MiniMax H3-Base 开源后快速出片：VDN-H3、FastH3和QuantFunc对比分析

2026 年 8 月 3 日，MiniMax 开源了 H3-Base------一个 33B 参数、能同时生成画面与立体声音频的音视频联合扩散 Transformer（DiT）。权重可下载，是视频生成领域少见的"前沿模型开放"事件。但开放权重只解决了"能不能玩"，没解决"玩不玩得起"：在单张 B200 上，用 50 步生成一段 14.4 秒的 768p 视频，仅 DiT 去噪就要约 14 分钟。以 vLLM-Omni 披露的工作负载为例，一次请求的 packed 序列长达 58,758 个有效 token------文本、音频、视频条件与噪声潜码被拼成一条超长序列联合去噪。注意力路径（RoPE/QKV/Norm/SDPA）合计占掉单层运行时 85% 以上（口径见第五节：284.1/332.5ms），它随序列长度二次增长，而视频恰恰是最长的序列。

此后两个月内，社区与产业界沿至少三个正交方向交出了有代表性的答卷（同期还有 SANA、M4V 等其他探索，本文聚焦这三条）：VDN-H3 （UC Berkeley / OpenVDN）改注意力架构，FastH3 （FastVideo + Nuva Lab + NVIDIA FastGen）压缩采样步数、用训练换取注意力稀疏度，QuantFunc 4bit （QuantFunc 公司）砍权重精度、把模型送进消费级显卡。另外还有一个参照系------vLLM-Omni 用纯系统栈优化给出无损 1.445×，它不改变本文的三路线主线，却为所有倍率数字提供了计量原点。看懂这三条路线加一个参照系，就看懂了未来两年视频模型推理优化的整张地图。

补充说明："九秒生成十四秒视频"目前只有 VDN-H3 在 8×B200 数据中心配置下达成（预热后 DiT 去噪约 6.9 秒、端到端约 9.0 秒）。若按 vLLM-Omni 更严格的"完整 MP4 响应时间短于播放时长"（RTF ≤ 1）口径，4 步 FastH3 在 8×B300 上已做到 10.125 秒视频 8.7 秒出片------数据中心级的"实时"已由 VDN-H3（自家栈）与 FastH3+vLLM-Omni（联合栈）分别达成，硬件门槛不同。

一、先把成本公式拆开

一段视频的端到端延迟可以粗写成：

延迟 ≈ N × max(A(seq²)/ 算力,W(精度)/ 带宽 )+S(系统栈)

先声明：这是启发式分解，不是物理定律。max 的两项对应 roofline 模型的两类瓶颈------计算密度与显存带宽，数据中心大卡上 DiT 常偏计算瓶颈，消费级显卡上则几乎总是带宽瓶颈；写成 max 而非连乘，是为了避免暗示"各因子加速倍率可以直接相乘"。末尾的 S 是系统栈开销：编码器驻留、VAE 解码、跨进程传输、MP4 封装。

公式含四个量：N、A、W、S。其中 S 是所有路线共用的底座，由参照系（vLLM-Omni）单独展示；剩下三个因子在优化方向上可分别切入（但不是变量独立的：量化会影响 kernel 效率，稀疏同时减少计算与搬运），三条路线分别占据：

• VDN-H3 改 A：二次 Softmax 换成"局部精确 + 长程线性"混合架构，注意力成本随长度线性增长；
• FastH3 改 N 和 A（唯一动两个因子的路线）：蒸馏把 49 次调用压到 4 次（V1）或 8 次（V2），可训练稀疏注意力让每个头只算 20% 的 tile；
• QuantFunc 改 W：16-bit 权重压到 4-bit，显存带宽消耗降到四分之一，8GB 卡也能跑。

而 S 属于所有人共用的底座------这正是 vLLM-Omni 作为"参照系"而非"第四条路线"的原因：它不与你竞争，它决定你怎么计量竞争。

二、路线一：VDN-H3------给视频模型换一套"视网膜"

