Nvidia bâtit son outil vidéo 4K sur un modèle chinois, MiniMax H3
Une équipe de NVIDIA et du MIT publie en accès libre un outil qui régénère les vidéos jusqu’en 4K, construit sur MiniMax H3. Qui dépend de qui ?
Une équipe de NVIDIA et du MIT vient de publier en accès libre un outil qui redonne de la netteté à des vidéos générées par IA, jusqu’en 4K. Son moteur : MiniMax H3, un modèle du laboratoire chinois MiniMax, selon 量子位 QbitAI. On parle volontiers de rivalité technologique entre les États-Unis et la Chine ; ce projet montre que le code, lui, passe d’un camp à l’autre.
Ce qui est publié, et par qui
Si vous retouchez ou produisez des vidéos avec de l’IA, un outil ouvert capable d’améliorer la qualité sans passer par un service payant change votre budget. Voici ce que l’on sait.
Selon 量子位 QbitAI, l’équipe Efficient-Large-Model, composée de chercheurs de NVIDIA et du Massachusetts Institute of Technology (MIT), a mis en ligne sur Hugging Face les « poids » du projet Open-H3-Regenerate-2K. Les poids, ce sont les milliers de réglages internes qui font le savoir-faire d’un modèle : les avoir, c’est pouvoir faire tourner le modèle chez soi. Le code qui sert à l’exécuter est disponible dans un dépôt nommé NVlabs/Sana.
Le projet est bâti sur MiniMax H3. D’après la source, ce système complet de génération audio et vidéo comporte plusieurs étapes : le traitement du contexte (texte, images), la génération de base du son et de l’image, puis la « regénération » en haute résolution. Le modèle de base, H3-Base, a ses poids ouverts et produit des vidéos en 768P, c’est-à-dire environ 768 lignes de pixels de hauteur. L’étape de haute résolution, elle, n’est proposée par MiniMax que via un service en ligne (une API). Le projet de NVIDIA et du MIT offre donc une version que chacun peut héberger soi-même pour cette dernière étape.
Ce que fait l’outil, en clair
L’enjeu pour vous : transformer un brouillon vidéo flou en image exploitable, sans tout refaire de zéro.
L’outil prend une vidéo « brouillon » en basse résolution et la régénère en haute résolution. Il ne se contente pas d’étirer l’image : il redessine les détails. Les scènes, la composition et les mouvements du brouillon servent de base. La sortie est en 2K (2560×1440 pixels) et peut monter jusqu’en 4K natif (3840×2160). Pour le repère : une vidéo 4K contient quatre fois plus de pixels qu’une vidéo Full HD classique (1920×1080). Par rapport à un brouillon en 768P, l’écart est encore plus grand.
Le détail technique, tel que le décrit la source. Les chercheurs ont laissé intact le cœur de H3 (son réseau principal et son compresseur vidéo, appelé VAE). Ils n’ont entraîné qu’un petit module additionnel, un « LoRA » : une sorte de lentille que l’on ajoute à un appareil photo sans toucher à l’appareil. Ce module est combiné avec d’autres adaptateurs créés par la communauté, nommés LightX2V FL2VA Turbo et LMS Sharp. L’image est ensuite reconstruite en trois étapes de « débruitage » : le modèle part d’une image brouillée et la nettoie progressivement. Pour aller plus vite, le projet agrandit la vidéo dans sa forme compressée, ce qui évite de la décompresser puis de la recompresser à haute résolution, et utilise des calculs allégés grâce à un moteur appelé SoL-Engine.
En clair : un petit ajout entraîné à part, branché sur un grand modèle existant, qui refait les détails en peu d’étapes.
Des chiffres à lire avec prudence
L’enjeu : savoir si l’outil tient ses promesses. Avant de juger, regardons d’où viennent les mesures.
Selon l’équipe du projet, sur une seule carte graphique NVIDIA B200 (une puce haut de gamme), le traitement d’une vidéo d’environ 5 secondes passe de 87,26 secondes pour une version non optimisée à 22,45 secondes, soit environ 3,9 fois plus vite. Le décodage seul tombe d’environ 15 secondes à environ 1,6 seconde.
Sur la qualité, l’équipe a comparé son outil à l’API officielle de MiniMax, avec les mêmes entrées et la même sortie en 2K, sur un jeu de test nommé RefinerBench-150. Le score de qualité perçue UniPercept est de 60,0 pour Open-H3-Regenerate-2K, contre 53,4 pour l’API officielle : environ 12 % de plus. Le texte ne précise pas l’échelle maximale du score. Sur un autre test, VBench, l’outil ouvert obtient de meilleurs résultats en esthétique, en qualité d’image et en cohérence du sujet. L’API officielle reste légèrement meilleure sur la fluidité et l’intensité des mouvements.
Trois réserves s’imposent. D’abord, ces résultats sont publiés par les auteurs eux-mêmes ; la source ne cite aucune évaluation indépendante. Ensuite, la mention finale de l’article indique qu’il est fourni par MiniMax et republié avec autorisation par 量子位 : ce n’est pas une enquête de la rédaction. Enfin, un score de laboratoire ne dit pas si vos propres vidéos auront le même rendu. Le meilleur test reste de comparer sur ses propres brouillons.
Qui dépend de qui ?
L’enjeu : comprendre si la frontière « IA américaine contre IA chinoise » a encore un sens quand les modèles sont ouverts.
Le cas est parlant. Un laboratoire chinois, MiniMax, ouvre en août les poids de son modèle H3. Des chercheurs de NVIDIA, entreprise américaine, et du MIT bâtissent dessus un outil qu’ils publient à leur tour en accès libre. Le test de vitesse, lui, tourne sur une puce de NVIDIA. La source ne dit pas sur quel matériel MiniMax a entraîné H3, donc on ne peut pas conclure sur la dépendance dans l’autre sens. Mais la circulation, elle, est documentée : le modèle chinois sert de fondation, la puce et la recherche américaines de rampe de lancement.
Selon la source, l’ouverture de H3 a déclenché un mouvement large : plus de 24 millions de téléchargements en un mois, plus de 300 modèles dérivés publics, et une place parmi les modèles les plus téléchargés au monde en 2026. Ces chiffres viennent du texte fourni par MiniMax, donc d’une partie intéressée. Parmi les dérivés cités : les versions accélérées de LightX2V, le modèle Singularity centré sur les mouvements et les visages, FastH3 de FastVideo, Pika H3 Flex de Pika, ainsi que des adaptations de ComfyUI et d’Unsloth pour l’usage en local. La même équipe NVIDIA et MIT a aussi publié StreamRender-H3, pour le rendu vidéo en continu, et Sol-H3-VAE, un décodeur plus rapide.
Pour une PME ou un indépendant, « poids ouverts » veut dire : télécharger, faire tourner chez soi, adapter. Reste une inconnue : la source ne mentionne pas les conditions de licence, notamment pour un usage commercial. Il faut les lire sur la page Hugging Face avant de s’en servir pour des clients.
La question de fond reste ouverte. Si un modèle chinois nourrit un outil américain, qui lui-même nourrit des outils dans le monde entier, que signifie encore « dépendre » ? Et le jour où l’un des deux camps fermerait ses modèles, que resterait-il de cette chaîne ? À observer : la prochaine génération de H3 sera-t-elle publiée avec ses poids, ou seulement via une API ?
Sources
Pour aller plus loin Dossier : Europe, Chine, États-UnisDossier : Quelle IA choisir ?
