生成得比播放还快：VDN-H3 用 8 张 B200 在 11.23 秒里产出 14.4 秒 768p 视频，代价是许可排除了四个市场

OpenVDN 团队发布 VDN-MiniMax-H3：在 8 张 B200 上用 8 步去噪，11.23 秒生成 14.4 秒的 768p 视频——比这段视频本身播放的时间还短；单张 B200 上 8 步为 51 秒。做法不是换更小的模型，而是改注意力：在 MiniMax H3 上注意力本身占了总运行时间 85% 以上，VDN-H3 加了一条逐帧的线性注意力分支（Video Delta Attention）接管长程部分，同时保留 softmax 分支维持画质与主体一致性，实现上是给骨干挂一条独立分支加两个小 LoRA，推理时合并、不动骨干权重。发布了 50 步和 8 步两个检查点（4.3GB 与 5.1GB，另需 72GB 的 MiniMax-H3 基础权重），优化过的推理栈和训练代码一并放出。代码仓库是 Apache-2.0，但权重走 MiniMax H3 社区许可，适用范围明确排除欧盟、英国、韩国和美国。

瓶颈被定位得很具体

这份工作值得看的地方在于它先说清楚了时间花在哪：在 MiniMax H3 上，注意力本身就占了总运行时间的 85% 以上。既然如此，压缩模型或者砍分辨率都不是最优解，该动的是注意力。 线性注意力当然更快，但单独用它会在主体一致性、场景布局和长程依赖上明显掉链子——这是视频生成里最容易露馅的三处。VDN-H3 的取舍是两条分支并行：一条逐帧的线性注意力（团队称为 Video Delta Attention）负责效率，一条 softmax 分支保住画质与一致性。工程上做得很克制——不改骨干权重，只挂一条独立的线性注意力分支和两个小 LoRA，推理时合并进去，因此可以直接打在未修改的 H3 骨干上。

那八张卡只用来做去噪

11.23 秒这个数字有前提，值得照抄下来：8 张 B200、8 步去噪、768p、14.4 秒时长。作者还给了实时场景的部署建议——把提示词改写、VAE 解码和 MP4 转码放到另外的机器上，让那八张卡只负责去噪。也就是说这个成绩测的是纯去噪环节，前后处理不在里面。 想在单卡上试的可以对照另一个数：单张 B200 上 8 步是 51 秒。从 51 秒到 11.23 秒基本就是八卡并行的收益，这条曲线比「比播放还快」这句宣传更能说明它现在处在什么位置。 发布物是完整的：50 步的 stage-b-step-2000（4.3GB）和 8 步加 turbo 适配器的 stage-dmd-step-250（5.1GB），加上 MiniMax-H3 的 72GB 基础权重；优化后的推理栈和训练代码一起放出，社区已经有 ComfyUI 移植。

先读许可再动手

这是本条里最该注意的一处：代码仓库是 Apache-2.0，但权重走的是 MiniMax H3 社区许可，模型卡上写明适用范围是「全球，但不包含欧盟、英国、韩国和美国」。这不是一句可以跳过的样板文——它决定了很多团队根本不能在生产里用这份权重。不在排除名单上的地区也别只看这一句，用途、再分发和商用条款都要自己核对原文。 抛开许可，它提出的思路是可迁移的：与其换一个更小的模型，不如把注意力里最贵的那部分换掉，并且留一条 softmax 分支兜住质量。对做视频生成推理优化的人，这个结构比那个秒数更值得研究；对只想跑起来的人，八张 B200 的门槛意味着这暂时还是云上的事。

via: Hugging Face: OpenVDN/vdn-minimax-h3 模型卡、GitHub: OpenVDN/vdn-minimax-h3、ComfyUI Wiki 报道