项目：OpenVDN（UC Berkeley、Impossible、UT Austin 等），代码与训练流程全开源（Apache-2.0），2026 年 9 月 6 日发布博客、代码与权重（I2VA/L2VA/FL2VA 等多模式能力的说明随后几日补充更新），配套 arXiv 论文 2609.20744《Video DeltaNet: A Video-Native Hybrid Attention for Livestream Video Generation》（2026-10-02 已更新至 v3，摘要数字未变；正文已并入 v3 新增的 FastH3 正面对比、Radial Attention 基线与 kernel 级消融）。

2.1 问题：线性注意力直接搬到视频上会崩

前沿 LLM 早已用线性注意力替换 Softmax（Gated DeltaNet、Kimi Linear 等），速度大幅提升，但质量有代价：线性注意力难以在长序列上维持主体身份、场景布局和时间依赖。原因藏在更新规则里------经典 Delta Rule 是逐 token 的梯度下降步：

S_t =S̄ +β(v − S̄k)kᵀ        （S̄ = 衰减后的旧状态）

每个 token 各自从同一个"冻结"的旧状态上读取、写入，互不知晓。视频里一帧有 U 个空间 token，重复纹理（一片天空、一面墙）会让大量 key 高度相关，独立更新只是把冗余证据无脑累加。下图直观展示了三代线性注意力更新规则的差异------从门控向量递推、外积衰减，到沿 key 方向"擦除再写入"的 Delta Rule，状态始终是整个序列共享的一块矩阵：

2.2 VDA：把逐 token 更新变成逐帧"联立求解"

VDN 的核心创新 Video Delta Attention（VDA）只有一步，但性质完全不同：不逐 token 走梯度步，而是把整帧的所有 token 写成一个联合正则化目标，直接解正规方程：

min_S  ½‖S − S̄‖²_F + ½ Σ_u β_u‖Sk_u − v_u‖²
⟹  S_t =(S̄ +B)(I+A)⁻¹,A=KᵀDiag(β)K,B=VᵀDiag(β)K

这一步在谱域上有清晰的几何解释。A 是半正定矩阵，对 A 的第 i 个特征方向，继承状态的乘子是 1/(1+λᵢ)：证据稀疏的方向几乎原样保留（→1），证据拥挤（大量 key 共线）的方向被温和压制（→0），永远不会翻转到负值，也永远不超过 1。

对比之下，此前的方案各有妥协：

• GDN/KDA（Kimi Delta Attention）给 key 做单位归一化，保证单 token 不扩张，但帧内 U 个 token 共线时 λᵢ(A) 可达 U，帧级更新可能爆炸；
• SANA-WM 被迫再给 key 乘一个 1/√U 的帧大小因子换取稳定性，代价是每个独立方向也被削弱------重复 key 的方向拿不到"多数票加成"，正交 key 的方向被无辜株连。

VDA 的 (I+A)⁻¹ 从观测到的 Gram 谱里"就地取材"------在理想数值条件下（A 半正定、0≤β≤1），对任意 token 数量与对齐方式天然非扩张，且不需要任何尺寸相关的缩放（工程实现中矩阵求逆的条件数仍需关注）。这把线性注意力从"token 级的联想记忆"升级成了"帧级的协商写入"------correlated patches 在更新内部就解开了共享方向。

2.3 混合架构：精确与近似的分工

单有线性分支不够，视频生成需要精确的局部匹配。VDN 把视频-视频注意力拆成两支：

• 局部 Softmax 支：双向滑动窗口（对齐 H3 VAE 的 5 帧 chunk，形成 15 帧窗口），算邻近帧的精确注意力；再加"4 向边界锚点"------每帧可见首末两帧的全部 token，首尾帧也可见所有帧------只增加 3.57% 的注意力密度，却显著稳住长程一致性；
• 长程线性支：双向 VDA。前向状态 S→ 总结窗口之前的帧，反向状态 S← 总结窗口之后的帧，两区域不相交，query 读两侧状态相加，没有任何一帧被重复计入；文本条件在扫描初始化时以 S_T/2 各写一次进两个状态，相加后文本贡献恰好被计一次。

