视频模型

10 秒视频 9.2 秒生成：斯坦福把 MiniMax H3 压到 2 步，但权重还要等一周

2026年11月12日1 次阅读
10 秒视频 9.2 秒生成：斯坦福把 MiniMax H3 压到 2 步，但权重还要等一周

3分钟看懂：它把「出片比播放还快」这件事做成了

一句话先说结论：斯坦福的六个作者在 11 月 10 日放出一个叫 pi-H3 的实验版本，把 MiniMax 开源的视频模型 H3 从常见的 4–8 步压到 2 步或 4 步，还在最后一步直接吐出像素、把 VAE 解码器整个删掉。单张 NVIDIA B200 上，一段 5 秒 768p、带立体声的视频 3.8 秒就生成完；10 秒的视频 9.2 秒，比视频自己播放一遍还快。

为什么值得关心：视频模型过去一直卡在两个成本上——迭代次数（步数）和解码。步数决定你要跑多少遍去噪网络，解码决定你还要不要再过一遍 VAE。pi-H3 是把这两笔一起砍：步数用蒸馏压到 2 步，解码用「让去噪器自己在最后一步出像素」的办法绕开。作者自己在页面里说，这是目前 MiniMax H3 家族里最快的一版。

但今天你能用的只有一件事：一个网页 Demo。权重、推理代码、训练代码都还没有放出来。

需要说清楚的是，这篇的依据是作者的官方发布页（hanshengchen.com/blog/pi-h3/），加上独立媒体 SLOP TV 在 11 月 11 日的核对，以及中文社区当天的转述；核心事实三家一致，没有互相矛盾的地方。

数字先摆出来：快多少，跟谁比

作者给的端到端延迟，全部是单卡、1344×768、24fps、带立体声，取七次请求的中位数，包含文本编码、全部去噪步、出像素、RGB 转换和音频解码，不含模型加载、编译、预热和 MP4 编码。

  • 5 秒视频：2 步 3.81 秒，4 步 7.30 秒
  • 10 秒视频：2 步 9.16 秒，4 步 17.56 秒
  • 15 秒视频：2 步 18.58 秒，4 步 36.41 秒

对照组是同样基于 H3 的加速版 Sol-H3，它论文里的官方数字是 4 步 9.48 / 24.31 / 44.96 秒。按这个比，pi-H3 在 2 步下快 2.4–2.7 倍，4 步下只快 1.2–1.4 倍——步数越少，省下来的比例越夸张，这符合直觉。

这里有个必须点出来的坑：两组数字不是在同一张卡上测的。Sol-H3 的数字来自它自己的论文，跑在 GB200 上；pi-H3 跑在 B200 上。作者在页面上老实标注了这一点，读者别把它当成严格同条件的横评。

另一个数字是分阶段的。在单张 H100 80GB、batch size 1 下，把管线拆成文本编码器、去噪器、视频解码器、音频解码器四段，pi-H3 的「视频解码器」那一栏是空的——因为 DWD 把这一步合并进了最后一次去噪。768p 5 秒这档，pi-H3 两步总计 6.19 秒，而用原生 H3 VAE 的 PDMD 两步是 9.87 秒，差出来的 3.97 秒几乎全在那次解码上。

两个技术：pi-Flow v2 和 DWD

pi-Flow v2 是作者此前 pi-Flow 的升级版，做的是「无需数据的少步蒸馏」：不额外造数据，直接训练模型用更少的步数走到终点。官方说法是它在保持纹理丰富度的同时明显改善了结构一致性，尤其是 2 步这档；另外它让推理轨迹变直，省掉了上一版的分步积分。

DWD 全称 Decoding Without a Decoder。扩散视频模型正常收尾是把 latent 交给一个独立的 VAE 解码网络，DWD 改成复用去噪器本身，在最后一步直接预测干净像素。这样解码器就不在管线里了。

