Prompts para MiniMax H3: Estructura, volumen y resolución

La adherencia a la documentación y las seis secciones sigue siendo tan útil, o basta con no atosigar al modelo con un exceso de referencias? Tras revisar la experiencia de usuarios recientes y la documentación oficial del repositorio de MiniMax H3, la conclusión es clara: la estructura importa, pero el volumen no.

Esquema visual que ilustra los componentes clave de un prompt estructurado para generación de video con IA.
La estructura Ref2VA organiza las instrucciones para evitar ambigüedades en la composición.

Existe una distinción fundamental que explica buena parte de la confusión en este campo. Por un lado, está la estructura: cómo organizas las instrucciones para que el modelo entienda qué aporta cada referencia. Por otro, está la especificidad: cuánto detalle necesitas para comunicar el resultado esperado. Y por último, el volumen: cuántas palabras y restricciones introduces.

No son equivalentes. Puedes tener un prompt estructuralmente correcto, muy específico y relativamente corto. También puedes tener uno de 1.500 palabras que sea contraproducente.

¿Qué dicen las experiencias recientes?

En la comunidad se han observado varias tendencias interesantes. Algunos usuarios reportaron mejoras considerables al abandonar estructuras improvisadas y utilizar la guía oficial Ref2VA, especialmente en diálogos, asignación de voces y continuidad de escenas. Otros confirmaron que la estructura oficial ayuda, pero señalaron problemas de adherencia o dificultades para controlar el audio.

Un hallazgo particular es que la adherencia a las instrucciones cambia considerablemente según la resolución. Se ha observado mejor cumplimiento de composición y referencias a resoluciones como 352p/416p en comparación con 768p, aunque esto no significa necesariamente que escribir más produzca mejores resultados.

¿Son realmente necesarias las seis secciones?

La respuesta es sí, conviene conservarlas cuando estás trabajando en Ref2VA, pero no necesitan tener todas la misma extensión. La documentación oficial mantiene expresamente los seis campos y su orden como parte del formato de instrucciones previsto para este modo.

Aquí está mi recomendación sobre qué función cumple cada una:

  • subject_definitions: Fundamental. Identificar inequívocamente cada referencia.
  • summary: Fundamental. Explicar brevemente qué quieres generar.
  • retention_analysis: Muy importante. Decir qué elementos deben conservarse y cuáles solo sirven de inspiración.
  • detailed_description: Fundamental. Describir la acción, composición y cámara.
  • overall_soundscape: Breve. Incluso una indicación de silencio ambiental cuando corresponda.
  • non_diegetic_music: Breve. N/A si no quieres música.

Hay una sección a la que prestaría especial atención: retention_analysis. Es una de las más interesantes y también una de las más fáciles de desaprovechar. No basta con decir que el personaje debe aparecer en el ambiente; hay que establecer qué se conserva de cada referencia (identidad facial, arquitectura, diseño) y, crucialmente, qué no debe conservarse (posición original, escala exacta).

¿Es posible conseguir buenos resultados con dos líneas?

Sí. Pero depende muchísimo de la complejidad de la tarea. Consideremos tres escenarios:

  1. Prompt corto suficiente: Una referencia, una acción sencilla. Un personaje caminando hacia delante manteniendo su apariencia.
  2. Necesita especificidad: Dos referencias y composición controlada. El personaje debe aparecer en un nuevo ambiente adaptando posición y perspectiva.
  3. Necesita instrucciones detalladas: Varias referencias, movimiento y cámara. Un personaje patinando con cámara paralela constante. Aquí las ambigüedades son numerosas y hay que resolverlas explícitamente.

El error sería pensar que un prompt corto es necesariamente mejor o que uno largo es necesariamente más preciso. Lo que importa es la relación entre complejidad de la escena y cantidad de información necesaria para eliminar ambigüedades.

El problema de atosigar al modelo

Cuando introducimos demasiadas referencias, restricciones y descripciones, podemos generar competencia entre instrucciones. Mantener la identidad del personaje puede entrar en conflicto con mantener la composición original o adaptar la perspectiva.

