# MiniMax H3 Reference to Video LoRA Trainer API

> Entrenador de LoRA para video condicionado por referencias, con inicio en caliente desde una LoRA anterior

Entrena una LoRA con un zip de clips de video de sujetos para que las entradas de referencia guíen la generación de video. `reference_conditioning_p` establece con qué frecuencia se usan las referencias durante el entrenamiento, y `resume_from_lora_url` continúa desde una LoRA entrenada anteriormente. También se pueden configurar `rank`, `number_of_steps`, `number_of_frames`, `frame_rate` y `aspect_ratio`. Devuelve los pesos y un archivo de configuración.

- 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/es/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 de un ZIP de videos de entrenamiento del sujeto; los conjuntos de datos solo de imágenes y los archivos de entrenamiento mixtos de imagen/video se rechazan, por lo que las imágenes deben ser recursos laterales de referencia. Los extras opcionales comparten el nombre base de cada clip: un subtítulo como `clip01.txt` y referencias ordenadas de `ref_1` a `ref_4`, con nombres `clip01.ref_1.<ext>` a `clip01.ref_4.<ext>`; sin recursos laterales de referencia, un fotograma del clip proporciona su propia referencia. `<ext>` determina la modalidad de referencia: imágenes (.png/.jpg/.jpeg), audio (.wav/.mp3/.flac/.m4a/.ogg/.aac) o videos (.mp4/.mov/.avi/.mkv/.webm), cuyas bandas sonoras también se convierten en referencias de audio. Los clips de entrenamiento admiten .mp4, .mov, .avi y .mkv; procura incluir al menos 10 clips, aunque se prefieren más. |
| `rank` |  | enum (integer) | no | `32` | `8`, `16`, `32`, `64`, `128` | Rango de adaptación de LoRA, que intercambia un mayor consumo de memoria por una mayor capacidad a medida que aumenta el valor. |
| `number_of_steps` |  | integer | no | `2000` | 1 – 15,000 | Número total de pasos de entrenamiento. |
| `learning_rate` |  | number | no | `0.0002` | 0.000001 – 1 | Tasa de aprendizaje de optimización, que equilibra una posible aceleración del entrenamiento con el riesgo de sobreajuste al aumentarla. |
| `number_of_frames` |  | integer | no | `73` | 22 – 124 | Número de fotogramas de cada muestra de entrenamiento; al dividirlo entre 17 debe quedar un resto de 5. Algunos ejemplos son 22, 39, 56, 73, 90, 107 y 124. |
| `frame_rate` |  | integer | no | `24` | 8 – 60 | Frecuencia de fotogramas del video de destino, medida en fotogramas por segundo. |
| `resolution` |  | enum (string) | no | `medium` | `low`, `medium`, `high` | Resolución de entrenamiento. Aumentarla incrementa los requisitos de memoria. |
| `aspect_ratio` |  | enum (string) | no | `16:9` | `21:9`, `16:9`, `4:3`, `1:1`, `3:4`, `9:16` | Elige la relación de aspecto del entrenamiento del mismo conjunto disponible mediante la API MiniMax H3. |
| `trigger_phrase` |  | string | no | `` |  | Frase de activación del estilo LoRA, insertada al principio de los pies de foto durante el entrenamiento. |
| `reference_conditioning_p` |  | number | no | `0.9` | 0 – 1 | Establece con qué frecuencia el entrenamiento usa condicionamiento mediante imágenes de referencia frente al entrenamiento de texto-audio-video sin condicionamiento. La probabilidad restante se destina al objetivo sin condicionamiento para mantener estable la generación basada solo en prompts. |
| `resume_from_lora_url` |  | string \| null | no |  |  | URL para el entrenamiento de inicio en caliente con un LoRA `.safetensors` creado anteriormente por este entrenador, seguida del número de pasos de entrenamiento adicionales number_of_steps. No se restaura nada salvo los pesos del adaptador: tanto la optimización como la programación de la tasa de aprendizaje comienzan de nuevo. |
| `auto_scale_input` |  | boolean | no | `false` |  | Indica si la frecuencia de fotogramas y el recuento de fotogramas objetivo se ajustan mediante escalado automático del video; true activa este ajuste. |
| `split_input_into_scenes` |  | boolean | no | `true` |  | Activa la división de escenas para videos que superen un umbral de duración, descartando los recursos laterales de referencia de los clips divididos. |
| `split_input_duration_threshold` |  | number | no | `30` | 1 – 60 | Activador de división de escenas expresado como una duración en segundos: solo se dividen los videos que superan el umbral. |
| `debug_dataset` |  | boolean | no | `false` |  | Opción para descargar un archivo y comprobar el preprocesamiento antes de confirmar el entrenamiento completo. Al activarla, el entrenador empaqueta el conjunto de datos procesado para que puedas inspeccionar manualmente subtítulos, imágenes de referencia, videos e imágenes. |
| `strict_dataset` |  | boolean | no | `false` |  | Gestión estricta de problemas de preprocesamiento que, de otro modo, se registrarían y resolverían mediante el valor alternativo documentado. Activarla rechaza subtítulos que necesiten prompts en blanco, recursos laterales de referencia ausentes y videos con audio ilegible, en lugar de permitir esos valores alternativos. |

## 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 de los pesos de LoRA entrenados en formato .safetensors. |
| `config_file` | object {url, content_type, file_name, file_size} | Configuración del endpoint de inferencia. |
| `debug_dataset` | object {url, content_type, file_name, file_size} \| null | Disponible solo para solicitudes con `debug_dataset` activado, este archivo descargable contiene los datos de entrenamiento después del preprocesamiento. |

## 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