# MiniMax H3 Reference to Video LoRA Trainer API

> Entraîneur LoRA pour la vidéo conditionnée par des références, avec reprise à chaud depuis un LoRA précédent

Entraîne un LoRA sur une archive zip de clips vidéo de sujets afin que les entrées de référence puissent orienter la génération vidéo. `reference_conditioning_p` définit la fréquence d'utilisation des références pendant l'entraînement, et `resume_from_lora_url` reprend à partir d'un LoRA entraîné précédemment. Paramètres également configurables : `rank`, `number_of_steps`, `number_of_frames`, `frame_rate` et `aspect_ratio`. Renvoie les poids et un fichier de configuration.

- Model id: `minimax/h3/ref2va/trainer`
- Made by: MiniMax
- Category: Training
- Output: file
- Price: $0.015 / step (cheapest run $30.00 (30000 API credits))
- Run: `POST https://api.doitong.ru/v1/run/minimax/h3/ref2va/trainer`
- Quote: `POST https://api.doitong.ru/v1/quote/minimax/h3/ref2va/trainer`
- Docs page: https://doitong.com/fr-CA/developers/models/minimax/h3/ref2va/trainer

## Pricing

Price: **$0.015 / step**. Billed per training step (`number_of_steps`).

The full example input below costs $30.00 = 30000 API credits (2000 steps × 15 API credits).

Prices are the upstream price in USD, paid from the API balance in API credits (1000 API credits = 1 USD). `POST https://api.doitong.ru/v1/quote/minimax/h3/ref2va/trainer` with the same JSON body returns the exact price for that input; the quote is exactly what a run charges. Invalid input is never charged and failed or canceled requests are refunded automatically.

## Input parameters

| Parameter | Canonical name | Type | Required | Default | Allowed values / range | Description |
|---|---|---|---|---|---|---|
| `training_data_url` |  | string | yes |  |  | URL d'un ZIP de vidéos d'entraînement du sujet; les jeux de données composés uniquement d'images et les archives d'entraînement mixtes image/vidéo sont rejetés, les images doivent donc être des éléments annexes de référence. Les éléments facultatifs partagent le nom de base de chaque clip : une légende telle que `clip01.txt` et des références ordonnées de `ref_1` à `ref_4`, nommées `clip01.ref_1.<ext>` à `clip01.ref_4.<ext>`; sans éléments annexes de référence, une image du clip fournit sa propre référence. `<ext>` détermine la modalité de référence : images (.png/.jpg/.jpeg), audio (.wav/.mp3/.flac/.m4a/.ogg/.aac) ou vidéos (.mp4/.mov/.avi/.mkv/.webm), dont les bandes sonores deviennent également des références audio. Les clips d'entraînement prennent en charge .mp4, .mov, .avi et .mkv; visez au moins 10 clips, davantage étant préférable. |
| `rank` |  | enum (integer) | no | `32` | `8`, `16`, `32`, `64`, `128` | Rang d'adaptation LoRA, qui échange une consommation mémoire accrue contre une capacité supérieure à mesure que le réglage augmente. |
| `number_of_steps` |  | integer | no | `2000` | 1 – 15,000 | Nombre total d'étapes d'entraînement. |
| `learning_rate` |  | number | no | `0.0002` | 0.000001 – 1 | Taux d’apprentissage d’optimisation, qui équilibre une éventuelle accélération de l’entraînement et le risque de surapprentissage lorsqu’il est augmenté. |
| `number_of_frames` |  | integer | no | `73` | 22 – 124 | Nombre d'images pour chaque échantillon d'entraînement; sa division par 17 doit laisser un reste de 5. Exemples : 22, 39, 56, 73, 90, 107 et 124. |
| `frame_rate` |  | integer | no | `24` | 8 – 60 | Fréquence d’images cible de la vidéo, mesurée en images par seconde. |
| `resolution` |  | enum (string) | no | `medium` | `low`, `medium`, `high` | Résolution d'entraînement. Augmenter la résolution accroît les besoins en mémoire. |
| `aspect_ratio` |  | enum (string) | no | `16:9` | `21:9`, `16:9`, `4:3`, `1:1`, `3:4`, `9:16` | Choisissez le rapport hauteur/largeur d'entraînement dans le même ensemble que celui disponible via l'API MiniMax H3. |
| `trigger_phrase` |  | string | no | `` |  | Phrase d'activation du style LoRA, insérée au début des légendes pendant l'entraînement. |
| `reference_conditioning_p` |  | number | no | `0.9` | 0 – 1 | Définissez la fréquence à laquelle l'entraînement utilise le conditionnement par image de référence par rapport à l'entraînement texte vers vidéo-audio sans conditionnement. La probabilité restante est attribuée à l'objectif sans conditionnement afin de maintenir une génération stable à partir de l'invite seule. |
| `resume_from_lora_url` |  | string \| null | no |  |  | URL pour un entraînement à démarrage à chaud avec une LoRA .safetensors créée précédemment par cet entraîneur, suivie de number_of_steps étapes d'entraînement supplémentaires. Rien à part les poids de l'adaptateur n'est restauré : l'optimisation et la planification du taux d'apprentissage recommencent toutes deux. |
| `auto_scale_input` |  | boolean | no | `false` |  | Indique si le fps cible et le nombre d'images sont harmonisés par mise à l'échelle vidéo automatique; true active cet ajustement. |
| `split_input_into_scenes` |  | boolean | no | `true` |  | Activez le découpage des scènes pour les vidéos dépassant un seuil de durée, en supprimant les éléments annexes de référence des clips découpés. |
| `split_input_duration_threshold` |  | number | no | `30` | 1 – 60 | Déclencheur de découpage des scènes exprimé comme une durée en secondes : seules les vidéos dépassant le seuil sont découpées. |
| `debug_dataset` |  | boolean | no | `false` |  | Option de téléchargement d'une archive pour vérifier le prétraitement avant de lancer l'entraînement complet. Lorsque cette option est activée, l'entraîneur empaquette le jeu de données traité afin que vous puissiez inspecter manuellement les légendes, images de référence, vidéos et images. |
| `strict_dataset` |  | boolean | no | `false` |  | Gestion stricte des problèmes de prétraitement qui seraient autrement consignés et résolus à l'aide de la solution de repli documentée. L'activation rejette les légendes nécessitant des invites vides, les éléments annexes de référence manquants et les vidéos dont l'audio est illisible, plutôt que d'autoriser ces solutions de repli. |

