英伟达把 H3 的高清重生成开源了：能上 4K，还比官方接口好看一点

十月的最后一周，Hugging Face 上多了一个叫 Open-H3-Regenerate-2K 的模型权重。名字拗口，来源很硬：英伟达和麻省理工合组的 Efficient-Large-Model 团队，推理代码放在 NVlabs/Sana 仓库里。

它干的事，一句话讲完：拿一段低分辨率的视频草稿，重新生成成高清版本。支持 2560×1440，往上能到 3840×2160。前提是，草稿得由 MiniMax 的 H3 生成。

这条消息在国内的传播方式和海外不太一样。海外讨论的是又一个开源权重的出现，国内 B 站上吵的是另一件事：一致性怎么保住。十月底一条讲 Z-Image 配 Wan2.2 的 ComfyUI 教程拿到当天最高分，评论区问的都是"人物会不会变脸""前后镜头接不接得上"。大家真正焦虑的不是画质高低，而是一段片子里的人，还是不是同一个人。

H3 这条流水线，本来断在最后一环

MiniMax H3 是今年 8 月开的权重。官方把整套系统拆成三段：多模态上下文处理、基础音视频生成、高分辨率重生成。开放的只有第一段和第二段里的 H3-Base，负责出 768P 的音视频。第三段，也就是把 768P 拉到 2K 的 H3-Regenerate-2K，一直只通过 API 提供。

这条分工其实很合理。生成模型管"有什么"，细化模型管"多清楚"。问题是，一旦最后一环只有 API，本地创作者的工作流就卡在那里：你可以用本地显卡跑到 768P，但想要一张能上大屏的成片，就得把素材传上去，按次付费，还得接受对方服务器的排队。

英伟达和 MIT 这次做的，就是把这一环补上。他们没动 H3 的主干，也没动视频 VAE，参数全部冻结，只训练新增的一层细化 LoRA，大约等于给原来的模型加了一副眼镜。推理的时候，这层 LoRA 和社区现成的适配器合并使用，比如 LightX2V 的 FL2VA Turbo、LMS Sharp，然后只跑三步去噪，在目标分辨率下把细节重新长出来。草稿里的场景、构图、运动轨迹都保留，被替换的只有清晰度。

3.9 倍是怎么算出来的

开源社区做高清修复，最怕的不是效果差，是慢到没法用。团队公布的测试条件是单张 B200，预热之后跑一段 5 秒的视频，把潜空间放大、三步细化、2K 解码三段加起来：未优化的实现要 87.26 秒，优化后 22.45 秒。差不多 3.9 倍。

提速主要来自两处。一是潜空间放大器，社区做的，直接放大视频的潜表示，省掉了高分辨率下反复解码再编码的开销。二是解码器，换了快速的 VAE 解码，单这一步从大约 15 秒降到 1.6 秒。另外还叠了 SoL-Engine 的稀疏注意力和低精度计算。

这个数字的意义，得放在具体场景里看。做一条 30 秒的短片，按 6 段 5 秒算，22 秒一段就是两分多钟的重生成时间，还没算排队和失败重跑。以前这套流程得跑十几分钟，中间你还不敢切窗口。现在至少能一边跑一边干别的。

当然，B200 不是普通人的卡。消费级显卡上跑同样的流程，时间要乘以好几倍。官方没有给 4090 或 5090 的数据，这一点得自己试。

分数比官方接口高，但高的地方很具体

团队在 RefinerBench-150 上做了对比，输入相同、输出都是 2K。感知质量评测 UniPercept 上，这个开源版本平均 60.0，官方 H3-Regenerate-2K 的 API 是 53.4。差了 6.6 分。

VBench 那边的结论更有意思：美学质量、成像质量、主体一致性三项，开源版更高；运动平滑度和动态程度，官方 API 略胜。翻成大白话，开源版把每一帧修得更"好看"、更"稳"，但代价是动作可能被修得保守了一点。对于口播、产品展示、纪录片素材这类以静态构图为主的镜头，这是赚的；对于打斗、舞蹈、快速运镜，可能就不划算。

还有一件事值得注意：主体一致性的分数更高。这正好命中中文社区最关心的那个点。重生成最容易翻车的地方就是人脸和衣服纹理，一帧一帧修，修到最后主角换了个人。这次的数据说明，至少在 2K 这一档，细化过程对身份的保持是加分的。

它的位置：不是新模型，是流水线的补丁

要理解这个东西的价值，最好别把它当模型看。它是一个中间件。

过去一年，视频生成的进步主要发生在"能不能生成"和"生成得多长"上。现在这两件事的边际收益在下降，瓶颈挪到了后面：草稿出来之后怎么办。业内的通行做法是先用便宜快速的方式出低分辨率草稿，确认分镜、节奏、人物都对，再把定稿的镜头送去高清化。这个"送去高清化"的环节，以前是付费 API 或者手动超分，现在有了一个可以自己部署的开源实现。

对独立创作者，这意味着成本结构变了：一次性买卡，之后按电费算。对小团队，这意味着可以把高清化排进夜间批处理，第二天早上收片。对平台方，这意味着不必再为每一次重生成付一笔过路费。

但它不是免费的午餐。跑它得有 H3-Base 的权重，得接受 768P 草稿的质量上限，还得有能扛住 2K 解码的显存。草稿如果本身构图错了、人物错了，重生成只会把错误修得更清晰。

生态已经跑在模型前面

H3 八月开源之后，一个月下载量超过 2400 万次，公开的衍生模型 300 多个，是今年下载量最高的模型之一。围绕它的工具链长得很快：LightX2V 出了四步和八步的 Turbo 蒸馏版，社区微调版 Singularity 专门调动作、面部和风格，FastVideo 做了四步的 FastH3 预览，Pika 出了六步采样的 H3 Flex，ComfyUI 和 Unsloth 各自做了适配和量化。

英伟达和 MIT 这个团队自己也没停：除了这次的视频增强，他们还发了基于 H3 Ref2VA 的流式渲染模型 StreamRender-H3，以及从 H3 视频 VAE 蒸馏出来的快速解码器 Sol-H3-VAE。

这种"基础模型开放、上层模块被外部团队一个个补齐"的节奏，其实是开源视频生态第一次跑通。它带来一个副作用：官方 API 的相对优势在缩小。当你可以在本地用三步去噪拿到更高的感知分，付费的理由就从"效果更好"变成了"省事"。

要不要试

如果你已经在用 H3 出片，这个仓库值得拉下来跑一遍，重点看两件事：你的素材在 2K 下的主体一致性，以及你的卡能不能在可接受的时间里完成解码。如果你只是偶尔生成几条短片，官方 API 依然更省心，22 秒的重生成时间在云端是别人替你等的。

真正该关注的是方向。视频生成正在从"一次成片"变成"草稿加精修"的两段式工程，而精修这一段，现在有了开源选项。接下来半年，决定一个创作者产出效率的，可能不是他用哪个模型生成，而是他的后处理流水线排得多顺。