← Voltar ao blog
Aicerca de 7 min de leitura

Dois modelos de vídeo abertos emagreceram esta semana. Nenhum publicou a coluna que importa.

Publicado 8 de nov. de 2026
Dois modelos de vídeo abertos emagreceram esta semana. Nenhum publicou a coluna que importa.

Em 7 de novembro, a Video Rebirth publicou o HyperFlow H3 Flash e levou o projeto para o Hacker News. Quase no mesmo dia, a Vimoo-AI liberou os pesos de ComfyUI do Vimoo 1.0 Lite. Os dois são modelos de vídeo abertos. Os dois são bem menores do que aquilo de onde vieram. Os dois chegam com tabelas de velocidade.

Falta nos dois a mesma coluna.

O que a Video Rebirth cortou

O HyperFlow H3 Flash é uma versão comprimida e de poucos passos do MiniMax-H3, o modelo aberto que gera vídeo e áudio estéreo sincronizado juntos. O transformer cai de cerca de 31 bilhões de parâmetros para 13.7 bilhões. A amostragem roda em quatro, seis ou oito passos.

Um engenheiro do projeto, que assina como jiant, listou três mudanças. Podaram três dos cinquenta blocos do modelo. Fatoraram 102 camadas lineares em forma de posto baixo. Aplicaram quantização inteira de 8 bits com uma rotação de Hadamard em 180 camadas lineares.

A quarta mudança é a interessante, porque não é compressão nenhuma. Adicionaram um esquema de condicionamento de dois valores para que cada passo de amostragem saiba tanto o nível de ruído atual quanto onde deve chegar. É isso que permite rodar em quatro a oito passos sem classifier-free guidance, que normalmente é justamente o que dobra o custo de inferência.

Os números, conforme os autores: um clipe de 5.2 segundos em 1344×768 em seis passos leva 8.7 segundos em quatro B200 GPUs, 36 segundos em uma única H200 e 92 segundos em uma única RTX 5090. O motor de inferência SOL-H3 da NVIDIA, construído por um parceiro, segundo relatos roda em tempo real em quatro GPUs da classe Blackwell. A saída vai de 5.2 a 15 segundos a 24 quadros por segundo.

Para workstations existem builds GGUF de 7.2GB em Q3_K_M até 15.2GB. O README recomenda o build de 9.1GB Q4_K_M para placas de 24GB e diz que roda em GPUs de 24GB e 32GB em máquinas com 16GB de RAM do sistema. As GPUs de 16GB aparecem como ainda não medidas, o que é uma honestidade incomum de se deixar em um README.

Dois blocos de modelo de vídeo reduzidos de tamanho sobre uma bancada, ao lado de uma tabela com uma coluna em branco.

Dois detalhes práticos que a tabela de velocidade esconde. A primeira execução do pacote Python baixa cerca de 90GB, ou cerca de 68GB com um text encoder FP8. Os kernels compilam em mais ou menos um minuto. Nenhum dos dois é um impeditivo. Os dois significam que o modelo não entra na categoria de software de "baixar e testar".

O que a Vimoo cortou

O Vimoo 1.0 Lite tem cerca de 9.5 bilhões de parâmetros em um único modelo que dá conta de texto para vídeo e de imagem para vídeo, mais um adaptador LoRA destilado para esse mesmo modelo. Vem com text encoders, um encoder de visão, um VAE, nós de ComfyUI e templates de workflow.

A licença é Apache 2.0, e essa é a parte que a maioria dos leitores vai ligar mais do que o benchmark. Apache 2.0 significa uso comercial sem cláusula de território, sem restrição de pesquisa apenas e sem a etapa de mandar e-mail para os autores que muitos lançamentos abertos de vídeo enterram no model card.

O número de manchete: em 1280×720 e 121 quadros, o modelo destilado gera vídeo em 9.7 segundos. A comparação oferecida é o Wan 2.2 com 490 segundos e CFG ligado.

