← Zurück zum Blog
Aica. 6 Min. Lesezeit

Zwei offene Videomodelle haben diese Woche abgespeckt. Keines nennt die Spalte, auf die es ankommt.

Veröffentlicht 8. Nov. 2026
Zwei offene Videomodelle haben diese Woche abgespeckt. Keines nennt die Spalte, auf die es ankommt.

Am 7. November hat Video Rebirth HyperFlow H3 Flash veröffentlicht und das Projekt auf Hacker News gestellt. Etwa am selben Tag lieferte Vimoo-AI die ComfyUI-Gewichte für Vimoo 1.0 Lite. Beides sind offene Videomodelle. Beide sind deutlich kleiner als das, woraus sie hervorgegangen sind. Beide kommen mit einer Geschwindigkeitstabelle.

Beiden fehlt dieselbe Spalte.

Was Video Rebirth weggeschnitten hat

HyperFlow H3 Flash ist eine komprimierte Few-Step-Version von MiniMax-H3, dem offenen Modell, das Video und synchronisiertes Stereo-Audio zusammen erzeugt. Der Transformer schrumpft von rund 31 Milliarden Parametern auf 13.7 Milliarden. Das Sampling läuft in vier, sechs oder acht Schritten.

Ein Ingenieur des Projekts, der unter dem Namen jiant postet, nennt drei Änderungen. Sie haben drei der fünfzig Blöcke des Modells entfernt. Sie haben 102 lineare Schichten in Low-Rank-Form faktorisiert. Sie haben eine 8-Bit-Integer-Quantisierung mit einer Hadamard-Rotation auf 180 lineare Schichten angewendet.

Die vierte Änderung ist die interessante, weil sie überhaupt keine Kompression ist. Sie haben ein Konditionierungsschema mit zwei Werten eingebaut, sodass jeder Sampling-Schritt sowohl das aktuelle Rauschniveau kennt als auch weiß, wo er landen soll. Erst das erlaubt vier bis acht Schritte ohne classifier-free guidance, also ohne das Verfahren, das die Inferenzkosten normalerweise verdoppelt.

Die Zahlen, wie die Autoren sie nennen: Ein Clip von 5.2 Sekunden bei 1344×768 braucht in sechs Schritten 8.7 Sekunden auf vier B200 GPUs, 36 Sekunden auf einer einzelnen H200 und 92 Sekunden auf einer einzelnen RTX 5090. Die Inferenz-Engine SOL-H3 von NVIDIA, von einem Partner gebaut, soll das auf vier GPUs der Blackwell-Klasse in Echtzeit schaffen. Die Ausgabe ist 5.2 bis 15 Sekunden lang, bei 24 Bildern pro Sekunde.

Für Workstations gibt es GGUF-Builds von 7.2GB bei Q3_K_M bis 15.2GB. Das README empfiehlt den 9.1GB Q4_K_M Build für 24GB-Karten und sagt, er laufe auf 24GB und 32GB GPUs in Rechnern mit 16GB System-RAM. Karten mit 16GB sind als noch nicht gemessen aufgeführt, was eine ungewöhnlich ehrliche Angabe für ein README ist.

Zwei stark verkleinerte Videomodell-Blöcke liegen nebeneinander auf einer Werkbank, daneben eine Tabelle mit einer leeren Spalte.

Zwei praktische Details, die die Geschwindigkeitstabelle versteckt. Der erste Lauf des Python-Pakets lädt etwa 90GB herunter, mit einem FP8-Textencoder etwa 68GB. Die Kernel kompilieren rund eine Minute. Nichts davon ist ein Ausschlusskriterium. Beides heißt aber, dass das Modell nicht in die Kategorie Software fällt, die man einfach mal ausprobiert.

Was Vimoo weggeschnitten hat

Vimoo 1.0 Lite hat etwa 9.5 Milliarden Parameter in einem einzigen Modell, das Text-zu-Video und Bild-zu-Video abdeckt, dazu einen destillierten LoRA-Adapter für dasselbe Modell. Mitgeliefert werden Textencoder, ein Vision-Encoder, ein VAE, ComfyUI-Nodes und Workflow-Vorlagen.

Die Lizenz ist Apache 2.0, und das ist der Teil, der die meisten Leser mehr interessiert als der Benchmark. Apache 2.0 heißt kommerzielle Nutzung ohne Gebietsklausel, ohne Research-only-Zusatz und ohne den Schritt, den Autoren eine Mail zu schreiben, den viele offene Video-Releases in der Model Card verstecken.

Die Schlagzeile: bei 1280×720 und 121 Frames erzeugt das destillierte Modell ein Video in 9.7 Sekunden. Der Vergleich, der dazu angeboten wird, ist Wan 2.2 mit 490 Sekunden und aktivierter CFG.

