MK@Phoenix

在单张显卡上跑 MiniMax 音视频大模型，生生从 6 分钟压到了 56 秒！💥 NVIDIA Research 刚刚开源了 Sol-H3：在单台 DGX Spark 上，完整端到端生成 768p（1344×768）、5 秒、带原生同步音频的高清视频，仅耗时 56.17 秒，提速整整 6.7 倍！ 显存戏法： 【常驻显存 116.9G】：DGX Spark 显存上限 119.7G，官方原版 133G 根本塞不下。团队通过 NVFP4+FP8 全链路模型常驻，零模型权重加载等待。 【VAE Adapter 潜空间直通】：384p 粗草稿直接映射进 LTX-2.5 潜空间精炼，跳过视频像素解码与重编码，单此一项硬生生砍掉 24 秒！ 【Prompt Caching 砍掉文本编码器】：精炼阶段仅用一段通用的画质增强 Prompt 并提前缓存，运行时彻底将 Gemma 移出显存。 【自研 Sol-Attn】：训练无关的动态稀疏注意力，算子速度比 FlashAttention-4 快 3.1 倍。 实测耗时拆解： • Qwen 文本编码：1.3s (2.4%) • H3 4-step 草稿生成：19.8s (35.2%) • VAE Adapter 转换：2.1s (3.8%) • LTX 3-step 超分精炼：24.7s (44.0%) • 最终解码与封装：7.7s (13.8%) 开源视频大模型从“离线跑一天”到“秒级可用”，全栈系统优化的威力终于显现了。 👇 论文与开源项目主页放在评论区第 1 条，建议转发收藏备查！