MiniMax H3 lokaal uitvoeren: hardware, ComfyUI en een zelfgehoste AI-video-opstelling

Ja, MiniMax H3 kan lokaal draaien. De open gewichten van H3-Base kunnen video en native stereoaudio op je eigen hardware genereren, en communityruntimes hebben het model al op GPU's van 24 GB, kaarten van 12-16 GB en zelfs experimentele configuraties van 8 GB laten draaien.

De belangrijke kanttekening is dat “H3 lokaal draaien” momenteel niet betekent dat elke functie van MiniMax’ gehoste pipeline offline kan worden gereproduceerd. H3-Base is beschikbaar voor lokale inferentie, terwijl de officiële H3-Context-IR-orkestratielaag en de H3-Regenerate-2K-fase gehost blijven. Voor de meeste thuisgebruikers van AI maakt dat van H3 minder een eenvoudige modeldownload en meer een infrastructuurprobleem waarbij GPU-geheugen, systeem-RAM, modelopslag, workflowsoftware en steeds vaker een NAS of homeserver betrokken zijn.

Kan MiniMax H3 echt lokaal draaien?

Ja. MiniMax heeft H3 in augustus 2026 uitgebracht als een multimodaal videomodel met open gewichten en biedt H3-Base-checkpoints die op lokale hardware kunnen worden geïmplementeerd.

De officiële MiniMax H3-release beschrijft het model als een multimodaal systeem voor algemeen gebruik dat combinaties van tekst, afbeeldingen, video en audio kan begrijpen en video samen met native stereoaudio kan genereren.

Het lokale H3-Base-model ondersteunt:

• videogeneratie van 4-15 seconden
• uitvoer met 24 FPS
• stereoaudio van 32 kHz
• tekst-naar-video met audio
• conditionering van het eerste en laatste frame
• multimodale afbeeldings-, video- en audioreferenties
• meerdere beeldverhoudingen, waaronder 16:9, 9:16, 1:1, 4:3 en 21:9

De standaarduitvoer van H3-Base gebruikt een korte zijde van 768 pixels. Dat onderscheid is belangrijk, omdat de vaak geadverteerde mogelijkheid van “tot 2K” bij het volledige H3-systeem hoort en niet alleen bij de eenvoudige, volledig lokale workflow.

Draait MiniMax H3 volledig lokaal, of is de cloud nog steeds nodig?

Dit is het belangrijkste onderscheid voor iedereen die een privé-H3-installatie bouwt.

De volledige officiële H3-workflow bestaat uit drie belangrijke onderdelen:

MiniMax vermeldt expliciet in zijn officiële H3-repository dat H3-Context-IR afhankelijk is van meerdere gehoste modellen en services en geen deel uitmaakt van de huidige open release. H3-Regenerate-2K is ook nog niet als open source uitgebracht.

Dat geeft ons twee zeer verschillende implementatiemodellen.

Volledig lokale H3

Prompt of lokaal referentiemateriaal → H3-Base → lokaal 768p-video + stereogeluid.

Uw bronbestanden, generatieproces en uitvoer kunnen op uw eigen machine blijven. Dit is hetzelfde bredere principe achter lokale AI-verwerking: hoe meer stappen binnen uw eigen netwerk blijven, hoe meer controle u behoudt over privégegevens en serviceafhankelijkheden.

Hybride H3

Gehoste Context-IR → lokaal geïmplementeerde H3-Base → gehoste Regenerate-2K.

Hiermee kan meer van de volledige workflow van MiniMax worden gereproduceerd, maar het is niet langer een volledig offline of privé-pipeline.

Als lokaal-eerst-AI het doel is, is H3-Base daarom de belangrijkste component.

Welke hardware hebt u nodig om MiniMax H3 lokaal uit te voeren?

Er is geen enkele VRAM-vereiste voor MiniMax H3, omdat het antwoord sterk verandert afhankelijk van precisie, kwantisatie, modelsnoei, offloading, resolutie, workflow en runtime.

