← 返回博客
Ai预计阅读 7 分钟

两个开源视频模型这周都瘦身了,但都没给最关键的那一列

发布于 2026年11月8日
两个开源视频模型这周都瘦身了,但都没给最关键的那一列

11 月 7 日,Video Rebirth 发布了 HyperFlow H3 Flash,并把它送上 Hacker News。差不多同一天,Vimoo-AI 放出了 Vimoo 1.0 Lite 的 ComfyUI 权重。两个都是开源视频模型,都比各自的来源小了一大截,也都附了速度表。

但两篇发布缺的是同一列。

Video Rebirth 砍掉了什么

HyperFlow H3 Flash 是 MiniMax-H3 的少步压缩版。MiniMax-H3 是那个能同时生成画面和同步立体声的开源模型。transformer 从大约 31 billion 参数降到 13.7B,采样支持 4/6/8 steps。

项目里一位以 jiant 发帖的工程师列了三处改动。他们从模型的 50 个 block 里剪掉 3 个;把 102 个线性层分解成低秩形式;对 180 个线性层做 W8A8 INT8 量化,配一个 Hadamard 旋转。

第四处改动才是最有意思的,因为它根本不算压缩。他们加了一个双值条件方案,让每一步采样同时知道当前噪声水平和该落到哪里。正因为有它,模型才能不开 classifier-free guidance 就跑 4 到 8 步,而 CFG 通常正是把推理成本翻倍的那一环。

作者给出的数字是这样:1344×768 的 5.2 seconds 片段,6 步,四张 B200 上要 8.7 seconds,单张 H200 要 36 秒,单张 RTX 5090 要 92 秒。合作方做的 NVIDIA SOL-H3 推理引擎据说能在四张 Blackwell 级 GPU 上实时出片。输出时长 5.2 到 15 秒,24 帧每秒。

工作站这边有 GGUF 版本,从 Q3_K_M 7.2GB 一直到 15.2GB。README 推荐 24GB 显卡用 Q4_K_M 9.1GB 那个版本,并说在 16GB 系统内存的机器上,24GB 和 32GB 的卡都能跑。16GB 显卡标的是尚未测试,这种老实话在 README 里不多见。

两个开源视频模型的速度与参数对照示意

速度表藏了两个实际问题。第一次跑 Python 包,要下载大约 90GB,换成 FP8 文本编码器约 68GB。kernel 编译还要一分多钟。两件都不算致命,但都说明这模型不属于随手试试的那类软件。

Vimoo 砍掉了什么

Vimoo 1.0 Lite 大约 9.5 billion 参数,一个模型同时管文生视频和图生视频,另外配一个同模型的蒸馏 LoRA adapter。它自带文本编码器、视觉编码器、VAE、ComfyUI 节点和工作流模板。

许可证是 Apache 2.0,对多数读者来说这比跑分更值得关心。Apache 2.0 意味着可以商用,没有地域条款,没有仅限研究的附加条件,也不必走发邮件给作者那一步,而不少开源视频模型就把这一步埋在 model card 里。

最抓眼球的数字:1280×720、121 frames,蒸馏模型 9.7 seconds 出片。拿来对比的是开了 CFG 的 Wan 2.2,490 seconds。

这个对比承担的东西太多了,得小心看待。蒸馏模型和开了 CFG 的基座模型根本不是同一种测量。前者是训练过、会跳过 guidance 这一步的学生,后者是跑完整流程的老师。比出来只说明蒸馏这条路更快,这事谁都知道。它没告诉你学生交出去多少质量。

完整版 Vimoo 1.0 是建在 Dual-Stream MMDiT 上的混合设计,11.7 billion 参数,视频 VAE 采用 4×16×16 压缩、48 latent channels,提示词理解用 Qwen2.5-VL-7B,排版用 Glyph-ByT5-v2。Vimoo Enhancer 负责超分到 1080p。24fps 的 5 秒 720p 片段大约要 5 秒,这跟 Lite 的蒸馏数字不是一回事,脑子里最好分开存。

缺的那一列

这一周大概就是这个形状。三个开源视频模型以压缩版发布:HyperFlow H3 Flash、Vimoo 1.0 Lite,再往前还有 Pika H3 Flex。每个都告诉你删了多少参数、少了多少步、测出几秒、占多少 GB。没有一个告诉你输出变成了什么样。

Hacker News 上关于 HyperFlow 的讨论把反对意见说得很直。有人拿它类比:宣布一个 JPEG 压到一半大小,却不看压完长什么样。有人要求它跟原模型正面比。还有人指向项目的样片库,这既是标准答案也是标准问题:精选片段只能证明模型能出好帧,证明不了它多久出一次。

第三个人问它跟 FastVideo 的 FastH3 系列比如何,那系列他是在笔记本级别的卡上跑的。公开的那部分讨论里,作者没有回应。

对任何想选一个来用的人来说,缺口就在这里。这些压缩手法本身都合理。结构化剪枝、低秩分解、带旋转的 INT8、蒸馏、步数感知条件,每一种在图像模型里都有已知的代价曲线,因为画质可以逐张用 FID、GenEval 或者人工并排比。视频更难。时序一致性、运动连贯性、音画同步,没有哪个指标在压缩之后还站得住。

于是这个领域默认只用好公布的数字。参数好公布,秒数好公布,质量要一个评审、一次盲测、一个周末。

这类发布该怎么读

如果你真在为生产环境评估其中某一个,速度表是上限,不是方案。拿十条你本来就熟的提示词,走一遍现在的服务,再走一遍 9.1GB 那个版本,然后找人盲打分。一个下午的事,产出的正好是发布方漏掉的那一列。

商用上线之前,两个许可证都得看。HyperFlow 是 MiniMax-H3 的衍生物,所以继承了基座模型许可证的限制,而那个基座不是 Apache 2.0。Vimoo Lite 简单些,Apache 2.0 就是 Apache 2.0。

磁盘空间也要算进预算。首次下载 90GB,在服务器上不算事,在笔记本上很烦,就是这种细节能把五分钟的评估拖成两小时。

压缩竞赛是真的,也有用。一个能在单张 24GB 卡上跑的视频模型,和需要一整个节点的,本来就是两个产品。但这场竞赛比的是便宜好量的部分,而决定你能不能用它的那部分,没人写进表里。

自己跑一遍自己的数字。最后只有那张表,对你的提示词是真的。

相关文章