# MiniMax H3 Reference to Video LoRA Trainer API

> LoRA-Trainer für referenzgesteuertes Video mit Warmstart aus einer früheren LoRA

Trainiert eine LoRA mit einem ZIP-Archiv von Motivvideoclips, sodass Referenzeingaben die Videogenerierung steuern können. `reference_conditioning_p` legt fest, wie oft Referenzen während des Trainings verwendet werden, und `resume_from_lora_url` setzt das Training mit einer zuvor trainierten LoRA fort. Ebenfalls konfigurierbar: `rank`, `number_of_steps`, `number_of_frames`, `frame_rate` und `aspect_ratio`. Gibt Gewichte und eine Konfigurationsdatei zurück.

- 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.com/v1/run/minimax/h3/ref2va/trainer`
- Quote: `POST https://api.doitong.com/v1/quote/minimax/h3/ref2va/trainer`
- Docs page: https://doitong.com/de/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.com/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 einer ZIP-Datei mit Trainingsvideos für ein Motiv; Datensätze ausschließlich mit Bildern und gemischte Trainingsarchive aus Bildern und Videos werden abgelehnt, daher müssen Bilder als Referenz-Sidecars bereitgestellt werden. Optionale Ergänzungen teilen den Basisnamen jedes Clips: eine Beschriftung wie `clip01.txt` sowie geordnete Referenzen von `ref_1` bis `ref_4` mit den Namen `clip01.ref_1.<ext>` bis `clip01.ref_4.<ext>`; ohne Referenz-Sidecars liefert ein Frame des Clips seine eigene Referenz. `<ext>` bestimmt die Referenzmodalität: Bilder (.png/.jpg/.jpeg), Audio (.wav/.mp3/.flac/.m4a/.ogg/.aac) oder Videos (.mp4/.mov/.avi/.mkv/.webm), deren Soundtracks ebenfalls zu Audioreferenzen werden. Trainingsclips unterstützen .mp4, .mov, .avi und .mkv; mindestens 10 Clips werden empfohlen, mehr sind vorzuziehen. |
| `rank` |  | enum (integer) | no | `32` | `8`, `16`, `32`, `64`, `128` | LoRA-Anpassungsrang, der mit steigender Einstellung höheren Speicherverbrauch gegen größere Kapazität eintauscht. |
| `number_of_steps` |  | integer | no | `2000` | 1 – 15,000 | Gesamtzahl der Trainingsschritte. |
| `learning_rate` |  | number | no | `0.0002` | 0.000001 – 1 | Optimierungs-Lernrate, die einen möglichen Geschwindigkeitsgewinn beim Training gegen das bei einer Erhöhung steigende Risiko der Überanpassung abwägt. |
| `number_of_frames` |  | integer | no | `73` | 22 – 124 | Frame-Anzahl für jedes Trainingsbeispiel; bei Division durch 17 muss der Rest 5 sein. Beispiele sind 22, 39, 56, 73, 90, 107 und 124. |
| `frame_rate` |  | integer | no | `24` | 8 – 60 | Zielframerate des Videos, gemessen in Frames pro Sekunde. |
| `resolution` |  | enum (string) | no | `medium` | `low`, `medium`, `high` | Trainingsauflösung. Eine höhere Auflösung erhöht den Speicherbedarf. |
| `aspect_ratio` |  | enum (string) | no | `16:9` | `21:9`, `16:9`, `4:3`, `1:1`, `3:4`, `9:16` | Wähle das Trainingsseitenverhältnis aus derselben Menge, die über die MiniMax H3 API verfügbar ist. |
| `trigger_phrase` |  | string | no | `` |  | Aktivierungsphrase für den LoRA-Stil, die beim Training am Anfang der Untertitel eingefügt wird. |
| `reference_conditioning_p` |  | number | no | `0.9` | 0 – 1 | Lege fest, wie häufig das Training Referenzbild-Konditionierung gegenüber unconditioned Text-zu-Video-Audio-Training verwendet. Die verbleibende Wahrscheinlichkeit entfällt auf das unconditioned Ziel, um eine stabile Generierung ausschließlich aus Prompts zu gewährleisten. |
| `resume_from_lora_url` |  | string \| null | no |  |  | URL für Warm-Start-Training mit einer zuvor von diesem Trainer erstellten .safetensors-LoRA, gefolgt von der Anzahl zusätzlicher Trainingsschritte number_of_steps. Außer den Adaptergewichten wird nichts wiederhergestellt: Optimierung und Lernratenplanung beginnen beide neu. |
| `auto_scale_input` |  | boolean | no | `false` |  | Gibt an, ob Ziel-fps und Frame-Anzahl durch automatische Videoskalierung angepasst werden; true aktiviert diese Anpassung. |
| `split_input_into_scenes` |  | boolean | no | `true` |  | Aktiviere die Szenenaufteilung für Videos, die länger als ein Schwellenwert sind; Referenz-Sidecars aus aufgeteilten Clips werden verworfen. |
| `split_input_duration_threshold` |  | number | no | `30` | 1 – 60 | Auslöser für die Szenentrennung als Dauer in Sekunden: Nur Videos, die länger als der Schwellenwert sind, werden geteilt. |
| `debug_dataset` |  | boolean | no | `false` |  | Option zum Herunterladen eines Archivs zur Prüfung der Vorverarbeitung vor dem vollständigen Training. Bei Aktivierung paketiert der Trainer den verarbeiteten Datensatz, damit du Beschriftungen, Referenzbilder, Videos und Bilder manuell auf Korrektheit prüfen kannst. |
| `strict_dataset` |  | boolean | no | `false` |  | Strikte Behandlung von Problemen bei der Vorverarbeitung, die andernfalls protokolliert und mit dem dokumentierten Fallback behoben würden. Bei Aktivierung werden Beschriftungen, die leere Prompts benötigen, fehlende Referenz-Sidecars und Videos mit nicht lesbarem Audio abgelehnt, statt diese Fallbacks zu verwenden. |

## 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.com/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.com/v1/requests/REQUEST_ID?wait=20" \
  -H "Authorization: Bearer $DOITONG_API_KEY"
```

### JavaScript

```javascript
const API = "https://api.doitong.com/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.com/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.com/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.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t",
    "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel"
  }
}
```

### Output fields (`output`)

| Field | Type | Description |
|---|---|---|
| `lora_file` | object {url, content_type, file_name, file_size} | URL trainierter LoRA-Gewichte im .safetensors-Format. |
| `config_file` | object {url, content_type, file_name, file_size} | Konfiguration für die Einrichtung des Inferenz-Endpunkts. |
| `debug_dataset` | object {url, content_type, file_name, file_size} \| null | Nur für Anfragen mit aktiviertem `debug_dataset` verfügbar; dieses herunterladbare Archiv enthält die Trainingsdaten nach der Vorverarbeitung. |

## 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.com/v1/models/minimax/h3/ref2va/trainer