lightx2v/MiniMax-H3-Prompt-Rewriter-LoRA-8B
MiniMax-H3 Prompt Rewriter LoRA 8B !Model(https://img.shields.io/badge/Hugging%20Face-model-yellow)(https://huggingface.co/lightx2v/MiniMax-H3-Prompt-Rewriter-LoRA-8B) !LightX2V(https://img.shields.io/badge/LightX2V-GitHub-black)(https://github.com/...
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Tuần
#1 Repository Của Tháng
#2 Repository Của Tháng
🧠 LoRA Prompt Rewriter 8B — Từ mô tả ngắn tới prompt chi tiết cho MiniMax-H3
Biến một câu mô tả ngắn thành prompt có timeline, âm thanh và nhạc nền phù hợp cho sinh video âm thanh MiniMax-H3.
Đây là bộ adapter PEFT LoRA dựa trên Qwen3-VL-8B-Instruct, chuyên biến các yêu cầu người dùng ngắn gọn thành prompt có cấu trúc cho bộ sinh video âm thanh MiniMax-H3. Hỗ trợ cả khi chỉ có văn bản hoặc khi có khung hình tham chiếu (đầu hoặc cuối).
✨ Điểm nổi bật
- Hỗ trợ 4 task: T2VA, I2VA, L2VA, FL2VA — đủ các trường hợp từ text-only tới cả 2 khung hình.
- Xây dựng prompt có cấu trúc: timeline các cảnh, âm thanh vật lý và môi trường, hướng dẫn nhạc nền phi-diegetic.
- Sử dụng trên Qwen3-VL-8B-Instruct: adapter PEFT LoRA, lưu dưới dạng safetensors.
- Tích hợp sẵn infer.py: chạy ngay với từng task, hỗ trợ greedy decoding để kết quả ổn định.
- Tùy chỉnh prompt_template.py: nguồn duy nhất cho system prompt, alias task, thứ tự ảnh và tin nhắn.
- Kết quả đồng bộ với LightX2V: dùng enhanced_prompt trựng trực cho task tương ứng trong LightX2V.
💡 Vì sao đáng chú ý
Adapter này không chỉ là bước tiền xử lý văn bản — nó xây dựng prompt có cấu trúc chi tiết bao gồm timeline cảnh quay, âm thanh sinh hoạt và nhạc nền, giúp MiniMax-H3 sinh video âm thanh mạch lạc hơn. Đặc biệt, phiên bản 8B hỗ trợ tham chiếu khung hình, cho phép người dùng kiểm soát hơn về hình ảnh đầu và cuối của video.
#LoRA #Qwen3VL #MiniMaxH3 #PromptRewriter #LightX2V #Multimodal #TiniX
Dự án tương tự
Khám phá các dự án và mô hình AI khác có sự tương đồng.
MiniMax H3 System Overview MiniMax H3 is a general-purpose, omni-modal generative system. It supports unified understanding of multimodal contexts composed of text, images, video, and audio, and can generate video with native stereo audio at resolut...
Qwen3.8-27B !Note This repository contains model weights and configuration files for the post-trained model in the Hugging Face Transformers format. These artifacts are compatible with Hugging Face Transformers, vLLM, SGLang, TokenSpeed, etc. !Tip F...
📰 Tech Blog | 📄 Full Report 1. Model Introduction Kimi K3 is an open-weight, native multimodal agentic model and our most capable model to date. It is a 2.8T-parameter model built on Kimi Delta Attention (K...
Qwen3.8-Flash-Next !Note This repository contains model weights and configuration files for the post-trained model in the Hugging Face Transformers format. These artifacts are compatible with Hugging Face Transformers, vLLM, SGLang, TokenSpeed, etc....
Hugging Face | GitHub | Launch Blog | Documentation License: Apache 2.0 | Authors: Google DeepMind Gemma is a family of open models built by Google DeepMind. Gemma 4 models are multimodal, handling text and image input (with audio supported on small...
Unlimited OCR Works Welcome the Era of One-shot Long-horizon Parsing. Release - 2026/06/23 📄 Our paper is now available on arXiv(https://arxiv.org/abs/2606.23050). - 2026/06/23 🤝 Thanks to the ModelScope community for their support. Our model is n...
GLM-5.3-Flash 👋 Join our WeChat or Discord community. 📖 Check out the GLM-5.3-Flash blog and GLM-5 Technical report. 📍 Use GLM-5.3-Flash API services on Z.ai API Platform. Introduction We introduce GLM-5.3-Flash, the first natively multimodal mod...
Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive Join the Discord(https://discord.gg/SZ5vacTXYf) for updates, roadmaps, projects, or just to chat. Qwen3.6-35B-A3B uncensored by HauhauCS. 0/465 Refusals. HuggingFace's "Hardware Compatibility" widget do...
ZDTaichu5.0-9B Project Page(https://taichu-ai.github.io/ZDTaichu5.0-9B/) | GitHub(https://github.com/Taichu-AI/ZDTaichu5.0-9B) | ModelScope(https://www.modelscope.cn/models/TaichuAI/ZDTaichu5.0-9B) ZDTaichu5.0-9B is a multimodal foundation model for...