MiniMax H3 und Co. auf dem Olares One ausprobiert: Schöne Bilder mit viel Aufwand

Ich hatte euch vor kurzem ja einen ersten Eindruck vom Olares One gezeigt. Dort sprach ich bereits die verschiedenen Möglichkeiten an. Eine davon ist die lokale Videogenerierung. Das wohl bekannteste lokale Modell, was gerade im Netz aktuell ist, ist MiniMax H3. Für den Test sollte das Modell eine ältere Frau mit einen kleinen Roboter beim Frühstück in verschiedenen Stilen generieren. Die Moral: Ein Schraubglas geht mit einem Tuch einfacher auf, als mit mehr Kraft. An und für sich ein überschaubares Projekt. Gerade die einzelnen Handgriffe machten aber reichlich Arbeit und die Ergebnisse sind immer noch gemischt.

Für den Versuch lief H3 auf dem One mit separat installiertem ComfyUI 0.42.1. Das Tool gibt es auch im Olares Market als Klick-Installation, ich habe mich aber für die Paketinstallation entschieden. Für diejenigen, die noch mal einen Reinholer brauchen: Im Rechner stecken 96 GB RAM und eine RTX 5090 Mobile mit 24 GB VRAM, keine Desktopversion der RTX 5090. Das speicherbelegende Qwen 3.8 Flash Next über Strata musste für das Videoprojekt pausieren, sonst hätte der VRAM nicht ausgereicht. Die H3-Inferenz blieb lokal, Start- und Hilfsbilder kamen allerdings aus GPTImage2. Komplett cloudfrei war die Produktion also nicht. Hätte ich das auch lokal machen wollen, dann hätte man auf Qwen Image oder FLUX zurückgreifen können. Das habe ich mir in dem Fall aber gespart.

Minuten für Sekunden

Die Aufträge liefen mit nativen 896 × 512 Pixeln, 20 Schritten und res_multistep/simple. Gemessen wurden gemischte Produktionsläufe inklusive Looktests und verworfener Versuche, kein kontrollierter Vergleichsbenchmark oder Kaltstart.

Für gut fünf Sekunden Video waren also knapp 3:15 Minuten nötig, für zehn Sekunden knapp neun Minuten. Im Schnitt kamen 120 beziehungsweise 240 Frames zum Einsatz. Ist das schnell? Nicht langsam aber geht natürlich schneller. Als Orientierungsbeispiel: ai-muninn nennt beispielhaft 175 Sekunden für 10,125 Sekunden Video auf einer Desktop-RTX-5090, mit NVFP4, Text statt Referenzbildern, 864×480 und zehn Schritten. Die Hardware für den direkten Vergleich habe ich nicht, daher sei das an dieser Stelle mal erwähnt.

Insgesamt stehen bei mir 108 angenommene H3-Aufträge und knapp 9 Stunden summierter Serverzeit im Protokoll. Die GPU-Auslastung lag im Mittel bei 99,16 Prozent, die Board-Leistung bei 171,24 Watt. Maximal belegt waren 23.688 MB VRAM, umgerechnet 23,13 GiB. Die 24-GB-Karte war damit also voll. Aus den vorhandenen GPU-Board-Samples ergeben sich 1,533 kWh, ohne Messlücken und Endpunkte hochzurechnen. Das ist kein Steckdosenverbrauch aber zumindest ein guter Richtwert.

The good, the bad

Was gut funktioniert hat? Schöne Einzelbilder bekommt H3 hin. Besonders die warme 3D-Fassung punktet mit Materialien und Atmosphäre. Über eingefügte Referenzen und Startbilder lassen sich kurze Shots steuern. Am Ende kamen vier geschnittene Fassungen von "A Better Grip" mit jeweils 70 Sekunden und sieben Handlungsszenen, in 3D, Realfilm, gezeichnetem 2D und grafischem Hybrid heraus. Der Hybrid trifft den gewünschten Look allerdings nur teilweise. Sollte im Prinzip den Stil von Spider-Man: Into the Spiderverse imitieren.

