Kopie hudebního modelu MiniMax Music3 uvádějí na Hugging Face čtyři různé licence

Čínský MiniMax nahrál 7. srpna 2026 na Hugging Face váhy hudebního modelu Music3. Dostane text písně a popis zvuku, vrátí hotovou skladbu se zpěvem, dlouhou až pět minut, ve stereu na 32 kHz a v šestnácti bitech. Repozitář váží 57,35 GB a leží v něm i soubor LICENSE s vlastní komunitní licencí. Kolonka na licenci v hlavičce karty ale zůstala prázdná – a bez ní Hugging Face u modelu žádnou licenci nevypisuje ani ho nezná jeho vlastní filtr.

Osm a půl miliardy parametrů z Qwenu, zbytek okolo

Music3 není jeden model, ale řetěz. Podle karty modelu předpovídá velký jazykový model o osmi miliardách parametrů první z osmi kódových knih, tedy hrubý průběh skladby, a menší model o 0,6 miliardy k němu v každém snímku dopočítá zbylých sedm. Skryté stavy obou pak jdou přes vrstvu s 2,4 miliardy parametrů, která místo diskrétních značek pracuje se spojitým tokem, a dekodér o 123 milionech parametrů z toho udělá zvuk. Totéž rozdělení popisuje i blog projektu ComfyUI, který model 13. srpna zapojil do svého rozhraní.

Velký model MiniMax neškolil od nuly. Karta uvádí, že vyšel z Qwen3-8B, a čísla to potvrzují do posledního parametru. Rejstřík vah v repozitáři hlásí 8 584 475 648 parametrů, Qwen3-8B jich má 8 190 735 360. Rozdíl 393 740 288 sedí přesně na zvětšený slovník: Music3 má 200 000 položek proti 151 936 u předlohy, tedy o 48 064 víc, a protože vstupní a výstupní vrstva sdílené nejsou, počítá se každá zvlášť – 48 064 krát 4 096 krát dvě. Zbytek sítě, tedy 36 vrstev a šířka 4 096, je nezměněný. Přibyly jen značky pro hudbu.

Jednu věc naopak model ztratil. Qwen3-8B má okno 40 960 pozic, konfigurace Music3 uvádí 10 240, tedy čtvrtinu. Návod v kartě říká, že model tvoří 25 snímků zvuku za sekundu; pětiminutová skladba je tedy 7 500 snímků a na text písně, popis a značky zbývá 2 740 pozic. MiniMax tenhle propočet nikde neuvádí a ani nepíše, kolik z okna spolyká delší zadání.

Šedesát dva procent stahování je tentýž model podruhé

Kdo si repozitář stáhne celý, dostane 57,35 GB. Jazyková část v něm ale leží dvakrát: složka pro knihovnu diffusers má 17,17 GB, složka pro server SGLang 18,48 GB a obě popisují týž tvar sítě, tedy 36 vrstev, šířku 4 096 a slovník o 200 000 položkách. Dohromady je to 35,65 GB, tedy 62 % celého stahování. Ta druhá složka se jmenuje qwen_7B, přestože model v ní má 8,6 miliardy parametrů.

Vrstva se spojitým tokem zabírá 9,73 GB při 2,43 miliardy parametrů, což vychází na čtyři bajty na parametr – je uložená v plné přesnosti, zatímco jazyková část v poloviční. Do paměti grafické karty se přitom vejde mnohem míň, než kolik váží stažený balík: podle návodu si celý model vystačí s kartou o 24 GB, s odkládáním do operační paměti mu stačí zhruba 22 GB a při nahrávání jazykové části po vrstvách rozjede skladbu i osmigigabajtová karta. Vyzkoušené to nemáme, je to postup z dokumentace.

Licence začíná větou z MIT a končí u čtyř podmínek

Soubor LICENSE otevírá věta, kterou zná každý, kdo někdy četl MIT: „Permission is hereby granted, free of charge, to any person obtaining a copy of this Software… to deal in the Software, including without limitation the rights to use, copy, modify, merge, publish, distribute, sublicense, and/or provide copies of the Software.“ Proti původnímu znění MIT v ní chybí dvě slova – without restriction, tedy že se se softwarem smí nakládat bez omezení – a jedno je vyměněné: místo práva kopie prodávat je tu právo je poskytovat.