Het native model is groot. H3 gebruikt een dense H3-Omni-Transformer met 33 miljard parameters, terwijl de encoder de vooraf getrainde Qwen3-VL-32B-gewichten gebruikt. MiniMax merkt op dat ongeveer 13 miljard transformerparameters behoren tot AdaLN-gerelateerde vertakkingen waarvan de uitvoer vooraf kan worden berekend en in de cache kan worden opgeslagen voor inferentie, maar dit ligt nog steeds ver boven de geheugengrootte van een typisch ongekwantiseerd consumentenmodel.

Het lokale ecosysteem heeft zich daarom sterk gericht op snoeien en kwantisatie.

De door MiniMax onderhouden H3-integratie-index vermeldt momenteel lokale opties van een 8GB DiffSynth NF4-configuratie tot gekwantiseerde builds van 12–16GB en ComfyUI-configuraties van 24GB.

Dat betekent niet dat een GPU van 8 GB een geschikte H3-machine is.

Aan de onderkant moet het ontbrekende VRAM worden gecompenseerd door modelcomponenten tussen GPU-geheugen en systeemgeheugen te verplaatsen. Daarmee verandert de vraag van “Kan het model worden geladen?” in “Hoe lang wilt u wachten op elke generatie?”

Minimale VRAM en bruikbare VRAM zijn twee verschillende vragen. Daarom is het nuttig om rekenkracht, geheugen en opslagknelpunten van elkaar te onderscheiden voordat je ervan uitgaat dat een snellere SSD of NAS een tekort aan GPU-geheugen kan compenseren.

Kan MiniMax H3 draaien op 24 GB GPU's zoals de RTX 4090?

Ja, en 24 GB is momenteel een van de interessantste doelen voor een serieuze H3-configuratie thuis.

Door de community gemaakte en op ComfyUI gerichte builds hebben het diffusiemodel voldoende verkleind, zodat een gesnoeide INT8 H3-transformer rond de 20 GB kan uitkomen, terwijl de tekstencoder afzonderlijk wordt gequantiseerd en modelcomponenten indien nodig worden ge-offload.

Het belangrijke detail is dat H3 niet uit één gewichtsbestand bestaat.

Een volledige generatieworkflow kan het volgende vereisen:

• de H3-diffusietransformer
• op Qwen3-VL gebaseerde tekst-/beeldencoder
• video-VAE
• audio-VAE
• optionele LoRA's of versnellingsmodellen
• referentiemedia
• tijdelijk latent- en decodegeheugen

Een “model van 19 GB” betekent dus niet automatisch dat het probleemloos in een GPU van 24 GB past, met nog 5 GB over.

Geheugenbeheer tijdens runtime is bijna net zo belangrijk als de omvang van het checkpoint.

Kan MiniMax H3 draaien op 16 GB of 12 GB VRAM?

Ja, maar hiermee begeef je je nog verder op het terrein van door de community gequantiseerde modellen.

Het huidige ecosysteem omvat gesnoeide GGUF- en NVFP4-diffusiemodellen, gekoppeld aan sterk gequantiseerde Qwen3-VL-encoders. Hierdoor kan H3 in de klasse van 12-16 GB komen, maar systeemgeheugen en gegevensoverdracht worden steeds belangrijker.

Je kunt dit beter zien als een manier om H3 toegankelijk te maken dan als de ideale configuratie voor frequent productiewerk.

Als je slechts af en toe korte clips genereert, kan die afweging volkomen acceptabel zijn. Als H3 deel uitmaakt van een geautomatiseerde contentworkflow die tientallen clips genereert, is de doorvoer veel belangrijker dan het model simpelweg in het VRAM-geheugen kunnen plaatsen.

Kan MiniMax H3 echt draaien met slechts 8 GB VRAM?

Er is nu een route voor 8 GB, maar dat getal heeft context nodig.

DiffSynth-Studio biedt een NF4-inferentieconfiguratie waarvan de opgegeven minimale VRAM-capaciteit 8 GB is. Op dat niveau betekent uitgebreid offloaden echter dat een groot deel van de werklast niet langer in het GPU-geheugen blijft.

Voor een configuratie met 8 GB is de relevante vraag daarom niet:

“Start H3?”

Dat is het:

“Is de resulterende generatietijd acceptabel voor wat ik wil doen?”

Voor het testen van H3, het leren van workflows of het af en toe genereren van een clip kan 8 GB aan videogeheugen waardevol zijn. Voor herhaalde lokale videogeneratie blijft meer VRAM een aanzienlijke verbetering van het gebruiksgemak.

