AREX Feed Article
MiniMax 官方盘点 H3 开源生态：FastH3 4 步蒸馏版已能在 DGX Spark 与 Apple Silicon 上运行
9 月 14 日，MiniMax 的官方 X 账号发帖，把 H3 视频生成模型近期的开源生态进展集中列出：FastH3、Sol-H3、VDN、PDD 与 LightX2V，并在文末点名致谢一批团队账号与个人贡献者（）。帖文以「开放权重，共享进展」开头，称开源社区正在让 H3 的能力「更快、更易获得、更容易在其上构建」。
被 MiniMax 放在第一位的是 FastH3：由 FastVideo、Nuva Lab 与 NVIDIA 合作，把 H3 蒸馏到 4 步，现已能在 NVIDIA DGX Spark 与 Apple Silicon 上运行。帖文对它的描述只有一行；FastVideo 团队在 8 月底与 9 月初的两篇发布博客里给出了完整细节。
FastH3：蒸馏、稀疏注意力与本地化条件
FastH3 是 FastVideo 对 H3 做的后训练与优化版本：用少步蒸馏把 H3 的去噪调度压缩成 4 次 transformer 调用，再叠加视频稀疏注意力（Video Sparse Attention）与一系列推理工程优化（）。作为底座的 H3 是 MiniMax 已开放权重的视频模型：可生成最长 15 秒、24 FPS、默认 768 像素短边的视频，并同步输出 32 kHz 立体声（）。
本地化细节来自 9 月 2 日的团队博客：FastH3 可以跑在最多 2 台 DGX Spark 上，也能通过 MLX 在 Apple Silicon 上运行，Mac 路径需要 36 GB 及以上的统一内存；两台 Spark 能用 QSFP 链路合跑同一次生成（）。速度方面，博客对比了公开的 vLLM-Omni DGX Spark 配方：同一台机器上，1024×576、5 秒、50 步的一次请求耗时 1,881 秒，FastH3 以 4 步在 268 秒完成，约 7 倍；博客摘要给出的总体口径是「最高 8 倍」。
FastH3 Preview v1 在 8 月 27 日发布，推荐检查点为「4-step VSA / Data-Free」，同时提供完整权重与预提取的 LoRA（低秩适配器）（）。FastVideo 在博客中说明，这项工作与 Nuva Lab、NVIDIA FastGen 团队（Julius Berner、Chao Liu、Arash Vahdat）以及 NVIDIA Enterprise Products 团队合作完成；Nuva Lab 则说明了自己的分工：把真实创作负载、评估标准与端到端生产反馈带进合作。
Sol-H3：15 秒输出压到 6.6 秒，口径写进脚注
Sol-H3 来自 NVIDIA 团队。MiniMax 帖文称其来自「NVIDIA 的 SANA 团队」；项目页自己的署名是「NVIDIA Research, Efficient AI Team & Singapore Lab」，页面挂在 NVlabs 的 Sana／Sol-Engine 路径下（）。
按项目页的描述，Sol-H3 是 Sol-Engine 与 Sol-Attn 组成的一体化推理栈：Sol-Attn 在运行时按查询动态挑选需要精确计算的注意力块，其余块用池化摘要近似，整个过程不需要重新训练；此外还有算子融合、8 卡通信优化（QKV 走 INT8、注意力输出走 FP8）、并行 VAE 解码、AdaLN 预计算缓存等优化。
数字集中在 8 卡 B300 上：15 秒、1344×768、24 FPS、带立体声的完整输出耗时 6.612 秒；作为对照，50 步的 Base H3 dense（全注意力）配置在同一系统上需要 99.513 秒，Sol-H3 比它快 15.05 倍。5 秒与 10 秒输出分别为 1.653 秒与 3.732 秒；1 卡、4 卡、8 卡三个配置的加速区间为 9.45～15.54 倍。
这些数字的测量口径是：一次预热后取三次运行的中位数；计入文本编码、DiT 去噪、音视频 VAE 解码；不计模型加载、编译预热与最终 MP4 编码。所有运行都是 1344×768、24 FPS、同一条提示词与随机种子、无参考的 T2VA（文本到视频＋音频）设定；页面还专门注明，这是完整流程的对比：基线是 50 个调度点、49 次 DiT 前向，Sol-H3 是 4 次前向，「不是只换注意力的运行时改动」。MiniMax 配图里的星号脚注写着同样的边界：warm inference（预热后推理），不含模型加载、编译与 MP4 编码。
两条与生态有关的细节：Sol-H3 默认使用的正是 FastH3 的 4 步适配器，项目页在致谢中列出了 Hao AI Lab；9 月 7 日，Sol-H3 作者之一 Enze Xie 在 X 上补充说，代码以 Apache 2.0 发布，任何 H3 的少步 LoRA 都能接入同一个引擎，并称已与 Reactor 合作，让 Sol-H3 在首发当天以 API 上线（）。配图里的「NOW ON DGX SPARK」对应项目组的另一个页面：在单台 DGX Spark 上，两阶段管线先用 FastH3 出 384p 草稿，再由 Lightricks 的 LTX-2.5 精修到 768p，两阶段之间用学习到的 VAE 适配器直接搬运 latent（潜空间表示），跳过像素空间往返（）。
VDN：近处用 softmax，远处换线性注意力
