Fórmulas Oficiales de Prompts para MiniMax H3: FL2V y Ref2V

En el ecosistema de la generación de video con IA, los modelos como MiniMax H3 requieren instrucciones muy precisas para producir resultados coherentes. A menudo, hay plantillas genéricas que circulan por foros y repositorios, pero para entender realmente cómo funciona la arquitectura subyacente, es necesario mirar más allá de las generalidades.

Hoy vamos a desglosar las fórmulas literales oficiales para los modelos de video de MiniMax H3. En lugar de quedarnos con conceptos vagos, nos centraremos en las estructuras exactas que el modelo espera recibir para generar video.

Para comenzar, analicemos la fórmula de FL2VA (First Frame to Last Frame). Esta estructura está diseñada para generar una trayectoria continua entre dos estados específicos. A diferencia de otros enfoques que podrían describir imágenes por separado, FL2V se centra en explicar cómo se transforma el estado inicial en el final.

La fórmula oficial para FL2VA es bastante concisa y se compone de cuatro bloques principales:

1. ALIGNMENT INSTRUCTION: Una línea obligatoria que define qué imagen coincide con qué marca de tiempo exacta en el video.
2. integrated_multimodal_description: Aquí es donde ocurre la magia. Debes describir la acción continua, incluyendo los cambios intermedios observables entre ambos extremos.
3. overall_soundscape y non_diegetic_music:

Un detalle crucial que no se puede pasar por alto es la naturaleza de FL2VA: está diseñado alrededor de dos anclas temporales rígidas. El modelo espera interpolar entre estos dos extremos fijos, lo que le da una ventaja enorme para mantener la consistencia visual durante la generación.

Movámonos ahora al otro pilar del sistema: Ref2VA. Esta fórmula es mucho más compleja y expresiva. Mientras que FL2V se limita a dos anclas, Ref2V está diseñado alrededor de una representación explícita de qué aporta cada referencia.

La estructura de Ref2VA consta de seis campos:

• subject_definitions: Define quién es el sujeto y cómo se construye a partir de varias referencias.
• summary: Un párrafo corto en inglés que establece la tarea principal.
• retention_analysis: Esta es una parte fascinante. Aquí utilizamos marcadores exactos como fully_preserved, partially_preserved o weak_reference para decirle al modelo exactamente cuánto de la referencia original debe conservarse en el video final.
• detailed_description: El corazón del prompt, donde se describe la escena en orden temporal utilizando las referencias explícitamente.
• overall_soundscape y non_diegetic_music.

Es importante notar que en Ref2VA, el estilo visual no se introduce después de la descripción de los shots como en FL2V; por el contrario, se establece en una o dos frases antes de comenzar con el primer shot. Esto permite un control mucho más granular sobre la identidad del personaje y el entorno.

En conclusión, al comparar ambas fórmulas, vemos que FL2VA es ideal para interpolación continua entre extremos rígidos, mientras que Ref2VA ofrece una representación explícita de qué aporta cada referencia. Ambas son esenciales para dominar los modelos H3 de MiniMax y obtener resultados de alta calidad.