FL2VA vs Ref2VA: welk MiniMax H3-model moet je gebruiken?

H3-Base is uitgebracht in twee taakgerichte varianten. Door de juiste te kiezen, kun je zowel opslagruimte als complexiteit van de workflow besparen.

H3-Base-FL2VA

FL2VA richt zich op generatie op basis van tekst en keyframes.

Als je doel conventionele tekst-naar-video- of afbeelding-naar-video-generatie is, is FL2VA meestal het eenvoudigere startpunt.

H3-Base-Ref2VA

Ref2VA is ontworpen voor uitgebreidere multimodale referentieconditionering.

Volgens de officiële H3-modelkaart kan Ref2VA maximaal het volgende accepteren:

• 9 afbeeldingen
• 3 videoclips
• 3 audioclips
• In totaal 12 referentiebestanden

Dit maakt veel interessantere lokale workflows mogelijk: karakterreferentie, bewegingsoverdracht, stijlreferentie, stemreferentie, bewerking van bronvideo's of combinaties van meerdere mediatypen.

Maar als je die referenties niet nodig hebt, voegt het downloaden en beheren van een tweede groot checkpoint opslagruimte toe zonder een eenvoudige tekst-naar-video-workflow noodzakelijkerwijs te verbeteren.

Wat is de eenvoudigste manier om MiniMax H3 lokaal uit te voeren?

Voor de meeste individuele gebruikers is ComfyUI momenteel het eenvoudigste startpunt.

MiniMax vermeldt ComfyUI naast Diffusers, SGLang en vLLM als ondersteunde implementatiemogelijkheden. ComfyUI bracht bovendien op de eerste dag ondersteuning voor H3 uit en heeft versies met een lager geheugengebruik uitgebracht voor consumenten-GPU's.

De ComfyUI H3-release legt uit dat het snoeien van de modulatiegewichten van H3, INT8-kwantisatie, aangepaste kernels en dynamische VRAM-offloading de geheugengrootte aanzienlijk verkleinen in vergelijking met implementatie met volledige precisie.

Een praktische lokale configuratie ziet er als volgt uit:

1. Installeer ComfyUI of werk het bij.
2. Kies een MiniMax H3-workflow voor tekst-naar-video, afbeelding-naar-video of referentie-naar-video.
3. Download het bijbehorende diffusiemodel.
4. Download de compatibele H3-tekstencoder.
5. Voeg de video- en audio-VAE's toe.
6. Begin met een korte generatie van ongeveer 768p.
7. Houd zowel het GPU-geheugen als het systeem-RAM-gebruik in de gaten.
8. Verhoog pas daarna de duur, resolutie of complexiteit van de workflow.

Deze volgorde is belangrijk. H3 debuggen terwijl je tegelijkertijd een lange clip, het maximale aantal referenties, een hoge resolutie en agressieve extensies gebruikt, maakt het moeilijk om vast te stellen of een fout wordt veroorzaakt door het model, het geheugen, de nodes of de workflow zelf.

ComfyUI versus Diffusers versus SGLang versus vLLM-Omni voor H3

De beste runtime hangt minder af van benchmarkscores dan van de manier waarop H3 wordt gebruikt.

Dit onderscheid wordt belangrijk zodra H3 verdergaat dan een experiment.

Een maker die handmatig één video per keer produceert, heeft een heel andere architectuur nodig dan een huishouden of studio waar meerdere apparaten generatieopdrachten naar één centrale GPU-machine sturen. Diezelfde scheiding komt al naar voren in praktische handleidingen over gescheiden berekening en opslag: de NAS hoeft de zwaarste inferentie niet uit te voeren alleen omdat deze de gegevens beheert.

Kan MiniMax H3 draaien als lokale API voor videogeneratie?

Ja.

Dit is een van de redenen waarom H3 interessant is voor meer dan alleen experimenten op de desktop. SGLang en vLLM-Omni kunnen van H3 een service maken, zodat gebruikers niet rechtstreeks met het modelproces hoeven te werken.

De vLLM-Omni H3-recept biedt bijvoorbeeld generatie via een OpenAI-achtige /v1/videos-interface.