两支输出不做简单相加（量纲不同），而是各自经过内容相关的 sigmoid 门控 + 独立输出投影后汇入残差流。Softmax 门控校准"窗口被裁掉大部分 key 后质量被过度重新分配"的问题；线性支走 RMSNorm + 门控，允许两支住在不同的输出空间里。

必须说清楚的是：精确支只覆盖局部窗口和边界锚点，长程一致性仍依赖线性近似的质量。VDN 对质量的主张不是"近似被精确兜底"，而是"局部精确保底 + 长程线性近似"------这正是它必须做重教师对齐训练的根本原因。

2.4 训练：怎么给卡好表的预训练模型动手术

向一个已经校准好的 33B 主干里塞随机初始化的分支，朴素端到端训练会直接毁掉画质。VDN 用三阶段课程：

1. A1 逐层对齐（200 步）：每个新线性分支单独校准（Taylor-Calibrate 式），拿到更好的初始化，Softmax 门控固定在 0.99 初始值；
2. A2 端到端分支适配 （500 步）：装配所有混合块联合训练，Softmax 支、QKVO、FFN 全部冻结；
3. B LoRA 共适配（2000 步）：给 QKV/O 加 LoRA，与线性分支联合微调，其余参数冻结。

论文披露训练数据为 10,015 条 1344×768、345 帧（14.375 秒）视频片段，预编码为视频/音频 latent 与 Qwen3-VL 文本嵌入后缓存------VAE 与文本编码器完全移出训练循环，这让三阶段课程的总成本可控。

一个反直觉的设计：Softmax 门控在 A1/A2 全程冻结。因为在线性分支学好之前，可训练的 Softmax 门控会给优化器一条"偷懒的捷径"------压低原分支的输出就能降 loss，而不是真正学会线性分支。

交付物结构很轻：一个独立线性分支 + 两个小 LoRA ，推理时 merge 进主干，原 H3 权重一行不改；同一 checkpoint 同时支持 T2VA / I2VA / L2VA / FL2VA 四种模式。第三方报道补充了单机数字：B200 上 dense 50 步 13.95 分钟 → VDN FP8 5.3 分钟；H200 上 27.3 → 9.4 分钟。社区随后把 VDN-H3 接进了 ComfyUI（runcomfy 等工作流已给出可复现配置）：

2.5 数字：50 步是本体，8 步是蒸馏产物

需要澄清一条容易误读的路径：VDN-H3 的架构适配是在 50 NFE 下完成的（先证明混合架构本身不损失质量），之后再用 DMD2（去掉 GAN 项）蒸馏到 8 步 ------学生从社区 LarryVRH 的 H3-Turbo LoRA 初始化，对着 VDN-H3 自己的 50 步采样器训练 250 个 generator 步，把"步数压缩"与"架构转换"解耦；实现上，generator、real-score、fake-score 三个角色共享一个 FSDP 主干、各挂独立适配器，每个 generator 步配 3 次 fake-score 更新。发布物包含 50 步与 8 步两个 checkpoint。

效率链条（14.4 秒、768p 工作负载，345 帧 @ 24fps = 14.375 秒；论文摘要按 14.3 秒计）：

• 仅架构改造：单 B200 单次前向 16.0s → 6.2s（2.6× ），单 H200 35.35s → 11.16s（3.2× ）；序列从 42 帧拉长到 102 帧时，Softmax 注意力密度从 42.1% 降至 20.0%，全骨干加速从 1.6× 升到 2.6×（B200）、1.8× 升到 3.2×（H200）------越长越快是线性化的标志性特征；
• 叠加 8 步蒸馏：单 B200 去噪 307.9s → 49.3s；
• 再叠加 8 卡推理：官方博客口径为 DiT 去噪 6.9s （8×H200 为 12.5s）、端到端约 9.0s ，比播放速度还快（论文表格中 8 卡去噪 6.70s 为另一测量口径，与博客的 6.9s 属同一量级）。对同卡数 50 步 Dense H3 为 14.5×。第三方报道提醒：宣传中的 74.5× 是 8 卡并行 + FA4 + FP8 + 8 步蒸馏的组合数字，单机架构改造的真实幅度就是 2.6× 左右。

