Por qué los planos generales deforman en MiniMax H3 y cómo hackearlo

Acabo de darme cuenta que MiniMax H3 es bueno generando video en acercamientos, pero los planos generales tienden a deformar demasiado. Al principio me preguntaba si era solo un espejismo visual, pero tras analizar cómo funcionan estos modelos de video, la conclusión es clara: no lo es.

En MiniMax H3, los primeros planos y planos medios suelen ser bastante más estables porque el modelo tiene que resolver menos geometría global. Una cara, torso o brazos ocupan buena parte del frame; hay mucha información visual redundante y el movimiento puede ser relativamente local. En cambio, en un plano general ocurre lo contrario: aparecen simultáneamente cuerpo completo, piernas, objetos, perspectiva y fondo.

Al tener que mantener coherentes tantas cosas a través del tiempo, el modelo empieza a aplicar soluciones aproximadas: piernas que cambian de longitud, articulaciones que se mueven de forma anatómicamente rara, o personajes cuya proporción respecto al entorno fluctúa. Es fascinante cómo en un primer plano puedes no notar una deformación porque queda fuera del encuadre, pero en un plano general la ves completa y el cerebro tiene referencias inmediatas con las que comparar.

En lugar de luchar contra esto, yo aprovecharía la limitación. MiniMax H3 parece especialmente adecuado para una estrategia de «cámara cerca de la acción».

Estrategia de planos y Outpainting

La clave es evitar que el plano general sostenga toda la acción complicada. En su lugar, puedes seguir un flujo como este: plano medio hacia un acercamiento y volver a plano medio. Esto conecta directamente con una idea potente sobre el outpainting.

Puedes generar la acción en una zona central relativamente pequeña y dejar que el outpainting resuelva posteriormente el espacio alrededor. El modelo de generación principal se preocupa de mantener consistentes los personajes; otro proceso se encarga de fabricar el contexto que falta.

Además, hay una razón técnica para esto: si reduces el personaje a una fracción pequeña del frame, estás reduciendo muchísimo la información temporal que el modelo tiene que preservar. Un personaje que ocupa el 60–70% de la altura del frame es mucho más fácil de mantener coherente que uno que ocupa solo el 20–30%.

Esto explica por qué algunos videos de H3 pueden parecer extraordinariamente buenos durante varios segundos… hasta que la cámara se aleja y de repente te das cuenta de qué demonios pasó con esa pierna. La próxima vez que generes, aplica estas reglas: plano medio o primer plano es muy bueno, el americano está bien, pero un plano general con movimiento corporal complejo es una zona problemática.