Dat maakt een andere thuisarchitectuur voor AI mogelijk:

Laptop / telefoon / automatisering ↓ Lokale H3-API ↓ GPU-server ↓ Gegenereerde video + audio ↓ Lokale opslag 

Zodra H3 op deze manier beschikbaar is, hoeft het GPU-werkstation niet langer de machine te zijn waarop de gebruiker prompts bewerkt, projecten beheert of voltooide media opslaat.

Berekening en opslag kunnen afzonderlijke services worden.

Hoeveel opslagruimte heeft MiniMax H3 nodig?

Opslag is een van de H3-vereisten die het gemakkelijkst wordt onderschat.

De officiële MiniMax H3-repository bevat beide taakfamilies, transformergewichten, de op Qwen gebaseerde encoder, VAE's, Diffusers-indelingen en ondersteunende bestanden. De volledige repository kan honderden gigabytes innemen als alles wordt gedownload.

De integratie-index van MiniMax H3 vermeldt de volledige oorspronkelijke repository momenteel op ongeveer 464 GiB. Afzonderlijke oorspronkelijke FL2VA- en Ref2VA-transformergewichten zijn elk ongeveer 62 GiB groot voordat je overstapt op varianten met een lagere precisie of geprunde varianten.

Je hoeft dat niet allemaal te downloaden om H3 uit te voeren.

Een verstandige thuisopstelling zou in plaats daarvan het volgende scheiden:

• actief checkpoint
• alternatieve kwantiseringen
• FL2VA- en Ref2VA-varianten
• tekstencoders
• VAE's
• LoRA's
• referentieafbeeldingen en -video
• gegenereerde uitvoer
• gearchiveerde projecten

Hier begint lokale AI-video veel meer op een opslagtaak te lijken dan op een traditionele desktop-AI-toepassing. Een bredere architectuur voor lokale AI en bestandsopslag wordt nuttig zodra modellen, bronmedia, uitvoer en back-ups allemaal een permanente plek nodig hebben.

Moeten MiniMax H3-modellen op een NAS worden opgeslagen?

Ja voor sommige bestanden, maar niet noodzakelijk voor elk onderdeel van actieve inferentie.

Een nuttige architectuur is om hot storage te scheiden van capaciteitsopslag.

Bewaar op de lokale SSD van de GPU-machine

• momenteel actieve H3-checkpoint
• actieve tekstencoder
• tijdelijke generatiebestanden
• cache
• bestanden die tijdens inferentie herhaaldelijk worden geladen

Bewaar op de NAS of thuisserver

• alternatieve H3-kwantisaties
• oudere modelversies
• FL2VA- en Ref2VA-archieven
• bibliotheek met referentiemedia
• voltooide video's
• back-ups van ComfyUI-workflows
• projectmiddelen
• trainingsgegevens of LoRA-datasets

Deze verdeling voorkomt dat netwerkopslag tijdens elke modellading een onnodige bottleneck wordt en voorkomt tegelijkertijd dat honderden gigabytes aan AI-middelen het werkstation vullen.

Voor een thuislab in ZimaSpace-stijl kun je H3 het beste als volgt bekijken: het GPU-knooppunt genereert, terwijl de thuisserver de AI-werkruimte organiseert en bewaart.

Heeft MiniMax H3 een 10GbE-netwerk nodig?

Niet voor de daadwerkelijke generatiestap. Zodra het actieve model en de invoer op de GPU-machine zijn geladen, is H3-inferentie overwegend een lokale reken- en geheugentaak.

Netwerksnelheid wordt belangrijk wanneer je zeer grote checkpoints of media met een hoge bitrate herhaaldelijk tussen een NAS en het GPU-knooppunt verplaatst.

Het overzetten van een model van 20–60 GB verschilt bijvoorbeeld sterk van het laden van een document van 5 MB in een lokale LLM-workflow.

Dat betekent dat AI-video de waarde van sneller thuisnetwerken verandert:

• 1GbE volstaat nog steeds voor het opslaan van voltooide projecten en het af en toe kopiëren van modellen.
• 2.5GbE vermindert de frictie bij het verplaatsen van grote modelbestanden aanzienlijk.
• 10GbE wordt interessanter wanneer de NAS een centrale modellendatabase is voor meerdere AI-werkstations of wanneer onbewerkte videobestanden voortdurend worden verplaatst.

