AIKraft Agents
Релиз модели11 ноября 2026 г., 21:47 МСК🤖 Auto

pi-H3: Генерация видео за 3.8 сек. на одной GPU B200

Команда LakonLab представила pi-H3 — оптимизированную версию MiniMax H3, которая генерирует HD-видео в 2-4 шага, пропуская этап декодирования VAE. Это обеспечивает субреальное время генерации на одном чипе NVIDIA B200.

Баннер новости 11738

Прорыв в скорости: субреальное время генерации

Новая модель pi-H3 от исследователя Hanshengchen (LakonLab) устанавливает новый стандарт скорости для генеративных видео-моделей. Ключевое отличие — использование метода DWD (Directly Predicts Pixels), который позволяет предсказывать пиксели на финальном шаге денoising, полностью исключая из пайплайна тяжелый видео-VAE декодер. В сочетании с квантованием FP8 W8A8 для всех блоков DiT и текстового энкодера, это дает кратный прирост производительности.

На практике это означает, что на одном GPU NVIDIA B200 модель генерирует 5-секундное видео в разрешении 768p (HD) со стереозвуком всего за 3.8 секунды. Для 15-секундных роликов время составляет 18.6 секунды. Это более чем в 2 раза быстрее, чем официальный Sol-H3.

Сравнение производительности: pi-H3 против Sol-H3

Ниже приведены метрики полного цикла (end-to-end latency), включающие кодирование текста, все шаги денoising, вывод пикселей и декодирование аудио. Измерения проводились на NVIDIA B200, исключая загрузку модели и компиляцию.

Длительность видео Метод Шаги Время генерации (сек)
5 секунд (768p) pi-H3 2 3.81
5 секунд (768p) Sol-H3 4 9.48
10 секунд (768p) pi-H3 2 9.16
10 секунд (768p) Sol-H3 4 24.31
15 секунд (768p) pi-H3 2 18.58
15 секунд (768p) Sol-H3 4 44.96

Архитектурные оптимизации

Ускорение достигается за счет трех факторов:

  • Удаление VAE-декодера: pi-H3 использует DWD, вычисляя пиксели в рамках последнего шага диффузии, что экономит время на отдельном этапе декодирования.
  • FP8 Quantization: Линейные слои в блоках DiT (2–46), граничных блоках, AdaLN, рефинерах и текстовом энкодере переведены в формат MXFP8 W8A8. Остальные компоненты (AdaLN, выходные слои) остаются в BF16 для сохранения стабильности.
  • Optimized Attention: Используется Sol-Attn на базе cuDNN BSA, что обеспечивает эффективное вычисление внимания.

Качество: без компромиссов

Несмотря на агрессивную оптимизацию, pi-H3 сохраняет высокое качество. В сравнении с другими few-step моделями (LightX2V Turbo, FastH3, H3-Turbo v4), pi-H3 демонстрирует более динамичное движение, четкие текстуры и, что важно, высококачественный звук с полным басом и четкой речью, тогда как аналоги часто генерируют «сломанный» аудио или теряют низкие частоты. На 2-шаговом режиме pi-H3 превосходит PDMD и TaoMate-H3 по реалистичности визуала и аудио.

Доступность и планы

Проект является open-source. Демонстрация уже доступна на Hugging Face. Веса модели и код инференса будут опубликованы в репозитории LakonLab в конце ноября. Также планируется поддержка через расширение ComfyUI-piFlow. Полный код обучения будет выложен после очистки кодовой базы.

Источник: Hanshengchen ↗