MiniMax Fast H3 の ComfyUI 量化版がさっそくKijaiさんが公開されたので試してみた。5秒のビデオの生成が4090で49秒。いつも使っているLightX2V＋Sage 8-step T2Vより約3.8倍生成速度が速い。プロンプトは適当にCodexに作らせたものを10本結合。

画像サイズは1344×768

これは，4~5ステップですか？ FastH3は低ステップでもしっかりしている印象です。動きが少ないと3ステップでも割といけます（添付）。 細いものが素早く動くと6ステップ以上は必要ですが，ダメなら上げればよいでいけるので，結構使える印象です。

すべてステップ４です。６なら動きいけますか、試してみます。

ご参考までに，3ステップから8ステップまで試してみました。

5でもかなり良くなりますね、情報ありがとうございます。

どうも、文献を調べていると、4ステップに最適化して作っているらしく。ステップを変えても効果がないという意見も見ます。

ありがとう御座います。DMD2でデノイジングに指定があったんですね。ハグフェイスのv0.2のリポジトリをみるまで気付きませんでした。カスタムシグマで指定すれば4stepで良いかもしれません。スケジューラに何を使うかとステップによって，指定に近付くかどうかが変わって効果も違いそうです。

公式のノイズ除去のスケジュールをChatGPTにsigmaにしてもらったのですが，simple + 4stepと完全一致でした。 video shift 12.0 + simple + 4stepが公式に一番近い設定のようです。これを軸にノイズが載ったらbeta+6stepなどを試してみます。

すいません、昨日Turbo LoRAと大差ないとお話ししましたが、Fastのモデル自体、と言うよりもVSA最適化カーネルなどの効果で早くなってるみたいです 試しにH3モデルをblackwellでnvfp4化してみたらnf4より1.4倍近く高速化して、H100だとシングルGPUでも10秒台が出せそうです

3.8倍速いのは羨ましい。 自分もFreqtradeの推論周りをquantizeしてから体感速度は上がったけど、たまに精度が落ちてることに気づかず本番で結果がズレて青くなったことある。 速度だけ見て中身の検証サボると普通に痛い目見る。

動きが速いとノイズが乗ったりしますが、それでも、結構質が高いですね。

こういうトレードオフ、登録者28万人でYouTubeを辞めた時も近いのがあった。伸びが早い動画ほど粗さに気づくのが遅れる。

4090 上 5 秒视频 49 秒生成，这个效率已经进入'可迭代'区间了——能快速看结果重跑，创作流程才算成立。量化版这么快放出，开源生态的响应速度是真快。

falの様には速くないですが、普通に十分ですね☺ ただ、H3で個人的に一番不満なのがゴースト(？)チラつき(？)なので速く治ってくれないかな〜

その辺なおるのかな？だいぶ推論をスキップして高速化しているので、傾向としてはなおりにくいかもしれない気もしますがわからないですね。

@blizaine i am sure you know but just in case 👆

4090で49秒という実測、参考になります。解像度・フレーム数と初回ロードを含むかも分かると再現しやすそうです。高速化前後で崩れやすい動きが変わるかも気になります。

Thank for sharing 🙏 . The audio still a little bit noisy

そうですね。ちょっとノイズがありますね。

Yes 😁 lol

49秒だと気軽に何本も回せますね。量化版のほうは品質の劣化は気になりませんでしたか

やはり、早い動きだと不安定化します。バトルとかそういうのですね。それでも、品質的には、他の高速化手法と同等か、それ以上の品質の印象です。

falの人が言うほど悪くはないようですね😀

これだけ出て、これだけ軽ければ十分ですね。

✅

5秒動画が約49秒は、試行回数を増やせる実用的な速度ですね。生成速度が上がるほど、プロンプトより選定・編集・一貫性の設計が差になりそうです。

Speed is nice, but how's the temporal consistency?

15秒なら大丈夫。

4090で5秒動画49秒はかなり実用域ですね。従来構成との3.8倍差まで数値であると判断しやすいです。品質面では動きの破綻やプロンプト追従性に差を感じましたか？

AI slop!

「俺がAI Slopだ！」

約3.8倍という相対値があることで、Fast H3の量化版を既存ワークフローの速度感に重ねて判断しやすくなりますね。

Everything is good except that the faces of the people dancing on the staircase are not very clear and get distorted. Is this problem present in the model with full steps too or just with the less steps?

そもそもが、FastH3は、動くところの処理を捨てることで高速化を実現しています。これはある程度仕様だと思います。また4ステップに最適化しているので、ステップ数では改善しないと思われます。ただ1300ステップなので、今後、改善の可能性があると思います。まだPreview1ですし。

Crazyyyy

3.8x speedup is insane

同じ4090で試しましたが、自分の場合はComfyUI量化版で画像生成が1分15秒くらいでした。ビデオだとフレーム処理でさらに時間がかかる印象です。プロンプト連結は手間が省けて効率的ですね。

5090 ile kaç saniyede bitebilir?

can u share the workflow? ai did one for me but it take lot longer and i have a 4090 as well

私のワークフローはCodexに調べて改造して作るように指示してるので、ワークフロー自体は私は全く見てないんですよ。ビルドが必要でその辺も全部Codexがやってくれています。

How does the visual quality hold up against the 8-step workflow at that speed?

FastH3は4ステップに固定されているので8で生成しても効果はないです

I suspect the sound was crap though. But please publish the workflow so we can check it out.

这个依赖kitchen吗？

僕もいつか絶対MiniMax Fast H3 使うんだ🌈

しごい