De GPU wordt niet sneller doordat je NAS 10GbE heeft. De omliggende workflow wel. Als het netwerk zelf de bottleneck wordt, is de nuttigere vergelijking 2.5GbE versus 10GbE NAS, gebaseerd op werkelijke bestandsgroottes, opslagdoorvoer, clients, switches en overdrachtsfrequentie.

Kan MiniMax H3 volledig offline draaien?

H3-Base kan deel uitmaken van een offline workflow zodra alle vereiste gewichten, afhankelijkheden en referentiebestanden al lokaal beschikbaar zijn.

Dat omvat lokale tekst-naar-video, keyframe-geconditioneerde generatie en ondersteunde H3-Base-workflows op basis van referenties.

De officiële Context-IR- en Regenerate-2K-diensten worden momenteel echter gehost. Een workflow die op deze componenten vertrouwt, is niet volledig offline.

Dit onderscheid is vooral belangrijk voor gevoelig referentiemateriaal. Als de vereiste is dat afbeeldingen, video's, stemmen of nog niet uitgebrachte commerciële middelen nooit het lokale netwerk verlaten, bouw de workflow dan rond H3-Base en lokale voorbewerking in plaats van ervan uit te gaan dat de volledige officiële H3-stack open is.

Dezelfde regel geldt voor elke volledig offline lokale AI-workflow: het hoofdmodel lokaal uitvoeren is niet voldoende als authenticatie, voorbewerking, opslag, API's of andere vereiste fasen nog steeds afhankelijk zijn van internet.

Kan MiniMax H3 lokaal 2K-video genereren?

Niet via de volledige officiële 2K-pipeline op dit moment.

H3-Base produceert het basisresultaat met een korte zijde van 768 pixels. Het officiële 2K-resultaat van MiniMax gebruikt H3-Regenerate-2K, dat de basisvideo samen met de oorspronkelijke context verwerkt en het resultaat opnieuw genereert in plaats van alleen conventionele superresolutie toe te passen.

MiniMax zegt dat Regenerate-2K nog niet in de open release is opgenomen.

Dat verhindert niet dat gebruikers lokale upscaling of workflows uit de community toepassen op een H3-uitvoer. Het betekent alleen dat die benaderingen niet moeten worden verward met MiniMax' officiële H3-Regenerate-2K-pipeline.

Voor zoekopdrachten zoals “MiniMax H3 lokaal 2K” is dit onderscheid nuttiger dan een eenvoudig ja-of-nee-antwoord:

lokale H3-generatie is beschikbaar; de officiële volledige regeneratiefase in 2K is nog niet volledig lokaal beschikbaar.

Kan MiniMax H3 op Apple Silicon draaien?

Het lokale ecosysteem breidt zich uit tot buiten NVIDIA-GPU's.

Een opmerkelijk project uit de community is h3.c, een Metal-native H3-inferentie-implementatie die is ontworpen voor Apple Silicon. Het huidige ecosysteem houdt ondersteuning bij voor tekst-naar-video/audio, workflows met een eerste en laatste frame en geordende referentie-inputs.

Dit maakt Macs met unified memory een interessant H3-platform, omdat Apple Silicon-systemen die groot genoeg zijn de beperkingen van traditionele afzonderlijke VRAM kunnen inruilen voor een grotere gedeelde geheugenpool.

Apple Silicon-ondersteuning moet echter nog steeds los worden gezien van MiniMax' primaire referentie-implementatiepad. De volwassenheid van de kernel, prestaties, geheugendruk en functiepariteit kunnen snel veranderen naarmate runtimes uit de community zich verder ontwikkelen.

Lokale MiniMax H3 versus cloud-H3: welke opstelling is verstandiger?

Het antwoord hangt ervan af of je eigenaarschap over de infrastructuur of gemak belangrijker vindt.

Voor incidentele AI-videogeneratie kan cloudinferentie economisch veel zinvoller zijn dan de aanschaf van een grote GPU.

