斯坦福开源 pi-H3:RTX 3090 本地 40 秒内生成 5 秒 768p 带声音视频
单张 3090 就能本地跑视频生成,480p 5 秒只要 15 秒,还带声音。它砍掉了 VAE 解码环节,和常规视频模型比省了大量等待时间。有老显卡想本地刷视频草稿的可以直接照着 ComfyUI 教程装起来。
斯坦福研究者开源了 MiniMax H3 视频模型的极速版 pi-H3,支持文字和图片生成,已适配 ComfyUI。实测单张 24G 显存的 RTX 3090 跑 2 步压缩版,480p 5 秒视频约 15 秒出片,768p 5 秒视频 35 到 39 秒,10 秒约一分半。
速度提升来自两处改动:一是把原版几十次的去噪迭代压缩到 2 到 4 步;二是砍掉 VAE 解码器这道翻译工序,让主模型最后一步直接输出画面。在仅 2 步去噪的情况下,VAE 解码原本会吃掉三四成时间,砍掉后收益才明显。
需要注意两个前提:主模型压缩后接近 21G,官方未提供低显存配置;直接输出画面仍属实验阶段,2 步适合简单镜头,抠动作细节需切 4 步,耗时翻倍。最划算的用法是本地免费刷草稿试节奏,选中后再上 4 步或云端出成片。
老显卡 RTX 3090 本地生成 5 秒 768p 带声音视频,不到 40 秒!!
昨晚斯坦福研究者开源了视频模型 MiniMax H3 的极速版 pi-H3 支持文字和图片生成,装进本地生视频工具 ComfyUI 就能跑
它凭什么能跑这么快?
普通 AI 视频慢,主要卡在两道工序 第一道是反复改草稿,原版要修几十遍,pi-H3 直接压到了 2 到 4 步
但压到 2 步后,还卡着第二道工序 模型算出来的只是压缩数据,肉眼看不了 还得交给专门的翻译模块,也就是 VAE 解码器,一帧帧还原成画面
以前修几十遍,翻译花的时间不显眼 一旦压到 2 步,光等它翻译画面就要吃掉三四成时间!
pi-H3 干脆把这道翻译工序砍掉了,让主模型最后一步直接吐出画面
作者用单张 3090 跑 2 步压缩版实测: 480p 5 秒只要 15 秒左右,10 秒大概 37 秒 768p 5 秒只要 35 到 39 秒,10 秒大概一分半
听着挺香,对不对?
但翻完官方仓库文档,有两件事得提前说清楚:
1. 不到 40 秒是有前提的 实测用的是解锁过算力的 24G 显存 3090,没算加载模型和读提示词时间 光压缩后的主模型就快 21G,官方没给低显存配置,小显存显卡先别急着折腾
2. 别把 2 步当电影成片看 作者自己也坦白,直接出画面还在实验阶段 2 步跑简单镜头够用,想抠动作细节还得切 4 步,花的时间翻倍
所以最划算的用法,是拿它在本地免费刷草稿、试镜头节奏 挑中满意的再切 4 步或上云端旗舰出成片,省下一大笔试错抽卡钱
权重、ComfyUI 教程和在线试玩入口都在主页,直接看下面👇 https://t.co/eJG74nbrFc
本条情报归属 AITOP「模型」核心栏目,重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中,该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」「中美大模型技术代差与商业化对照」研究主线,反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括:pi-H3、MiniMax、ComfyUI、视频生成,读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明:本文原始线索采编自「Lxfater」(@lxfater),经 AITOP 多维评分管线结构化提炼。