# MiniMax H3 Reference to Video LoRA Trainer API

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

Entraîne un LoRA sur une archive zip de clips vidéo de sujets afin que les entrées de référence orientent la génération vidéo. `reference_conditioning_p` définit la fréquence d'utilisation des références pendant l'entraînement, et `resume_from_lora_url` reprend depuis un LoRA précédemment entraîné. Sont 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.com/v1/run/minimax/h3/ref2va/trainer`
- Quote: `POST https://api.doitong.com/v1/quote/minimax/h3/ref2va/trainer`
- Docs page: https://doitong.com/fr-FR/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 d'un ZIP contenant des vidéos d'entraînement du sujet ; les jeux de données uniquement composés d'images et les archives d'entraînement mixtes image/vidéo sont refusés, les images doivent donc être fournies comme éléments de référence associés. 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 de référence associés, une image du clip sert de référence. Le `<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-son deviennent également des références audio. Les clips d'entraînement acceptent .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 lorsque la valeur 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 un éventuel gain de vitesse d'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 d'aspect d'entraînement parmi 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 plutôt que l'entraînement texte vers vidéo-audio sans conditionnement. La probabilité restante est consacrée à l'objectif sans conditionnement afin de maintenir une génération stable à partir des invites seules. |
| `resume_from_lora_url` |  | string \| null | no |  |  | URL pour un entraînement à démarrage progressif avec un LoRA .safetensors créé précédemment par cet entraîneur, suivie du nombre number_of_steps d'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 à zéro. |
| `auto_scale_input` |  | boolean | no | `false` |  | Indique si le fps cible et le nombre d'images sont ajustés par une 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 de référence associés 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 plus longues que le seuil sont découpées. |
| `debug_dataset` |  | boolean | no | `false` |  | Option permettant de télécharger une archive pour vérifier le prétraitement avant de lancer l'entraînement complet. Lorsqu'elle est activée, l'entraîneur regroupe 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 sinon consignés et résolus à l'aide de la solution de repli documentée. L'activation refuse les légendes nécessitant des invites vides, les éléments de référence associés manquants et les vidéos dont l'audio est illisible, au lieu 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.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 des poids LoRA entraînés au format .safetensors. |
| `config_file` | object {url, content_type, file_name, file_size} | Configuration de la mise en place 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.com/v1/models/minimax/h3/ref2va/trainer