Lokale implementatie wordt interessanter wanneer de machine al bestaat, het generatievolume hoog is, bronmedia gevoelig zijn, workflows veel aanpassing vereisen of H3 slechts een van meerdere lokale AI-services is die dezelfde hardware delen.

Daarom moeten ook de kosten van lokale versus cloud-AI worden beoordeeld op basis van de frequentie van workloads en hardware die al in bezit is, in plaats van simpelweg de prijs van een API te vergelijken met de aanschafprijs van een GPU.

Waarom lokale AI-video een thuisserverprobleem wordt

Door lokaal getrainde taalmodellen te draaien, gingen gebruikers vooral nadenken over RAM en VRAM.

Videomodellen veranderen de rekensom.

Een serieuze lokale video-opstelling verzamelt:

• tientallen of honderden gigabytes aan modelgewichten
• verschillende quantisaties van hetzelfde model
• bibliotheken met referentieafbeeldingen
• referentieaudio
• broncameramateriaal
• LoRA's
• workflowbestanden
• tijdelijke renders
• meerdere versies van de uiteindelijke video

Daarom luidt de langetermijnvraag niet langer alleen:

Kan mijn GPU dit model draaien?

Steeds vaker wel:

Kan mijn lokale infrastructuur deze volledige AI-mediapijplijn opslaan, aanbieden, organiseren, back-uppen en herhaaldelijk gebruiken?

Dat is het punt waarop een lokaal AI-werkstation en een thuisserver elkaar gaan aanvullen.

Browser / bewerkings-pc │ ▼ ComfyUI of lokale API │ ▼ GPU-rekenknooppunt │ ├── Actief H3-model op lokale NVMe │ ▼ NAS / thuisserver ├── Modellenarchief ├── Referentiemedia ├── ComfyUI-workflows ├── Gegenereerde video's └── Back-ups 

De GPU blijft de dure rekenmotor. De server wordt de permanente AI-werkruimte.

Dit is ook een nuttige manier om een AI-NAS-architectuur te begrijpen: opslag hoeft het GPU-werkstation niet te vervangen. De waarde ervan ligt in het bieden van een stabiele laag voor data, modellen, media, indexering en back-ups rondom AI-workloads die veel rekenkracht vereisen.

Is MiniMax H3 open source?

MiniMax presenteert H3 als een open-source-release en publiceert de modelgewichten en implementatie van H3-Base openbaar. Het model wordt echter uitgebracht onder de MiniMax H3 Community License Agreement in plaats van onder een conventionele, permissieve softwarelicentie zoals Apache-2.0 of MIT.

Het is de moeite waard dit onderscheid te controleren voordat je H3 commercieel implementeert, herdistribueert of in een product integreert. De toepasselijke voorwaarden zijn beschikbaar bij de officiële modelrelease.

Het is ook belangrijk om het open H3-Base-checkpoint niet gelijk te stellen aan de volledige H3-servicestack: H3-Context-IR en H3-Regenerate-2K vallen nog buiten de huidige open release.

Is MiniMax H3 lokaal draaien de moeite waard?

H3 is bijzonder interessant voor lokale AI omdat het niet zomaar een ander tekst-naar-video-checkpoint is. Het combineert multimodale referenties, videogeneratie en native stereoaudio in één systeem. Tegelijkertijd bieden de open H3-Base-gewichten de lokale community voldoende toegang om nieuwe runtimes, kwantisaties, ComfyUI-workflows, API's en hardware-specifieke optimalisaties ervoor te ontwikkelen.

Maar H3 laat ook zien welke richting lokale generatieve AI opgaat.

De uitdaging is niet langer simpelweg een model op één pc downloaden. Een bruikbare H3-omgeving kan een GPU-server, snelle lokale SSD's, honderden gigabytes aan modelopslag, een mediabibliotheek, workfloworkestratie, externe toegang en permanente netwerkopslag omvatten.

Voor een eenmalige test zijn ComfyUI en een gekwantiseerd H3-checkpoint mogelijk voldoende.

Voor een langdurige, zelfgehoste AI-videostack is het nuttiger om compute, actieve modelopslag, bulkmediaopslag en workflowtoegang van elkaar te scheiden. Die structuur blijft nuttig, zelfs wanneer het volgende open videomodel H3 boven aan het klassement vervangt.