作者也自己承认 DWD 在 H3 上还是实验性的：H3 的压缩比异常大（每个 token 对应 4×32×32 个三通道像素），他们说「还没有足够的算力把它完全调优，仍有提升空间」。这句话很重要——它意味着现在的画质结论只覆盖作者挑出来的样例。

怎么用：今天只有 Demo，权重在 11 月 16 日那一周

现在的可用路径只有一条：Hugging Face 上的 Space 演示页（Lakonik/pi-H3），作者自述是官方 Demo，跑在 ZeroGPU 的 A10G 小卡上，打开就能试文本生成视频、图生视频、首末帧生成视频。

页面右侧的时间表写得清楚：

  • 现在：Demo 在线
  • 11 月 16–22 日：模型权重和推理代码放到 LakonLab 仓库
  • 11 月内（清完代码之后）：训练代码
  • ComfyUI 支持：走 ComfyUI-piFlow 扩展

需要提醒的是，指向权重的那条链接（MiniMax-H3-piFlowV2-DWD）在 11 月 11 日检查时仍不可公开访问，仓库 LakonLab 里也没有 pi-H3 的 checkpoint。也就是说，「11 月 16 日那一周」是承诺，不是已发生的事。

适用场景：谁该现在就盯

  • 短剧、广告这类要大量试分镜的团队：先用 480p 或 768p 快速出十几个版本，选中再上大模型精修，能省掉最贵的那轮抽卡。
  • 只有一张数据中心卡、想跑接近实时的本地推理的人：2 步 + 无解码器是这类场景最直接的收益。
  • 已经在用 MiniMax H3 生态（ComfyUI、各种 Turbo LoRA）的人：pi-H3 是同一底座上的又一个加速分支，接入成本低。
  • 想评估「少步蒸馏到底能到什么画质」的研究者：作者的对比集给了 4–8 步和 2–3 步两档横向素材。

不适用场景：哪些人先别急

  • 要 2K/4K 交付的：pi-H3 的实测上限是 768p，H3 本体能到 2K，但这一版没往高分辨率走。
  • 需要明确商用授权的：发布页没有写权重的许可证。底座 H3 是 other 类许可，pi-H3 自己的条款要等权重放出来才知道。
  • 要外部评测背书的：作者只放了自己挑的同提示词、同噪声对比片段，没有第三方 benchmark 或竞技场分数。到 11 月 11 日为止没有独立测试。
  • 只做复杂长镜头的：作者自己说 2 步「已经够用于较简单的场景」，复杂场景建议留 4 步。

避坑：四个容易看错的地方

  1. 别把 Sol-H3 的秒数当成同硬件对比。它跑在 GB200，pi-H3 跑在 B200，作者在表里明确标了两行。
  2. 别把 Demo 当成开源已交付。Demo 在线不等于权重可用，指向权重的模型页现在是不可访问状态。
  3. 别忽略 DWD 的实验性自述。官方原话是算力不够、还没完全调优，画质结论只基于作者自己的样例。
  4. 别把「2 步」当成无损。H3 每个 token 压 4×32×32 个像素，这个压缩比下少步生成的细节损失，官方没有给量化指标。

成本和时间：现在 0 元，一周后才知道

现在试 Demo 是零成本，但 ZeroGPU 有每日配额，长视频会被排队或截断。真正落地要等 11 月 16–22 日权重放出，届时才谈得上自建推理、算每秒钟多少钱。按官方给的延迟粗算：单张 B200 上 10 秒 768p 视频约 9.2 秒，1 分钟素材大约 55 秒生成时间——但这是理想工况，不含排队和重试。

行动建议：三步走

第一步，先去 Demo 用自己的一段真实素材试 2 步和 4 步，重点看运动幅度和音频，别只看作者的精美样例。

第二步，把 LakonLab 仓库和 ComfyUI-piFlow 的更新订阅上，11 月 16 日那一周确认权重是否真的落地、许可证写了什么。

第三步，如果要在生产里用，先保留 4 步作为兜底路径，把 2 步只用在分镜试稿这一环，等外部评测出来再扩大范围。

参考来源

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...