质量方面（固定第三方 103 prompt 基准，50 NFE）：VDN-H3 与 50 步 Dense H3 在十项指标上互有胜负但差距微小------Q-Align 差 0.08、FIRM 世界一致性差 0.03、FL2VA PSNR 差 0.02dB、SSIM 差 0.0024，同时在 VQAA、DOVER++、FIRM 感知质量三项上反超；对免训练的稀疏基线 Radial Attention（密度对齐到同等延迟）在七个共享指标上赢六个。注意这是作者自家基准上的结果。

2.6 与 FastH3 的正面对比，以及 kernel 级消融

v3 论文新增了与同代加速路线的正面对比（同为作者自家基准，单方数据）：8 NFE 下，VDN-H3 在七项共享质量指标上全部高于 FastH3 v2 ------VQAT 领先 10.78 分、DOVER++ 领先 2.67 分------同时在单张 B200 上比 FastH3 v2 再快 1.2×；4 NFE 下对 FastH3 v1 的 VQAT 领先达 12.64 分，FL2VA 端点保真也更好。架构消融同样提供了量化证据：把 VDA 的联合求解换回"冻结状态 + 1/√U 缩放"的逐 token 加性写入，八项指标输掉五项（VQAA -0.42、VQAT -0.69）；去掉边界锚点，VQAT 掉 1.35 分；去掉线性支只留窗口 Softmax，VQAA 掉 1.57 分------混合架构的两个支、一类锚点，各自都有不可替代的消融证据。

论文还罕见地公开了 kernel 级消融，说明架构红利是如何被工程兑现的：四个融合 Triton kernel 中，VDA-Prep 把 H200 上 18.0ms 的 K/V 数据准备压到 1.6ms；逐帧小矩阵求逆用单 kernel 寄存器内高斯-约当消元替代多 kernel Cholesky 路径，提速 4.6--5.0×；chunk 级转移矩阵组合把双向扫描从 4.6ms 压到 1.1ms（8 卡、每卡 7 头）；窗口 Softmax 用 varlen 打包从 69.5ms 压到 56.1ms（B200）。一句话：线性化吃掉的是渐近复杂度，毫秒级吃掉的却是常数因子，两者相乘才是 2.6×。

需要两句限定：以上对比全部出自 VDN 论文 v3 的自有基准（固定 103 prompt），FastH3 官方未在相同基准上回应，宜视为单方数据；且两者的部署场景并不完全重叠------FastH3 的强项在于与 vLLM 生产栈的深度集成（RTF 0.86 的完整响应实时）和已成的 ComfyUI 生态，VDN-H3 则胜在四任务覆盖与注意力复杂度的根治。并列呈现不等于分胜负。

三、路线二：FastH3------压缩步数，也用训练换稀疏

项目：FastVideo（Hao AI Lab）+ Nuva Lab + NVIDIA FastGen，2026-08-27 发布 4 步 V1，随后推出 8 步 V2；vLLM 团队于 9 月初将其接入 vLLM-Omni 生产服务栈。

3.1 双管齐下：49 次调用砍到 4 次（V1），再回退到 8 次（V2）

H3 的标准调度是 50 个 sigma 点、49 次 DiT 前向。FastH3 的第一刀是 DMD2 蒸馏：冻结的 Base H3 教师 + 一个可学习 critic，用二者 score 估计之差当训练信号。特别之处在于 data-free：只用文本 prompt、不用任何真实视频------"backward simulation"让学生在自己推理时真正会走到的少步状态上训练（V2 为 8 次前向，采样阶梯对应 step-1300 checkpoint，scheduler shift 从基座的 12 改为 10），避免训练/推理分布错位。

第二刀更激进：VSA-H3 可训练稀疏注意力 。每个注意力块加一个轻量打分层，把 packed 序列切成 64-token 的 4×4×4 三维 tile（视频 token 天然是时空立方体），视频 query 只为 top-64 个视频 tile 和全部前缀 tile 算注意力；文本/条件/音频保持 dense。V1 训练在 90% 稀疏度，V2 回退到 80% 稀疏 + 8 步------用一点速度换质量，是官方对 4 步 preview 质量局限的坦率回应。