Podmínky jsou pak čtyři. První je obvyklá povinnost přiložit text licence. Druhá odkazuje na pravidla přijatelného užití, což je devatenáctibodový seznam v příloze A datovaný „August [6], 2026“ – se závorkami, které v něm zůstaly. Třetí je obchodní: kdo model použije v placeném produktu, musí v jeho rozhraní viditelně uvést „MiniMax-Music3“, a pokud roční tržby jeho a propojených osob přesáhnou dvacet milionů dolarů, potřebuje předchozí písemný souhlas získaný e-mailem s předepsaným předmětem zprávy. Čtvrtá ukládá provozovateli hostované služby zavést a pravidelně přezkoumávat opatření proti tomu, aby model vyráběl obsah porušující cizí práva.

MiniMax v témže souboru sám vyjmenoval, na čem Music3 stojí: jazyková část na Qwen3-8B pod Apache 2.0, dvoumiliardová část se spojitým tokem na kódu Stable Audio pod MIT a dekodér na projektu DAC, rovněž pod MIT. To je víc, než dělá řada vydavatelů vah.

Prázdná kolonka a čtyři licence v kopiích

V hlavičce karty modelu stojí jen knihovna, úloha a štítky. Pole license tam není žádné, takže rozhraní Hugging Face u modelu nevrací ani štítek license:other, ani odkaz na soubor. Jediná zmínka o licenci na stránce je zelený odznak v záhlaví popisu, který na LICENSE odkazuje obrázkem. U videomodelu H3 přitom táž firma pole vyplnila včetně názvu licence a odkazu na její znění.

Následek jde změřit. Hledání jména Music3 vrátilo 21. srpna 2026 pětašedesát repozitářů. Čtyřiatřicet z nich hlásí other, osmnáct nehlásí nic – mezi nimi vydání od MiniMaxu samého –, deset uvádí Apache 2.0, dva MIT a jeden CreativeML OpenRAIL-M. Filtr podle licence tak na other nabídne čtyřiatřicet kopií a pramen mezi nimi není. U H3 se týmž filtrem najde původní repozitář hned první.

Nejstahovanější položkou z celé pětašedesátky je přebalení pro ComfyUI se 453 753 staženími, tedy devětadvacetkrát víc než 15 678 u originálu, a jeho karta uvádí Apache 2.0. Balík od týmu knihovny diffusers hlásí MIT. Obojí je poctivě označené polem base_model mířícím na MiniMax a obojí obsahuje přeskládané váhy Music3 – tedy soubory, ke kterým se váže povinnost uvést jméno modelu v rozhraní a práh dvaceti milionů dolarů. Ani jedna z těch dvou licencí nic takového nezná.

Územní omezení, které videomodel má a hudební ne

Rozdíl mezi oběma licencemi MiniMaxu je pro evropského uživatele podstatný. Licence videomodelu H3, datovaná 2. srpna 2026, vylučuje ze svého území Evropskou unii, Británii, Korejskou republiku a Spojené státy a výslovně zakazuje váhy i výstupy mimo povolené území použít. Licence Music3 o území nemluví vůbec. Chybí v ní také ustanovení, kterým H3 zapovídá cvičit na svých výstupech jiné modely.

Zapsat licenci do hlavičky karty je jeden řádek a MiniMax to u H3 udělal, takže nejde o neznalost postupu. Dokud ten řádek u Music3 nepřibude, bude filtr Hugging Face podle licence nabízet kopie a pramen ne. Ostatně i návod v kartě stále radí instalovat diffusers z commitu nesloučeného návrhu #14456, přestože ten se do knihovny dostal už 13. srpna.

Zdroje: karta a soubory modelu MiniMaxAI/MiniMax-Music3, jeho soubor LICENSE a licence videomodelu H3; karta modelu Qwen3-8B; popis modelu na blogu ComfyUI z 13. srpna 2026; návrh změny #14456 v knihovně diffusers. Velikosti souborů, počty parametrů a štítky licencí odečteny 21. srpna 2026 z veřejného rozhraní huggingface.co/api/models; podíly a součty jsou vlastní výpočet z těchto čísel.