Dieser Vergleich leistet eine Menge Arbeit und verdient eine vorsichtige Behandlung. Ein destilliertes Modell und ein Basismodell mit CFG sind keine gleiche Messung. Das eine ist ein Schüler, der trainiert wurde, den Guidance-Schritt zu überspringen. Das andere ist ein Lehrer, der das volle Verfahren fährt. Der Vergleich sagt dir, dass der destillierte Weg schneller ist, was ohnehin jeder wusste. Er sagt dir nicht, wie viel Qualität der Schüler abgegeben hat.

Das vollständige Vimoo 1.0 ist ein Hybrid-Design auf einem Dual-Stream MMDiT mit 11.7 Milliarden Parametern, einem Video-VAE mit 4×16×16-Kompression und 48 latenten Kanälen, Qwen2.5-VL-7B für das Prompt-Verständnis und Glyph-ByT5-v2 für Typografie. Vimoo Enhancer übernimmt das Upscaling auf 1080p. Ein fünf Sekunden langer 720p-Clip bei 24fps braucht etwa fünf Sekunden, was eine andere Aussage ist als die destillierte Zahl der Lite-Version und im Kopf getrennt bleiben sollte.

Die fehlende Spalte

Das ist die Form dieser Woche. Drei offene Videomodelle kamen komprimiert heraus: HyperFlow H3 Flash, Vimoo 1.0 Lite und davor Pika H3 Flex. Jedes nennt entfernte Parameter, entfernte Schritte, gemessene Sekunden, benötigte Gigabyte. Keines sagt, was mit der Ausgabe passiert ist.

Der Hacker-News-Thread zu HyperFlow brachte den Einwand direkt. Ein Kommentator verglich es mit der Ankündigung eines JPEG, das auf die halbe Größe komprimiert wurde, ohne zu prüfen, wie es aussieht. Ein anderer bat um einen direkten Vergleich mit dem Originalmodell. Jemand verwies auf die Beispielgalerie des Projekts, was die Standardantwort und das Standardproblem ist: kuratierte Clips zeigen, dass das Modell gute Frames ausgeben kann, nicht wie oft.

Ein dritter Kommentator fragte nach dem Vergleich mit FastVideos FastH3-Varianten, die er auf einer Laptop-Grafikkarte laufen lässt. Eine Antwort der Autoren tauchte in dem öffentlichen Teil des Threads nicht auf.

Genau diese Lücke zählt für jeden, der entscheiden will, ob er eines davon einsetzt. Die Kompressionstechniken sind alle vernünftig. Strukturiertes Pruning, Low-Rank-Faktorisierung, INT8 mit Rotation, Destillation, schrittbewusste Konditionierung: Jede hat ein bekanntes Kostenprofil in Bildmodellen, wo sich Qualität pro Bild mit FID oder GenEval oder einem menschlichen Vergleich messen lässt. Video ist schwieriger. Zeitliche Konsistenz, Bewegungskohärenz und Audio-Sync haben keine einzelne Zahl, die eine Kompression gut übersteht.

Also greift das Feld zu den Zahlen, die sich leicht veröffentlichen lassen. Parameter sind leicht. Sekunden sind leicht. Qualität ist ein Reviewer, ein Blindtest und ein Wochenende.

Wie man so ein Release liest

Wer eines davon für echte Produktionsarbeit prüft, sollte die Geschwindigkeitstabelle als Obergrenze lesen, nicht als Plan. Schick zehn Prompts, die du schon kennst, durch deinen aktuellen Dienst und durch den 9.1GB Build und lass jemanden beide blind bewerten. Das kostet einen Nachmittag und liefert die Spalte, die das Release weggelassen hat.

Prüfe beide Lizenzen, bevor du etwas Kommerzielles auslieferst. HyperFlow ist ein Derivat von MiniMax-H3, erbt also Einschränkungen der Basis-Lizenz, und die Basis-Lizenz ist nicht Apache 2.0. Vimoo Lite ist der einfachere Fall, denn Apache 2.0 ist Apache 2.0.

Und plane den Plattenplatz ins Budget ein. Ein Erst-Download von 90GB ist auf einem Server trivial und auf einem Laptop lästig, und es ist die Art Detail, die aus einer Fünf-Minuten-Evaluierung eine Zwei-Stunden-Sache macht.

Das Wettrennen um Kompression ist real und nützlich. Ein Videomodell, das auf einer einzelnen 24GB-Karte läuft, ist ein anderes Produkt als eines, das einen Node braucht. Aber bewertet wird das Rennen in den Teilen, die billig zu messen sind, und der Teil, der entscheidet, ob du es nutzen kannst, ist der, den niemand in die Tabelle geschrieben hat.

Miss deine eigenen Zahlen. Das ist die einzige Tabelle, die für deine Prompts am Ende stimmt.

Verwandte Artikel