一个关键细节：教师和 critic 全程 dense。稀疏学生永远对着"全量正确答案"学习，这让 90% 的注意力省略有了可靠的质量锚点------这与"先训 dense 再事后剪枝"的稀疏方法有本质区别：稀疏模式从训练第一天就是模型工作点的一部分。

3.2 数字与代价

B200 上 15 秒 768p 视频端到端（FastVideo 自家栈）：单卡 47.2s（14.38×），8 卡 12.88s------已经比播放快。官方博客明确写道训练使用了 1k+ B200 卡时（出处：FastVideo 官方博客《FastH3 Preview v1》TL;DR 段）。

代价也要客观列出：V2 只蒸馏了 T2VA，FL2VA/Ref2VA 还在开发；官方明说难动作、细细节和部分音频可能落后基座；推理被深度绑死在 FastVideo 栈上（tile-64 CUDA/Triton kernel、区域化 compile、FA4、纯 Ulysses 序列并行）。

社区工作流的生成帧。需要说明：官方 V2 发布时仅蒸馏了 T2VA，FL2VA 属于后续扩展，故该图展示的是"FastH3 蒸馏权重 + 社区工作流"的组合效果，而非 V2 官方发布物。

3.3 被低估的一环：FastH3 不是 LoRA，而是一纸"serving contract"

vLLM-Omni 的集成文档披露了两个此前容易被忽略的事实：

1. FastH3 的 artifact 不是普通 LoRA 。除低秩因子外，它携带 full-rank delta 与替换权重------普通 LoRA 层无法表达------所以 vLLM 选择在权重流入时先做融合再切分，而不是按请求热切换。这解释了为什么 FastH3 的加速无法像 LoRA 那样"即插即用"。
2. 组合兼容性有硬性边界 ：FastH3 + VSA 仅在 CUDA + fastvideo-kernel + 纯 Ulysses（Ring/AllGather 被拒绝）下受支持；FastH3 + DLO（层式 offload）明确不支持；FastH3 + 分离式编码器尚未验证。

四、路线三：QuantFunc 4bit------不动数学，动数字

项目：QuantFunc（商业推理引擎公司），2026-09-28 发布 H3 量化版。值得注意的是，H3 只是其模型库的一员：官网列出的支持列表包括 Flux.1-dev、SDXL、Wan、LTX-2.5、Krea-2、HiDream、Qwen-Image-2.1、Stable Audio、MusicGen、ACE-Step 等十余个模型------视频量化是它的一个产品线，不是全部。

4.1 技术：W4A4 与"小显存流式"

前两条路线都在"改模型"，QuantFunc 的哲学相反：模型数学一行不改，只把承载数字的比特数砍下来。DiT 推理在消费级显卡上是权重带宽受限的------33B 参数的 16-bit 权重每步都要从显存完整过一遍。H3 版把核心权重和激活压到 4-bit（W4A4 INT4，SVDQuant rank-128、group size 64），核心权重视野降到原来的四分之一，代价是同 prompt 同 seed 下约 23.7dB PSNR 的有损扰动，属于可控、有界的数值误差。

两个工程点（出处均为 QuantFunc 官网与模型卡）：

• 小显存卡运行：官网明确写道，显卡装不下全部权重时，引擎会从系统内存流式补给而不是直接报错，模型参与 ComfyUI 自身的显存管理------口号是"让消费级显卡跑起过去要 24GB 的模型"（具体调度细节未公开）；
• 组件级精度特化：Token Refiner、Refiner 用 INT4，Conv Sidecar 用 INT8，adaLN 折叠进 fp16（输出相对误差 ~7.58e-4），CUDA 12/13 预编译 kernel 覆盖 SM75+、零 JIT 卡顿。