Essa comparação está fazendo muito trabalho e merece cuidado. Um modelo destilado e um modelo base com CFG não são a mesma medição. Um é um aluno treinado para pular a etapa de guidance. O outro é um professor rodando o procedimento completo. Comparar os dois diz que o caminho destilado é mais rápido, o que todo mundo já sabia. Não diz quanta qualidade o aluno abriu mão.

O Vimoo 1.0 completo é um projeto híbrido sobre um Dual-Stream MMDiT com 11.7 bilhões de parâmetros, um VAE de vídeo com compressão 4×16×16 e 48 canais latentes, Qwen2.5-VL-7B para entender o prompt e Glyph-ByT5-v2 para tipografia. O Vimoo Enhancer cuida do upscale para 1080p. Um clipe de cinco segundos em 720p a 24fps leva cerca de cinco segundos, o que é uma afirmação diferente do número destilado do Lite e vale manter separado na cabeça.

A coluna que falta

A semana tem este formato. Três modelos de vídeo abertos saíram comprimidos: HyperFlow H3 Flash, Vimoo 1.0 Lite e o Pika H3 Flex antes deles. Cada um informa parâmetros removidos, passos removidos, segundos medidos, gigabytes necessários. Nenhum informa o que aconteceu com a saída.

A thread do Hacker News sobre o HyperFlow colocou a objeção de forma direta. Um comentarista comparou com anunciar um JPEG comprimido à metade do tamanho sem verificar como ele fica. Outro pediu um confronto direto com o modelo original. Alguém apontou a galeria de exemplos do projeto, que é a resposta padrão e o problema padrão: clipes escolhidos demonstram que o modelo consegue gerar bons quadros, não com que frequência consegue.

Um terceiro comentarista perguntou como ele se compara às variantes FastH3 da FastVideo, que ele roda em uma placa de notebook. Na parte pública da thread não apareceu resposta dos autores.

É essa a lacuna que importa para quem precisa decidir se adota um destes. As técnicas de compressão são todas razoáveis. Poda estruturada, fatoração de posto baixo, INT8 com rotação, destilação, condicionamento ciente do passo: cada uma tem um perfil de custo conhecido em modelos de imagem, onde a qualidade se mede por imagem com FID ou GenEval ou uma comparação humana. Vídeo é mais difícil. Consistência temporal, coerência de movimento e sincronia de áudio não têm um número único que sobreviva bem à compressão.

Então a área recorre aos números fáceis de publicar. Parâmetros são fáceis. Segundos são fáceis. Qualidade é um revisor, um teste cego e um fim de semana.

Como ler um lançamento assim

Se você está avaliando um destes para trabalho de produção de verdade, a tabela de velocidade é um teto, não um plano. Passe dez prompts que você já conhece pelo seu serviço atual e pelo build de 9.1GB, e peça para alguém dar notas às cegas. Isso custa uma tarde e produz a coluna que o lançamento deixou de fora.

Confira as duas licenças antes de lançar qualquer coisa comercial. O HyperFlow é derivado do MiniMax-H3, então herda restrições da licença do modelo base, e a licença base não é Apache 2.0. O Vimoo Lite é o caso mais simples, porque Apache 2.0 é Apache 2.0.

E coloque o espaço em disco no orçamento. Um primeiro download de 90GB é trivial em um servidor e chato em um notebook, e é o tipo de detalhe que transforma uma avaliação de cinco minutos em uma de duas horas.

A corrida da compressão é real e é útil. Um modelo de vídeo que roda em uma única placa de 24GB é um produto diferente de um que precisa de um nó inteiro. Mas a corrida está sendo pontuada nas partes baratas de medir, e a parte que decide se você pode usar é a que ninguém colocou na tabela.

Meça os seus próprios números. É a única tabela que acaba sendo verdadeira para os seus prompts.

Artigos relacionados