicht. Genau deshalb verschiebt sich die Last vom VRAM in den Arbeitsspeicher und auf die Platte.

Und dort steht die Wand. MiniMax’ eigenes Rezept für Consumer-Hardware im SGLang-Kochbuch nennt zwei RTX 5090 und 384 GB Host-RAM. Unsere Box hat 64 GB verbaut, davon 48 GB für die Linux-Schicht freigegeben, in der ComfyUI läuft — ein Achtel dessen, was das Rezept nennt. Die Community-Läufe, die auf kleineren Karten funktioniert haben, standen bei 32 GB System-RAM — und selbst dort wird von Fehlschlägen bei genau dieser Größe berichtet.

Dass es im Prinzip geht, ist trotzdem belegt: Eine RTX 3060 mit 12 GB hat 864×480 bei 124 Bildern und 20 Schritten in unter neun Minuten gerechnet, ein 4090-Laptop mit 16 GB 960×540 in 182 Sekunden. Eine 3090 mit 24 GB kann also mehr als beide. Nur: Beide Läufe liegen deutlich unter den nativen 768p und weit unter den beworbenen 2K. Für die 3090 selbst gibt es keine veröffentlichte Zahl, die man ernst nehmen könnte — der Leitfaden sagt das ausdrücklich.

Dürfen wir das überhaupt?

Hier liegt der überraschendste Fund. Die MiniMax H3 Community License gilt „worldwide, excluding the Excluded Territories“, und diese Ausschlussliste ist kurz und namentlich: die Europäische Union, das Vereinigte Königreich, die Republik Korea und die USA. MiniMax begründet das mit der Regulierungslage und mit laufenden Urheberrechtsverfahren.

Die Schweiz steht nicht darauf. Für eine Werkstatt mit Sitz in Tägerwilen ist das ein seltener Fall, in dem der Standort einen Zugang öffnet, der ein paar Kilometer weiter nördlich versperrt ist.

Erlaubt heißt aber nicht offen. Die Lizenz verlangt ein sichtbares „Powered by MiniMax H3“ auf jedem Produkt, verbietet, mit den erzeugten Ausgaben andere Modelle zu trainieren, und macht ab 20 Mio. USD Jahresumsatz eine Freigabe nötig. Gegenüber Apache 2.0 — unter dem Gemma 4 steht — ist das ein Rückschritt. Und die zweite Hälfte der Frage bleibt offen: Unser Publikum sitzt zu großen Teilen in genau der EU, für die die Gewichte gesperrt sind. Ob „Applicable Territory“ den Sitz meint oder den Ort der Wirkung, klärt der Text nicht.

Der Punkt, der schwerer wiegt als die Hardware

Wir betreiben bereits einen Video-Dienst. Er trägt LTX-Video, meldet seit Monaten „gesund“ — und hat in vier Monaten keine einzige Anfrage bekommen. Aufgefallen ist das erst bei einer Prüfung: Das Modell war nie heruntergeladen worden, das Ausgabeverzeichnis war nicht alt, sondern leer. Der Dienst war nicht kaputt, er war unbenutzt.

Bewegtbild erzeugen können wir trotzdem — nur nicht über diesen Dienst. Auf derselben Karte steht seit Juni ein zweiter Weg: ComfyUI mit Wan 2.2, das wir in einer eigenen Gegenüberstellung gegen zwei andere offene Video-Modelle ausgewählt haben, weil es als einziges Bewegung und Bildtreue hielt; ein Clip brauchte damals rund drei Minuten.

Für diesen Bericht haben wir das nachgemessen, und der erste Versuch ging schief: Ein einzelner Auftrag nahm die Linux-Schicht der Workstation mit, die Maschine kam nach neun Minuten von allein zurück. Nach einem Neustart lief derselbe Auftrag beim ersten Anlauf durch — ein Clip von zwei Sekunden bei 512×512 in 132 Sekunden reiner Rechenzeit, das Bild über die ganze Länge stabil.

Beides gehört zusammen: Die Fähigkeit ist da, und die Maschine, auf der sie läuft, ist launisch. Für ein Werkzeug, an dem ein Mensch sitzt und notfalls neu startet, reicht das. Für einen Dienst mit Zusicherung nicht.

Vor diesem Hintergrund ist die Frage „läuft H3 auf unserer Karte?“ die zweitwichtigste. Die wichtigste lautet: Wer würde es bestellen? Ein zweites, größeres, hungrigeres Video-Modell ohne Besteller wäre nicht der nächste Schritt, sondern die zweite Karteileiche neben der ersten — und es müsste nicht eine Lücke füllen, sondern etwas Vorhandenes schlagen.

Abwägung in einem Satz

H3 ist die erste offene Video-Freigabe, die uns die Lizenz überhaupt erlaubt, und die erste, die Bild und Ton zusammenlegt — aber sie trifft bei uns auf eine Box, die trotz guter Ausstattung nur ein Achtel des verlangten Arbeitsspeichers hat, auf genau eine gesunde Platte und auf einen Video-Dienst, der noch nie gefragt wurde. Deshalb bleibt es beim Beobachten: erst der Speicher-Deckel, den wir ohnehin heben wollten, dann ein echter Anlass — und erst dann die Frage nach dem Modell.