4.2 数字与口径

官方口径（RTX 4090，同模型 FP8 对照，768×768、124 帧单步）：MiniMax-H3 3.2s vs FP8 10.2s（3.19×） ；兄弟模型 Krea-2 去噪 3.13×。注意：11× 是 Krea-2 在 8/12GB 小显存卡上的数字，不是 H3------H3 在 4090 上就是 3.19×。发布物为 FL2VA 4 步 / Ref2VA 8 步两个变体，加速 LoRA、Token Refiner、INT4 Refiner 全部预熔进权重。这些数字全部来自厂商自家对比表，宜谨慎引用。

4.3 商业模式：免费插件 + 付费 SDK 的"剃刀-刀片"

QuantFunc 的商业逻辑很直接：4-bit 把权重体积砍到四分之一 → 8GB 卡跑得动 → 免费插件（免费、不限量）扩大装机基数 → 付费 SDK / API（$20/月单设备起）变现。表面卖的是"4-bit"，实质是"同卡几倍速 + 不操心"的一站式交付。

4.4 效果：INT4 直出 showcase

以下四帧均为 INT4 量化权重直接生成（896×1184、124 帧，来源：QuantFunc 官方模型卡）：

消费端生态也在快速成形------ComfyUI 官方 MiniMax-H3 工作流已支持社区加速 checkpoint，下面是社区 H3 工作流在 ComfyUI 中的完整节点图（数字人语音克隆示例）：

五、参照系：vLLM-Omni 给出的三个坐标

在评估三条路线之前，必须先看清牌桌本身。vLLM 团队 9 月的博客用 8×B300 的冻结对照实验证明：一行模型不改，纯系统栈优化（注意力通信、算子融合、VAE 并行解码、uint8 输出传输减 75% 负载、直写 planar H.264）就能从 Diffusers 的 82.2s 挤出 56.9s 端到端，1.445× 且零质量损失（vLLM 官方博客实测表）。它给所有倍率数字提供了三个坐标：

1. 参照系坐标：任何改模型的方法，至少要先证明自己比"什么都不改、只换好栈"更值得。三条路线都缺少"无损回退到通用栈且保留全部加速"的路径------VDN 离开专用 backend 分支会被静默跳过，FastH3 离开 fastvideo-kernel 跑不起来，QuantFunc 权重离开自家 loader 读不出来。这不是态度问题，是架构使然；它构成一道阶段性迁移成本，能否沉淀为长期壁垒，取决于各家栈被复现和标准化的难度。
2. 证据纪律坐标 ：vLLM 博客使用冻结的 SHA、prompt、seed，两条实验车道（base 系统优化 vs FastH3）分开报告，在得到同源 A/B 之前拒绝推导 base→FastH3 的倍率------并明确把"实时"定义为完整 MP4 响应（含音频、封装）短于播放时长，而非首帧延迟。这种克制在倍率通胀的当下并不多见。
3. 叠加边界坐标 ：同一栈上，4 次前向的 FastH3 产出完整 10.125 秒 MP4 仅 8.678--8.710 秒（RTF≈0.86）------但兼容性有硬性边界：FastH3 + VSA 要纯 Ulysses，FastH3 + DLO 明确不支持，分离式编码器尚未验证。

这也回答了"叠加之后瓶颈去哪了"：base 车道里 DiT 占总端到端的 91%（51.8/56.9s），FastH3 车道里 4 次前向只剩约 4 秒，非 DiT 部分（双 VAE 解码、音频、传输、封装）占比过半------需要加限定：这一瓶颈转移只在 FastH3+vLLM 这种最激进的组合下成立------对 VDN-H3（DiT 去噪占端到端约 77%：6.9/9.0s）和 QuantFunc 的消费卡场景（DiT 单步 × 步数是绝对大头），DiT 仍是主要成本。"战场离开 Transformer"不是普遍结论，而是最激进组合的专属风景。