Repetir una misma condición cinco veces no significa necesariamente que el modelo le asigne cinco veces más importancia. Prefiero una instrucción inequívoca que cinco reiteraciones. Mi regla sería: describir exhaustivamente las relaciones que deben cambiar y ser muy preciso con los elementos que no deben cambiar.

Un sistema de tres niveles

A partir de ahora, adoptaría un sistema de tres niveles para estructurar mis prompts:

  1. Nivel 1: Identificación de referencias. Una línea por referencia. Sin literatura.
  2. Nivel 2: Relaciones y conservación. Especificar qué se transfiere, qué se conserva y qué debe adaptarse.
  3. Nivel 3: Ejecución. Describir la escena, acción, composición y cámara. Dar prioridad a las restricciones espaciales y temporales que realmente determinan el resultado.

Por ejemplo, para integrar un personaje en un ambiente:

subject_definitions:
 is the character from .
 is the environment and composition reference.
 is the pair of rollerblades from .

summary:
Reference-based video generation. Place  naturally within , using .

retention_analysis:
Preserve the facial identity, body proportions, hairstyle and clothing of . Preserve the architecture, perspective and lighting of . Adapt the subject's position and scale to the environment rather than copying the original character framing.

overall_soundscape:
Subtle outdoor ambience, rolling wheels and occasional distant traffic.

non_diegetic_music:
N/A

Fíjate en algo: no es particularmente largo. Sin embargo, comunica las relaciones fundamentales.

Resolución y creatividad

Hemos notado que las generaciones a 0.5 megapíxeles tienden a ser menos «creativas» que las a 0,98. Esto sugiere que la resolución de generación no es solamente una cuestión de calidad visual, sino que también puede modificar el comportamiento creativo del modelo.

Hay varias explicaciones posibles: menor capacidad espacial para representar relaciones anatómicas, simplificación de la escena o menor libertad compositiva que produce resultados más conservadores. A 0,98 MP el modelo dispone de más espacio latente para desarrollar características.

Un flujo de trabajo en dos etapas

Podríamos separar dos etapas:

Etapa 1: Generación y composición
Resolución nativa recomendada (0,98 MP). Resolver identidad, composición, escala, iluminación, movimiento y creatividad.
Etapa 2: Refinamiento
Upscaling latente. Incrementar resolución conservando la composición y las características fundamentales del resultado, sin volver a plantear desde cero la escena.

La ventaja es que dejamos de sacrificar potencial creativo para ahorrar recursos durante la generación inicial.

El workflow OBVMP H3 con Timeline

Con el uso del workflow OBVMP H3 con Timeline, podemos integrar el rescalado junto a una timeline que permite extender los videos sin pérdida de calidad. Esto nos permite plantear un flujo de trabajo diferente:

  1. Generar inicialmente a la resolución recomendada de aproximadamente 0,98 MP.
  2. Seleccionar el resultado que mejor resuelva composición, identidad y movimiento.
  3. Extender la secuencia mediante Timeline.
  4. Aplicar el reescalado OBVMP para obtener una versión de mayor resolución.

Esto cambia una de nuestras decisiones anteriores: ya no tendría mucho sentido intentar ahorrar VRAM generando sistemáticamente a 0,5 MP si disponemos de recursos para generar a 0,98 MP y después extender y reescalar. En tu caso, con la RTX 3090 de 24 GB, me inclinaría por priorizar la calidad de la generación inicial y optimizar el consumo en las etapas posteriores.

Conclusión

No abandonaría la documentación. Tampoco la convertiría en una religión. La utilizaría como un protocolo de organización, no como una obligación de escribir textos extensos.

Nuestra mejor estrategia para MiniMax H3 es utilizar prompts estructuralmente correctos, semánticamente precisos y tan breves como permita la complejidad de la escena. No necesitamos ser majaderos. Necesitamos ser inequívocos.

Una última idea: podríamos comparar experimentalmente tres versiones del mismo trabajo: una de dos líneas, otra con las seis secciones compactas y otra siguiendo exhaustivamente la documentación. Mismas referencias, misma configuración y varias generaciones. Así sabríamos cuánto aporta realmente cada nivel de detalle.