MiniMax обновила официальный community-каталог awesome-minimax-h3-integration вокруг видео-модели MiniMax H3: коммит от 25.10.2026 включил в него few-step дистилляты, инструменты с разреженным вниманием и лестницу квантов, которая опускает запуск модели с весами около 464 ГБ до потребительских карт на 8–24 ГБ VRAM, включая готовые пути для Apple Silicon и TPU. Обновление фактически оформляет конвейер локальной генерации видео со звуком и референсным контролем, хотя ключевые цифры скорости в нём остаются авторскими замерами.

image

Что произошло

Коммит от 25.10.2026 пополнил каталог awesome-minimax-h3-integration сразу несколькими сторонними наработками вокруг MiniMax H3. FastH3-Omni 8-Step V1 генерирует видео со стереозвуком по набору до 12 референсов: девять картинок, три ролика и три аудио. Sol-H3 — это 4-ступенчатый дистиллят, построенный на разреженном внимании SOL/BSA. ComfyUI-Ref2VA-VSA — ComfyUI-нода с разреженным вниманием для референсного режима, автор которой публикует собственные замеры производительности. VPack сжимает токены референсного видео, а Ref Patch объёмом 148 МБ заставляет FL2VA вести себя как Ref2VA. Каталог заодно подтверждает аппаратную базу: полные веса модели занимают около 464 ГБ. Отдельно в нём отмечены LoRA LiconStudio/Minimax-H3-VBVR для i2v на переработанных данных с публичными валидационными примерами и обновлённые турбо-LoRA FL2V/REF2V из репозитория lightx2v/Minimax-h3-Turbo.

Контекст

Разреженное внимание и пошаговая дистилляция — давние техники ускорения диффузионных моделей: первая сокращает объём вычислений на каждом шаге, вторая уменьшает само число шагов. Новизна этой истории не фундаментальная, а системная: судя по каталогу, H3 стал первым крупным открытым видео-стеком, где сообщество применило весь набор согласованно к одной модели, сохранив референсный контроль над персонажами и сценами. Каталог ведёт сам MiniMax, но наполнен community-проектами, и в нём сведена вся матрица развёртывания — от полных весов до путей запуска на разных классах железа. Референсный режим здесь ключевой: именно он позволяет держать одинаковых персонажей и объекты от клипа к клипу, и именно его сообщество оптимизировало в первую очередь.

Почему это важно для индустрии

Экономика видеогенерации держится на двух статьях расходов: числе шагов диффузии и объёме вычислений на каждом шаге. Вокруг H3 обе атакуются системно: дистилляты сводят инференс к 4–8 шагам вместо десятков, а разреженное внимание SOL/BSA снижает нагрузку на шаг. На серверном железе это уже читается по пропускной способности: клип 768p длительностью 14 секунд считается за 51 секунду на одной B200 и за 11 секунд на восьми. Порог локального запуска большой открытой видео-модели опускается до потребительских карт на 8–24 ГБ VRAM, что меняет экономику видеопродакшена и со временем может создать давление на ценообразование API-сервисов. Для билдеров это означает, что прототип видео-продукта больше не требует датацентра: референсный режим и few-step дистилляты складываются в рабочий конвейер на одной карте.

Почему это важно для пользователей

Лестница запуска H3 теперь размечена по видеопамяти. Достаточно 24 ГБ VRAM, чтобы поставить pruned int8-квант на 19.5 ГБ; карты на 12–16 ГБ работают через GGUF Q4_K_M с квантованным текстовым энкодером; на 8 ГБ остаётся путь через DiffSynth-Studio, который составители помечают как медленный. Готовые пути существуют и вне CUDA: Apple Silicon через h3.c и TPU через TorchTPU. Веса, кванты, ComfyUI-ноды и турбо-LoRA на 4 шага с fp8-вариантами собраны в одном официальном каталоге. Скорость на потребительском железе скромнее серверной: в референсном режиме 5-секундный клип занимает около 72 секунд на RTX 4090 по замерам автора ComfyUI-Ref2VA-VSA — этого хватает для черновиков и пилотов, но это режим ручной генерации, а не сервис. Качество сжатых версий относительно полной модели пользователю придётся оценивать вручную.

Что пока неизвестно / ограничения

Скоростные обещания требуют осторожности. В источниках есть только две авторские точки: 2.24x у ComfyUI-Ref2VA-VSA на одной RTX 4090 и медиана 1.65 секунды на 5-секундный клип у Sol-H3 на 8x B300, измеренные на разном железе и без единого протокола. Поэтому диапазон «ускорение в 2–4 раза от разреженного внимания», который фигурирует в пересказах этой истории, — экстраполяция, а не установленный факт. Из сводки неясно, включает ли медиана Sol-H3 генерацию аудио, декодирование и постобработку, так что сравнивать её напрямую с замерами на RTX 4090 нельзя. Независимого воспроизведения у этих цифр нет, а качество квантов и дистиллятов относительно полной модели пока никто не сверял по стандартизированным видео-метрикам.

Источники

Автор

Look at AI, редакция