六、对照表：三个模型侧因子、三条路线、一个参照系

维度	VDN-H3	FastH3（V1 4 步 / V2 8 步）	QuantFunc 4bit
切入因子	架构 A：O(n²)→O(n)	步数 N（49→4/8）× 注意力 A（−80%）	带宽 W：16bit→4bit + 小显存流式
模型数学	改（新增线性分支）	不改拓扑，改训练目标	完全不改
训练成本	高（A1 200 / A2 500 / B 2000 步 + 蒸馏 250 步，未公开卡时）	官方公开 1k+ B200 卡时（与步数口径不同，不宜直接排名）	极低（data-free 量化）
质量主张	自家基准上持平或略超 50 步 Dense	preview 级：VQAT 落后 Dense 2.7--12.7 分（单方基准†）	23.7dB PSNR 的有界误差
典型质量风险	超长视频长程一致性的渐进漂移（线性近似固有）	快速运动模糊、动作幅度不足（RAFT 9.19 vs 11.55 px）、音频细节	色彩偏移与细节噪点（4-bit 数值噪声）
推理栈耦合	SGLang 专用 backend	fastvideo-kernel + artifact 加载时融合	私有 sealed 格式 + loader
硬件取向	数据中心 8×B200	数据中心 B200/B300 为主	消费卡优先（8GB 起）
覆盖任务	四种模式同 checkpoint	仅 T2VA（V2）	FL2VA / Ref2VA
代表数字	去噪 6.9s（8×B200，8 步，14.5×）	15s 视频 47.2s/12.88s（1/8×B200 自家栈）；8.7s 出 10.1s MP4（+vLLM 联合栈，RTF 0.86）	单步 3.2s（4090，3.19× vs FP8）

† 该对比出自 VDN 论文在其自有基准（固定 103 prompt）上的测试，FastH3 官方未在相同基准上回应，宜视为单方数据。另：三条路线的倍率均依赖各自运行栈，跨栈比较请先回到第五节参照系。

失败案例：这些路线都是被失败雕刻出来的

只看成功面会高估这些方法的必然性。前三个是技术路线 的失败，第四个是测量方法论的失败------性质不同，但同样塑造了今天的格局：

• 失败一：线性注意力直接替换 Softmax。视频 DiT 的多次尝试（如 M4V 的 Mamba 路线）表明直接替换在长视频上画质明显退化，主体身份和场景布局维持不住。VDN 的答案不是"替换"而是"混合"------精确支保住局部，线性支吃掉长程。
• 失败二：4 步 + 90% 稀疏推得太狠。FastH3 V1 的极限配置在难动作和细细节上露了怯，V2 主动回退到 8 步 + 80% 稀疏。这种"官方回退换质量"的做法在报道中并不多见。
• 失败三：事后剪枝式稀疏。先 dense 训练再 mask 的做法在视频 DiT 上质量不稳，VSA 的应对是让稀疏模式从训练第一天就成为模型的工作点，且教师永远 dense。
• 失败四：用"倍率"代替"口径"。vLLM 的"证据契约"（冻结 SHA/prompt/seed、车道分离、不混算倍率）本质上是把行业常见的失败模式写成了反例教材。

共识与差别

两个真正的共识 ：其一，三条路线共享同一个瓶颈背景------长序列下的二次计算成本与权重带宽墙------但火力落点不同：VDN 和 FastH3 直接改注意力（结构、参与范围），QuantFunc 则绕开注意力、从权重与激活精度侧面切入；其二，倍率必须连同运行时一起读------VDN 需要专用 backend，FastH3 需要专用 kernel 与加载时融合，QuantFunc 需要私有 loader。一个值得注意的动向是：VDN 论文致谢里出现了 Kernel Design Agents（kernel 设计智能体）------连 kernel 都开始用 AI 设计了，算法与 kernel 一体化的门槛正在从人力转向算力与数据。

三种不同的"守恒"：VDN 守质量守恒（架构换复杂度，训练工程最重，赌"线性注意力视频化"终将接管视频 DiT）；FastH3 守算力守恒（以 1k+ B200 卡时的蒸馏预算压缩推理成本，赌蒸馏+可学习稀疏的配方可以流水线化复制到下一个模型）；QuantFunc 守恒带宽（显存越小杠杆越大，赌"精度换带宽"永远有市场------因为消费显存的增速追不上模型权重的增速）。

