MiniMax H3 開源生態持續拓展，英偉達團隊開源 4K 視頻增強方案

近日，由英偉達與麻省理工學院研究人員組成的 Efficient-Large-Model 團隊，在 Hugging Face 發佈視頻增強項目 Open-H3-Regenerate-2K 的模型權重，配套推理代碼已在 NVlabs/Sana 倉庫開放。該方案基於 MiniMax H3，將低分辨率視頻草稿重新生成為高分辨率視頻，支持 2560×1440 的 2K 輸出，最高可實現 3840×2160 的原生 4K 重生成。MiniMax H3 的完整系統包含多模態上下文處理、基礎音視頻生成和高分辨率重生成等環節。

其中，已開放權重的 H3-Base 負責生成 768P 音視頻，官方 H3-Regenerate-2K 模塊通過 API 提供服務。此次發佈的項目複用 H3 基礎模型的生成能力，為高分辨率重生成環節提供了一套可自行部署的開放實現。在細化模型的訓練階段，研究團隊保持 H3 Transformer 主幹與視頻 VAE 的原有參數不變，僅訓練新增的細化 LoRA。推理時，細化 LoRA 與 LightX2V FL2VA Turbo、LMS Sharp 等社區適配器合併使用，通過三步去噪，在目標分辨率下重新生成畫面細節。視頻草稿中的場景、佈局和運動信息，則為這一過程提供基礎。

為提高推理效率，項目採用社區開發的潛空間放大器，直接放大視頻的潛在表示，減少高分辨率下重複解碼、編碼的開銷。同時，方案結合 SoL-Engine 的稀疏注意力、低精度計算和快速 VAE 解碼器，對細化與解碼環節進行加速。項目團隊公佈的測試顯示，在單張 NVIDIA B200 GPU、預熱後的測試條件下，一段約 5 秒視頻的潛空間放大、三步細化和 2K 解碼合計耗時，由未優化實現的 87.26 秒降至 22.45 秒，處理速度約為原來的 3.9 倍。其中，快速解碼器將視頻解碼耗時從約 15 秒降至約 1.6 秒。畫質方面，項目團隊在 RefinerBench-150 上進行了對比評測。

在相同輸入、相同 2K 輸出條件下，Open-H3-Regenerate-2K 在感知質量評測 UniPercept 上的平均分為 60.0，官方 H3-Regenerate-2K API 為 53.4。VBench 評測中，該方案的美學質量、成像質量和主體一致性得分更高，官方 API 在運動平滑度和動態程度上仍略優。MiniMax H3 在今年 8 月開放權重，圍繞 H3 展開的微調、蒸餾和工具適配迅速增多，吸引了海內外研究團隊與社區開發者參與，一個月內下載量超過 2400 萬次，產生超過 300 個公開衍生模型，H3 成為 2026 年全球下載量最高的模型之一。

其中，英偉達與 MIT 聯合圍繞 H3 的開發覆蓋了不同方向。除本次視頻增強方案外，該團隊還發布了基於 H3 Ref2VA 構建的流式視頻渲染模型 StreamRender-H3，以及從 H3 視頻 VAE 蒸餾而來的快速解碼器 Sol-H3-VAE，分別面向交互式視頻渲染和解碼效率優化。此前，LightX2V 推出的 MiniMax-H3 Turbo 提供四步、八步等蒸餾版本，社區微調模型 Singularity 則著重優化動作表現、面部細節與視覺風格。

海外團隊 FastVideo、Pika 也分別發佈了 FastH3 四步預覽版本和六步採樣的 Pika H3 Flex；ComfyUI、Unsloth 則通過適配權重和量化版本，將 H3 帶入更多本地創作工作流。