VDN（Video DeltaNet）由 Haocheng Xi 与 OpenVDN 团队完成；MiniMax 的概括是「重新设计注意力，让 H3 推理更快；权重、训练与推理代码均已发布」。项目页给出的动机是：在 H3 这类长序列模型上，softmax 注意力占总运行时间的 85% 以上（）。
VDN 的做法是把视频与视频之间的注意力拆成两条支路：局部帧组保留滑窗 softmax，逐帧精确保留短期细节；长程上下文交给一条双向线性注意力分支（Video Delta Attention），用帧级 delta 规则一次解出该帧要写入的状态。两条分支的输出尺度不同，项目组用内容相关的 sigmoid 门控加权后再相加。训练分三层推进：先逐层校准新分支，再端到端适配，最后联合训练分支与挂在 QKV、O 投影上的 LoRA，主干权重全程冻结。
结果方面：在 8 张 B200、8 步去噪的设置下，VDN-H3 生成 14.4 秒的 768p 片段耗时 11.23 秒；相对单卡 dense 基线加速 74.5 倍，相对 8 卡 dense 基线仍有 10.7 倍，并称画质「接近无损」。发布内容包括约 82 GB 的权重（H3 基础权重加 50 步、8 步两个阶段）与训练、推理代码（）。8 步模型是从社区的 MiniMax-H3 turbo LoRA 出发、用 DMD2 继续蒸馏得到的；项目页写道，他们「刻意避开激进的 4 步设置」，把质量排在延迟前面。
9 月 2 日公布时，Haocheng Xi 在 X 上的说法是「开源视频生成现在比播放还快，而且不牺牲质量」（）。
PDD 与 LightX2V：低步数 LoRA 的两条路线
PDD 这一项由 Alibaba PAI 完成：他们把 Parallel Decoding Distillation（并行解码蒸馏）用到 H3 上，发布 8 步的 FL2VA 与 Ref2VA 加速 LoRA，rank 为 64（）。MiniMax 在帖文与配图中把它概括为「NVIDIA 的蒸馏方法，由 Alibaba PAI 引入 H3，做成 8 步 Acc-LoRA」；帖文里那句「现获 ComfyUI 支持」，对应的是 9 月 9 日 ComfyUI 更新日志的新条目：加载「MiniMax-H3 PDD LoRA」以加速 H3 采样（）。
LightX2V 则从框架一侧切入。这个由 ModelTC 维护的推理框架从 8 月 7 日起支持 H3 的完整推理，覆盖 T2AV、I2AV、L2AV、FL2AV、Ref2AV 五类工作流，并带模型与块级卸载、张量和序列并行、量化 DiT 推理与特征缓存；8 月 11 日发布 4 步 768p 蒸馏 LoRA，配置为 1344×768、无 CFG 的 4 步推理；8 月 27 日又发布 8 步 v1.0 版本，称音画质量进一步提升（）。MiniMax 对这项工作的描述是「4 步与 8 步 Turbo LoRA，以及面向文本、图像与参考条件视频＋音频的工作流」。
快了多少：三套数字，三种口径
这些基准数字来自各团队自己的页面，测量方法与使用的硬件并不相同。
Sol-H3 与 VDN 都在页面上写清了边界。前者的口径是 warm inference，取三次运行的中位数，不含模型加载、编译与 MP4 编码；后者的口径是稳态去噪，不含加载、预热、VAE 解码与 MP4 转换。VDN 页面还建议，实际部署时把提示词重写、VAE 解码和 MP4 转换放到其他机器，让 8 张卡只做去噪。FastH3 的本地数据则来自 FastVideo 团队在单台或双台 DGX Spark，以及一台 36 GB 统一内存的 M4 Max 上的对比测试；Nuva Lab 在页面里专门标出「证据边界」：这些是公开发布的结果，不是普适的性能声明，质量与延迟仍取决于具体检查点、负载、硬件与完整媒体链路。
这些数字均由相关团队自行发布；MiniMax 的帖文是对这些工作的汇总与致谢。
致谢名单、社区索引与许可边界
帖文把致谢分成两组：一组是团队与项目账号：@haoailab、@nuvalab、@NVIDIAAI、@xieenze_jr、@HaochengXiUCB、@ArashVahdat、@julberner、@LightX2V、@ComfyUI，共九个；另一组是「推动工作前进的个人贡献者」：@haozhangml、@cxlcl1、@lawrence_cjs、@yitongli165665、@haopengl33、@songhan_mit、@shanasaimoe，共七位。帖文里的一句话是：「每个发布的背后，都有人在训练、优化、量化、测试和分享。」
帖文末尾的「Explore the ecosystem」链接指向 GitHub 仓库 MiniMax-AI/awesome-minimax-h3-integration：一个「由社区维护的 H3 checkpoint、工具与工作流索引」，仓库创建于 8 月 13 日（）。仓库按用途组织内容：官方资源、按显存挑选推理栈、ComfyUI 节点与工作流、Turbo LoRA 等；它同时声明自己「不是完整的兼容性列表」，其中的社区量化文件「不是 MiniMax 官方发布」。
「开放权重」之外还有一层写到项目页面里的限制：Nuva Lab 与 OpenVDN 的页面均注明，H3 及其衍生模型适用 MiniMax H3 Community License，默认适用地域不包含美国、欧盟、英国与韩国，处于排除地域的部署者需联系 MiniMax 获得授权；ComfyUI 的 H3 教程页则写明，本地生成内容的商用需要 MiniMax 商业许可（）。