Cómo hacer que MiniMax H3 genere caídas fuera de cámara

El problema de MiniMax H3 con las caídas

Al principio, parece que el modelo MiniMax H3 tiene un problema serio: es torpe para generar gente cayendo de una cama y desapareciendo fuera del encuadre. Al pedirle esto, le estás pidiendo resolver varias cosas difíciles al mismo tiempo.

La principal dificultad es la trayectoria misma. Los modelos de video suelen estar más cómodos con acciones que permanecen dentro del espacio visible—sentarse, levantarse o caminar. Cuando el personaje abandona la cama y sale por el borde inferior o lateral, H3 tiene que inferir qué debería seguir ocurriendo aunque ya no pueda verlo.

Además, hay un problema especialmente difícil con la geometría de la escena. La cama es un objeto grande y estable, mientras que el cuerpo humano es articulado. Para representar correctamente una caída fuera de cámara, el modelo necesita mantener simultáneamente la geometría del cuerpo, la cama, la gravedad y la cámara. Es muy fácil que en algún punto «decida» que la persona simplemente debe seguir estando sobre la cama.

Esto se manifiesta en errores comunes: la persona empieza a caer pero se frena mágicamente, cae hacia el lado equivocado, o las piernas se quedan pegadas a la cama mientras el torso sale del encuadre. Incluso puede que la cama parezca deformarse para acomodar al personaje.

Experimentando con R2V y F2V

Luego, probamos una estrategia interesante usando R2V (Reference-to-Video) junto con F2V (Frame-to-Video). La idea fue separar el problema en dos partes para que H3 no tuviera que inventar toda la caída desde cero.

Primero, usamos R2V para crear una imagen estática del estado final: la persona fuera de la vista, con solo un brazo y parte de una pierna extendida. Como la mujer estaba fuera de cuadro en esa imagen, el modelo no tuvo que resolver una trayectoria compleja; simplemente tuvo que representar la consecuencia de estar en el suelo.

Después, usamos F2V para conectar ese estado inicial—sentada peligrosamente en el borde—con ese estado final. Al recibir ambos extremos, H3 ya no tenía que decidir dónde debería terminar la persona. La trayectoria dejó de ser una decisión abierta y solo tuvo que inventar una secuencia plausible que conectara los dos estados.

Esto funcionó bastante bien. Aunque la caída en sí misma no fue particularmente elegante, el modelo logró llegar correctamente al estado final deseado.

Afinando la dinámica de la caída

Sabiendo que H3 podía conectar los dos estados con R2V y F2V, decidimos refinar aún más la generación. En lugar de simplemente describir una caída aparatosa, añadimos un detalle físico muy específico: hacer que la persona agite un brazo mientras cae.

Este pequeño cambio fue clave. Al incluir la instrucción de «desperately waves one arm», le damos a H3 algo concreto que hacer con esa extremidad durante varios frames. En vez de tener que inventar qué ocurre con una mano, el modelo puede agitar el brazo buscando apoyo y luego dejarlo desaparecer junto con el cuerpo.

Además, evitamos descripciones demasiado acrobáticas o violentas como «flails wildly» que podrían convertir la escena en algo físicamente absurdo. Mejor optamos por una acción concreta: alcanzar y agitar un brazo hacia la cama en un intento fallido de atraparse.

En resumen, el experimento nos enseñó que para acciones complejas de salida de cuadro, los keyframes extremos son probablemente una de las mejores maneras de domesticar a H3. Al combinar R2V para el estado final con F2V para la interpolación y añadir detalles físicos específicos, podemos conseguir resultados mucho más coherentes sin tener que pelearnos constantemente con el prompt.