← ブログに戻る
Ai読了目安 10 分

今週オープンになった動画モデル2本、どちらも肝心の列を出していない

公開日 2026年11月8日
今週オープンになった動画モデル2本、どちらも肝心の列を出していない

11月7日、Video Rebirth は HyperFlow H3 Flash を公開し、Hacker News に投稿した。ほぼ同じ日、Vimoo-AI は Vimoo 1.0 Lite の ComfyUI 用の重みを配布した。どちらもオープンな動画モデルで、どちらも元になったモデルより大幅に小さい。そしてどちらにも速度表が付いている。

そのどちらにも、同じ列が抜けている。

Video Rebirth が削ったもの

HyperFlow H3 Flash は MiniMax-H3 の圧縮版で、少ないステップで回る。MiniMax-H3 は映像と同期したステレオ音声を同時に生成するオープンモデルだ。transformer はおよそ 31 billion パラメータから 13.7B に減り、サンプリングは 4/6/8 steps で動く。

プロジェクトのエンジニアで、jiant の名前で投稿している人物が3つの変更を挙げている。モデルの50ブロックのうち3つを刈り込み、102の線形層を低ランク形式に分解し、180の線形層に Hadamard 回転を組み合わせた W8A8 INT8 量子化を施した。

4つ目の変更が一番面白い。圧縮ではまったくないからだ。2値の条件付けを足して、各サンプリングステップが現在のノイズレベルと、着地すべき位置の両方を知るようにした。これのおかげで classifier-free guidance なしで4から8ステップで回せる。CFG は普通、推論コストを倍にする部分だ。

著者が出している数字はこうだ。1344×768 の 5.2 seconds のクリップを6ステップで作るのに、B200 4枚で 8.7 seconds、H200 1枚で36秒、RTX 5090 1枚で92秒。パートナーが作った NVIDIA の SOL-H3 推論エンジンなら、Blackwell 世代の GPU 4枚でリアルタイムに動くという。出力は 5.2 から15秒、24fps。

ワークステーション向けには GGUF 版があり、Q3_K_M 7.2GB から 15.2GB まで。README は 24GB のカードには Q4_K_M 9.1GB を勧め、システムメモリ 16GB のマシンで 24GB と 32GB の GPU が動くと書いている。16GB の GPU は未計測としてあり、README にここまで正直に残すのは珍しい。

2つのオープン動画モデルのパラメータと速度を並べたイメージ

速度表が隠している実務的な点が2つある。Python パッケージの初回実行で約 90GB、FP8 のテキストエンコーダを使えば約 68GB をダウンロードする。カーネルのコンパイルにも1分ほどかかる。どちらも致命傷ではないが、気軽に試すソフトウェアではないということだ。

Vimoo が削ったもの

Vimoo 1.0 Lite はおよそ 9.5 billion パラメータ。テキストから動画、画像から動画の両方を1つのモデルで扱い、同じモデル用の蒸留 LoRA adapter も付く。テキストエンコーダ、視覚エンコーダ、VAE、ComfyUI ノード、ワークフローテンプレートが同梱されている。

ライセンスは Apache 2.0。多くの読者にとってはベンチマークよりこちらのほうが重要だ。Apache 2.0 なら商用利用ができ、地域条項も、研究限定の但し書きも、作者にメールを送る手順もない。多くのオープン動画モデルは、その手順を model card の奥に埋めている。

目を引く数字はこれだ。1280×720、121 frames で、蒸留モデルが 9.7 seconds で動画を出す。比較に出されているのは CFG を有効にした Wan 2.2 の 490 seconds。

この比較は多くのことを背負っていて、慎重に扱うべきだ。蒸留モデルと CFG 有効のベースモデルは同じ測定ではない。片方は guidance の工程を飛ばすよう訓練された生徒で、もう片方は手順を全部踏む教師だ。比べれば蒸留のほうが速いと分かるが、それは誰でも知っている。生徒がどれだけ品質を落としたかは分からない。

フル版の Vimoo 1.0 は Dual-Stream MMDiT 上のハイブリッド構成で 11.7 billion パラメータ。動画 VAE は 4×16×16 圧縮で 48 latent channels、プロンプト理解に Qwen2.5-VL-7B、文字組みに Glyph-ByT5-v2 を使う。1080p へのアップスケールは Vimoo Enhancer が担う。24fps の5秒 720p クリップが約5秒というのは Lite の蒸留の数字とは別の話なので、頭の中で分けておきたい。

抜けている列

今週の形はこうだ。圧縮版として出てきたオープン動画モデルが3つある。HyperFlow H3 Flash、Vimoo 1.0 Lite、その前の Pika H3 Flex。どれも削ったパラメータ、減らしたステップ、測った秒数、必要な GB を教えてくれる。出力がどうなったかは、どれも教えてくれない。

HyperFlow に関する Hacker News のスレッドは、その不満を正面から書いていた。JPEG を半分のサイズに圧縮したと発表して、見た目を確認しないようなものだ、というコメント。元モデルとの直接対決を求める声。プロジェクトのサンプルギャラリーを指す人もいた。それは定番の答えであり、定番の問題でもある。厳選したクリップは良いフレームを出せる証明にはなるが、どれくらいの頻度で出すかの証明にはならない。

3人目は、ノートPCクラスのカードで動かしているという FastVideo の FastH3 系と比べてどうなのかと尋ねた。公開されていた範囲のスレッドに、作者からの返答はなかった。

どれかを採用するか決めようとしている人にとって、問題はここにある。圧縮の手法自体はどれも妥当だ。構造化プルーニング、低ランク分解、回転付き INT8、蒸留、ステップを意識した条件付け。画像モデルではどれもコストの傾向が分かっている。画質を FID や GenEval、あるいは人手の並べ比較で1枚ずつ測れるからだ。動画はもっと難しい。時間的な一貫性、動きの整合、音声同期には、圧縮後も耐える単一の数値がない。

だからこの分野は、公表しやすい数字に落ち着く。パラメータは簡単。秒数も簡単。品質はレビュアーとブラインドテストと週末が要る。

この手のリリースの読み方

実際の制作でどれかを使うか判断するなら、速度表は上限であって計画ではない。すでに知っているプロンプトを10本、今のサービスと 9.1GB のビルドに通し、誰かにブラインドで採点してもらう。午後1つで終わる作業で、出てくるのは発表側が省いたあの列だ。

商用で出す前に両方のライセンスを確認する。HyperFlow は MiniMax-H3 の派生なので、ベースモデルのライセンスの制約を引き継ぐ。そのベースは Apache 2.0 ではない。Vimoo Lite は話が単純で、Apache 2.0 は Apache 2.0 だ。

ディスク容量も予算に入れておく。初回に 90GB を落とすのは、サーバーでは大したことではないが、ノートPCでは鬱陶しい。5分の評価が2時間になるのは、こういう細部だ。

圧縮競争は本物で、役にも立つ。24GB のカード1枚で動く動画モデルと、ノードごと必要なモデルは別の製品だ。ただ、この競争は測りやすい部分で採点されていて、使えるかどうかを決める部分は誰も表に入れていない。

自分の数字は自分で測る。最後に自分のプロンプトに対して正しいのは、その表だけだ。

関連記事