Was nicht gut ist? Sobald mehrere Hände etwas tun sollen, wird es schwierig. Versuche scheiterten an vertauschten Haltehänden, zusätzlichen Fingern oder zu früh geöffneten Deckeln. Tuchkontakte und Requisitenwechsel sind ebenfalls problematisch. So übernehmen andere Gegenstände oft Muster und so weiter. Über verkettete Shots veränderten sich außerdem Stil und Proportionen. In fast allen Szenen wurden ab Shot drei die Konturen kräftiger, Materialmuster blockiger oder Figuren karikierter. Die Endfilme brauchten immer wieder Teilclips, Neurenders und Nachbearbeitung. Schnitt und Upscale erfolgten extern. Auch der Ton war ein Problem. Die Sprache der ersten Ausgabe war unbrauchbares Kauderwelsch und Pipelinefehler sind ebenfalls dabei gewesen. Generell muss ich den Generation Drift besser in den Griff bekommen.

Wenn ihr euch das Endergebnis anschaut, ist da immer noch eine Menge Luft nach oben, wer aber schon mal mit Runway / Higgsfield und noch besseren Modellen wie Seedance und Co. gespielt hat, der weiß, dass die Generierungen auch dort bescheiden sein können oder unfassbar viel Credits kosten.

Ein kurzer Vergleich mit Wan 2.2 und LTX 2.5

Nach H3 waren Wan 2.2 am 27. und LTX 2.5 mit einer kniffligen Szene dran. Die Frau hält das Glas, der Roboter soll den Deckel mit einem Tuch lösen, abheben und auf dem Holztisch ablegen. Ein Greifer behält das Tuch, der andere ist am Ende leer. Beide bekamen dasselbe Startbild und denselben neuen englischen Prompt, jeweils für einen einzigen Versuch ohne nachträgliche Verschönerung.

Wan lief als I2V A14B in FP8 scaled mit High-/Low-Noise-Modellen und 20 Schritten, je zehn pro Modell, ohne Turbo-LoRA. Bei LTX kam das distilled 22B in INT8 ConvRot mit Gemma4-12B in INT8 ConvRot und acht Schritten zum Einsatz. Prompt-Enhancer und zweiter Upscale-Durchgang blieben aus. Beide Ausgaben haben native 896 × 512 Pixel. Die Messwerte sehen folgendermaßen aus:

Und das Bild? Bei Wan bleibt der goldene Deckel auf dem Glas. Statt ihn abzunehmen, erfindet das Modell unter dem angehobenen Tuch ein dunkles Brett und legt dieses ab. Erster Eindruck im Vergleich zu MiniMax? Nicht nutzbar.

LTX hebt den Deckel auch nicht ab, sondern zaubert ihn aus dem Tuch heraus. Da kommen dann noch andere Fehler dazu.

Für diesen Shot reicht ein fertig gerendertes Video eben nicht. Je nachdem, welches Modell man nutzt, muss man sich eingrooven, die Rezepte finetunen und so weiter. Wie man sieht, ist das auch bei MiniMax keine leichte Sache.

Mein Fazit

Für kurze Shots und Looktests ist dieses Setup brauchbar. Sobald ihr eine zusammenhängende Handlung und längere Projekte rechnen wollt, müsst ihr mit einer Menge Renderzeit, vielen Fehlversuchen und Korrekturen rechnen. Hand-, Objekt- und Sprachfehler sprechen hier aber für Grenzen von H3 samt Pipeline und sind kein Olares-Problem. Fakt ist, dass man mit dem Gerät und etwas Zeit auch lokal einiges an Video machen kann, auch wenn man durch Speicher und Auflösung etc. limitiert ist.

Obacht bei MiniMax: Vor eigenen Versuchen müsst ihr die Community-Lizenz beachten. Sie schließt EU, Großbritannien, USA und Südkorea aus, nicht bloß kommerzielle Nutzung. Man kann sich über ein Lizenzformular aber die Nutzung freischalten lassen. Offene Gewichte sind eben keine uneingeschränkte Open-Source-Freigabe. Auch hier gibt es Lizenzeinschränkungen.

Der Olares One kostet im Shop knapp 4600 Euro. Olares war so nett uns einen Discount von 300 US-Dollar für euch zur Verfügung zu stellen, womit ihr bei knapp 4.300 Euro rauskommt. Solltet ihr interessiert sein, dann schaut mal HIER.

Hinweis: Dieser Artikel enthält Affiliate-Links. Kauft ihr darüber ein, erhalten wir eine kleine Provision - ohne Aufpreis für euch und ohne Einfluss auf unsere redaktionelle Meinung.