## Example input

Required parameters only:

```json
{
  "training_data_url": "https://example.com/your-file.zip"
}
```

A fuller example:

```json
{
  "training_data_url": "https://example.com/your-file.zip"
}
```

## Run it

Set `DOITONG_API_KEY` to a key from https://doitong.com/developers/dashboard#keys. `?wait=20` returns the finished request in the same call when it is ready within 20 seconds; otherwise poll `GET /requests/{id}` (it also accepts `?wait=`), or pass `webhook_url`.

### curl

```bash
# Run the model; wait up to 20 s for the finished result in the same call
curl -X POST "https://api.doitong.ru/v1/run/minimax/h3/ref2va/trainer?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "training_data_url": "https://example.com/your-file.zip"
  }'

# Still "queued" or "running"? Poll with the id from the response:
curl "https://api.doitong.ru/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"
```

### JavaScript

```javascript
const API = "https://api.doitong.ru/v1";
const headers = {
  "Authorization": "Bearer " + process.env.DOITONG_API_KEY,
  "Content-Type": "application/json",
};

// Run the model; wait up to 20 s for the finished result in the same call
let res = await fetch(API + "/run/minimax/h3/ref2va/trainer?wait=20", {
  method: "POST",
  headers,
  body: JSON.stringify({
    "training_data_url": "https://example.com/your-file.zip"
  }),
});
let request = await res.json();
if (!res.ok) throw new Error(request.error.code + ": " + request.error.message);

// Not finished yet: long-poll until it is
while (request.status === "queued" || request.status === "running") {
  res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers });
  request = await res.json();
}
if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error));
console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")");
```

### Python

```python
import os
import requests

API = "https://api.doitong.ru/v1"
headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]}

payload = {
    "training_data_url": "https://example.com/your-file.zip",
}

# Run the model; wait up to 20 s for the finished result in the same call
r = requests.post(API + "/run/minimax/h3/ref2va/trainer", params={"wait": 20}, json=payload, headers=headers)
request = r.json()
if not r.ok:
    raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"])

# Not finished yet: long-poll until it is
while request["status"] in ("queued", "running"):
    request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json()
if request["status"] != "succeeded":
    raise RuntimeError(request["error"])
print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"])
```