"可分离"的另一面：叠加已发生，无缝叠加未验证

三个因子概念上可分离，工程兼容性却是另一回事：VDN 的线性分支要 SGLang backend，FastH3 的 VSA 要 fastvideo-kernel，两者同驻一个推理进程时栈复杂度会非线性上升；QuantFunc 的 sealed 格式预熔了 LoRA，想再叠加 VDN 的适配器就要先过格式关；vLLM 的兼容性矩阵更是白纸黑字（第五节）。目前可见的"叠加"都是串行式的：QuantFunc 量化别人蒸馏好的权重、社区量化 VDN-H3（drbaph 的预量化 INT8 ConvRot 版，线性分支再提速 2.7×）、vLLM 融合 FastH3 artifact 进自家栈。三条方法同时落在一个 checkpoint 且各自拿到全部加速------还没有人完整做过。

七、尾声：开源权重引发的"分工大爆炸"，以及一个被算账修正的预测

H3 开源后两个月内发生的事几乎是一次完整的技术史样本：基础模型一开放，优化市场立刻沿"架构---蒸馏---量化"三个方向分层，学术团队做架构、研究 lab 做蒸馏流水线、商业公司做量化引擎，每层都有清晰的守恒律，各层通过 checkpoint 格式与推理栈接口互相啮合；而开源 serving 社区把"无损基线"抬到了 1.445×，让所有人心里的尺子变长了。

壁垒的悬念也埋在这里：VDN 依赖三阶段课程的重训练工程，FastH3 依赖千卡时级蒸馏预算，QuantFunc 依赖私有格式与免费+付费 SDK 的转化漏斗------三种壁垒，三种被商品化（commoditize）的路径：课程式适配正被自动化工具简化，蒸馏预算可能被 Parallel Decoding Distillation（PDD，并行解码蒸馏）这类新算法压缩（FastH3 路线图已列出与 NVIDIA FastGen 的合作），私有格式永远面临下一个开源替代。谁先被商品化，谁就失去定价权。

至于"个人设备上实时生成带声音的视频"------先算账再下结论，而且这次要把口径算对：QuantFunc 的 3.2 秒/步测于 768×768、124 帧（按 24fps 约 5 秒视频），生成 14 秒视频时序列更长、单步只会更慢------就算乐观地按 3.2 秒/步、8 步估算，DiT 也要约 26 秒，加 VAE 与音频逼近半分钟，这已是下界 ；距"实时"（生成时间 ≤ 视频时长）约两倍，若按直播级低延迟（秒级出片）衡量差距更大。而数据中心一侧，vLLM-Omni + 4 步 FastH3 已把"完整响应实时"（RTF 0.86）做成冻结可复现的测量值。个人实时生成需要三个模型侧因子（N/A/W）同时再进一步，还要 VAE 与音频管线的同步瘦身------VDN 论文把下一代目标直接写进了标题：Livestream Video Generation（直播级视频生成）。成本结构已被改写，主要坐标已经点亮，但终局尚未到来：架构买长度，蒸馏买步数，量化买显存，系统工程兜底其余。

创作不易，禁止抄袭，转载请附上原文标题及其链接

参考来源

• OpenVDN 官方博客：https://openvdn.github.io/ ；VDN-H3 论文：Xi et al., arXiv:2609.20744
• FastVideo 官方博客：https://haoailab.com/blogs/fasth3-preview/
• QuantFunc 官网：https://www.quantfunc.com/ ；Hugging Face 模型卡：QuantFunc/Minimax-H3-Quantfunc-4bit
• vLLM 博客：《MiniMax H3 on vLLM-Omni》，https://vllm.ai/blog/2026-09-01-minimax-h3-production-serving
• MiniMax 官方集成列表：https://github.com/MiniMax-AI/awesome-minimax-h3-integration
• VSA 论文：Zhang et al., arXiv:2505.13389；DMD2 论文：Yin et al., arXiv:2405.14867；线性注意力谱系：arXiv:2507.06457
• 第三方报道：comfyui-wiki（VDN-H3 实测）、AlphaSignal（FastH3 ComfyUI 版）、note.com AI-Driven Lab（FastH3 图解）、runcomfy（社区工作流效果图）