NVIDIA, Alibaba и энтузиасты ускорили открытую видеомодель MiniMax H3

Открытую видеомодель H3 китайской MiniMax за полтора месяца ускорили NVIDIA, Alibaba и независимые разработчики: ролик со звуком собирается за 4–8 шагов, а сжатые версии помещаются на игровые видеокарты.

Почему это важно: в официальном примере запуска H3 работает на четырёх серверных видеокартах. Сообщество переносит её на машины попроще, а компании уже продают сервисы на её основе.

Повод: 14 сентября MiniMax в соцсети X перечислила главные ускорения H3 и назвала их авторов поимённо. Все работы собраны в указателе на GitHub, который сообщество ведёт в репозитории MiniMax. Там есть сжатые версии модели, готовые схемы для ComfyUI¹ и советы, как писать запросы.

Предыстория: MiniMax выпустила H3 2 августа. Модель на 33 млрд параметров делает ролики длиной до 15 секунд сразу со стереозвуком. Выложенная базовая версия выдаёт видео в 768p, а для 2K нужен отдельный модуль H3-Regenerate-2K, который MiniMax пока не выложила. Исходным материалом служат текст, картинки, видео и аудио. Вариант FL2VA строит ролик по первому и последнему кадру, а Ref2VA принимает до 12 файлов-образцов.

Расклад: модель собирает ролик из шума шаг за шагом. Способов ускорить её четыре, и совмещать их нельзя — берут какой-то один:

• Turbo — дополнения к весам (LoRA²) от LightX2V на 4 и 8 шагов; на 4 шагах при быстром движении может портиться звук.
• PDD — метод NVIDIA, который Alibaba PAI перенесла на H3 в виде дополнений на 8 шагов; их поддерживает ComfyUI.
• FastH3 от FastVideo, Nuva Lab и NVIDIA работает за 4 шага: он быстрее всех, но сильнее других теряет текстуру.
• VDN команды OpenVDN меняет само устройство модели: соседние кадры она сопоставляет как прежде, а дальние — упрощённо, зато быстрее.

В цифрах: скорость авторы мерили сами:

• VDN, по замерам команды, ускоряет каждый шаг в 2,6–2,9 раза по сравнению с исходной H3.
• На восьми ускорителях B200 все шаги очистки от шума для ролика длиной 14,4 секунды занимают с VDN 11,2 секунды; перевод результата в готовое видео в замер не входит.
• Sol-H3 — отдельная от этих четырёх способов разработка команды SANA из NVIDIA: по её замеру, она делает 15 секунд видео со звуком за 6,6 секунды на восьми ускорителях B300.

Детали: под обычные видеокарты энтузиасты сжимают исходные веса MiniMax:

• Урезанные версии примерно на 40% меньше исходной модели, но работают только в ComfyUI.
• На карте с 24 ГБ памяти приходится сжимать ещё и Qwen3-VL-32B — вспомогательную модель, которая разбирает текст запроса.
• Проект DiffSynth-Studio заявляет, что его сборке хватает 8 ГБ видеопамяти.
• Для Mac на чипах Apple и компьютера DGX Spark³ есть отдельные сборки FastH3.

Если шире: HeyGen⁴ объявила в X о запуске HeyGen Video — это H3, которую HeyGen дообучила для компаний. До конца октября секунда ролика стоит от 0,01 доллара, это цена со скидкой 50%. MiniMax поддержала запуск репостом.

Но: все цифры скорости — от самих авторов и получены на разном железе. Разработчик под ником Kablex, например, перенёс на вариант Ref2VA приём, на котором построен FastH3. Он заявляет, что его метод в 2,24 раза быстрее VDN: около 72 секунд на пятисекундный ролик на видеокарте RTX 4090. Составители указателя оговаривают, что независимо эти замеры никто не повторял.

Лицензия у H3 своя, MiniMax H3 Community License. На США, ЕС, Великобританию и Южную Корею она не распространяется: чтобы развернуть модель там, нужна отдельная лицензия MiniMax, заявка на неё — в карточке модели.