### MCP

The MCP server at `https://api.doitong.ru/v1/mcp` exposes the tools `search_models`, `get_model`, `quote`, `run`, `get_request`, `cancel_request`, `list_requests`, `create_upload` and `get_account`. A `run` call for this model:

```json
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "run",
    "arguments": {
      "model_id": "minimax/h3/ref2va/trainer",
      "input": {
        "training_data_url": "https://example.com/your-file.zip"
      },
      "wait_seconds": 20
    }
  }
}
```

## Response

Every call returns a request object. `status` is one of `queued`, `running`, `succeeded`, `failed`, `canceled`. `outputs` lists the generated files with URLs on our storage (kept forever, or 7 days with `?storage=temporary`; `storage` says which); `output` is the model's own result object with the same URLs.

```json
{
  "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t",
  "object": "request",
  "model": "minimax/h3/ref2va/trainer",
  "status": "succeeded",
  "created_at": "2026-10-20T12:00:00Z",
  "started_at": "2026-10-20T12:00:02Z",
  "completed_at": "2026-10-20T12:00:09Z",
  "queue_position": null,
  "cost": {
    "credits": 30000,
    "usd": "30.00",
    "charged": 30000,
    "refunded": 0
  },
  "input": {
    "training_data_url": "https://example.com/your-file.zip"
  },
  "output": {
    "lora_file": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "config_file": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    },
    "debug_dataset": {
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_name": "0-output.jpeg",
      "file_size": 1843200
    }
  },
  "outputs": [
    {
      "type": "file",
      "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg",
      "content_type": "image/jpeg",
      "file_size": 1843200,
      "stored": true
    }
  ],
  "error": null,
  "metrics": {
    "inference_seconds": 6.8
  },
  "urls": {
    "self": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.ru/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `lora_file` | object {url, content_type, file_name, file_size} | URL des poids LoRA entraînés au format .safetensors. |
| `config_file` | object {url, content_type, file_name, file_size} | Configuration de l'installation du point de terminaison d'inférence. |
| `debug_dataset` | object {url, content_type, file_name, file_size} \| null | Disponible uniquement pour les requêtes avec `debug_dataset` activé, cette archive téléchargeable contient les données d'entraînement après le prétraitement. |

## Related models

- [MiniMax H3 First Last Frame LoRA Trainer](https://doitong.com/developers/models/minimax/h3/flf2v/trainer.md) (`minimax/h3/flf2v/trainer`): $0.01 / step
- [MiniMax H3 Image to Video Audio LoRA Trainer](https://doitong.com/developers/models/minimax/h3/i2v/trainer.md) (`minimax/h3/i2v/trainer`): $0.01 / step
- [MiniMax H3 Text to Video LoRA Trainer](https://doitong.com/developers/models/minimax/h3/t2v/trainer.md) (`minimax/h3/t2v/trainer`): $0.005 / step
- [ERNIE-Image Trainer](https://doitong.com/developers/models/ernie-image-trainer.md) (`ernie-image-trainer`): $0.0012 / step
- [FLUX 2 \[klein\] 9b Base Trainer](https://doitong.com/developers/models/flux-2-klein-9b-base-trainer.md) (`flux-2-klein-9b-base-trainer`): $0.0043 / step
- [Flux 2 Klein 9B Base Trainer](https://doitong.com/developers/models/flux-2-klein-9b-base-trainer/edit.md) (`flux-2-klein-9b-base-trainer/edit`): $0.0139 / step
- [FLUX 2 Trainer](https://doitong.com/developers/models/flux-2-trainer.md) (`flux-2-trainer`): $0.0064 / step
- [FLUX 2 Trainer Edit](https://doitong.com/developers/models/flux-2-trainer/edit.md) (`flux-2-trainer/edit`): $0.0389 / step

## Links

- HTML page: https://doitong.com/developers/models/minimax/h3/ref2va/trainer
- All models and guides for AI agents: https://doitong.com/developers/llms.txt
- OpenAPI 3.1 with this model's typed request body: https://doitong.com/developers/openapi.json?model=minimax/h3/ref2va/trainer
- Errors: https://doitong.com/developers/docs/errors
- Model details as JSON: https://api.doitong.ru/v1/models/minimax/h3/ref2va/trainer