FastH3：MiniMax-H3 的开源加速衍生模型

1. 简介

FastH3 是加州大学圣地亚哥分校（UCSD） Hao AI Lab 团队基于 MiniMax-H3 开发的开源加速衍生模型，属于其开源视频生成框架 FastVideo 的一部分。

MiniMax-H3 是一款能够同步生成视频和音频的多模态生成模型，但其庞大的模型规模和较高的计算开销，使本地部署和视频生成的成本较高。

FastH3 并没有从零训练一个全新模型，而是在 MiniMax-H3 的基础上，通过少步蒸馏、稀疏注意力、模型量化与剪枝等技术，减少生成过程中的计算量和资源消耗。

2026 年 8 月发布的首个预览版本，在 NVIDIA B200 测试条件下实现了约 14 倍加速。此后，陆续推出 V2、Trim、QAD-v2 和 Omni 等版本，将优化重点从生成速度扩展到画质、显存占用、消费级硬件适配以及参考素材生成能力。

FastH3 的目标是在尽可能保留 MiniMax-H3 生成能力的前提下，让视频生成更快、资源需求更低，并能够运行在更多类型的硬件上。

项目关系

• MiniMax-H3：由 MiniMax 开发的基础音视频生成模型。
• Hao AI Lab：UCSD 的人工智能研究团队，负责 FastH3 相关研究与开发。
• FastVideo ：Hao AI Lab 推出的开源视频生成加速框架，提供模型训练、推理及相关优化能力。
• FastH3：基于 MiniMax-H3 进行蒸馏和优化的加速模型系列，依托 FastVideo 提供相应的推理支持。

2. 核心技术：FastH3 为什么快？

视频扩散模型通常需要经过多轮计算，逐步将随机噪声转化为清晰的视频画面。视频越长、分辨率越高，需要处理的数据通常也越多。

FastH3 的优化主要围绕三个问题展开：减少计算次数、降低每次计算的成本，以及减少模型占用的资源。

2.1 少步蒸馏（Step Distillation）：减少生成步骤

原版 MiniMax-H3 需要约 49 次扩散模型计算，才能完成一次视频生成。可以把这个过程理解为绘画：原本需要反复修改几十次，才能逐渐形成最终画面。

少步蒸馏则是通过训练，让模型学会用更少的步骤完成类似的工作。FastH3 采用蒸馏技术，将原版模型的生成能力迁移到经过优化的模型中：

• Preview v1：将计算次数减少至 4 次，重点追求生成速度。
• V2：采用 8 步生成，在速度与画质之间取得更好的平衡。

需要注意，步骤减少并不意味着画质一定不变。蒸馏后的模型需要重新学习如何在更少的计算步骤中生成高质量内容，因此生成效果取决于蒸馏方法和训练质量。

2.2 稀疏注意力（Sparse Attention）：减少不必要的计算

视频生成过程中，模型需要分析不同画面区域之间的关系。例如，人物移动时，模型需要关注人物的位置、动作以及前后帧之间的变化。

传统的密集注意力（Dense Attention）会计算大量位置之间的关联，但并不是所有关联都同样重要。

稀疏注意力的核心思想，是优先计算重要的关联，跳过一部分贡献较小的计算。

FastH3 使用 Hao AI Lab 研究的 VSA（Video Sparse Attention）技术，对视频部分的注意力计算进行优化。

在最初的 Preview v1 中，视频注意力采用约 90% 的稀疏度，即只计算经过筛选的约 10% 的视频区域关联，而文本和音频部分仍保留密集注意力。

这使得 FastH3 不仅减少了生成步骤，还进一步降低了每一步的计算开销。

2.3 模型量化（Quantization）：降低显存需求

MiniMax-H3 的原始模型权重规模很大，使用 BF16 精度时，完整模型权重合计约 137.7 GiB，远超普通消费级显卡的显存容量。

模型量化通过降低权重等数据的表示精度，减少模型占用的存储空间和显存。将原本使用较高精度记录的数据，改用更紧凑的方式保存，同时尽量控制精度降低带来的影响。

FastH3 针对不同硬件提供不同的量化方案：

• NVFP4：主要面向支持相应计算能力的 NVIDIA Blackwell GPU。
• FP8：用于 RTX 4090 等 GPU。
• INT6：用于 Apple Silicon 的 MLX 推理方案。

量化的主要收益是降低内存与显存需求，但不保证所有硬件上的推理速度都会同步提高，实际效果还取决于计算内核和硬件支持。

2.4 模型剪枝（Pruning）：进一步缩小模型

除了量化，FastH3 还尝试直接减少模型内部的计算结构。

2026 年 10 月推出的 FastH3 Trim 是一个实验性精简版本。它从原有的 50 个 Transformer 模块中移除了 8 个，并结合其他压缩技术，进一步降低模型体积和运行资源需求。在尽量保持整体生成能力的前提下，移除一部分相对不重要的计算结构，让模型变得更加轻量。

官方测试中，Trim 在限制为 8 GB 显存的 RTX 4090 上能够运行，但这不代表所有真实的 8 GB 显卡都能达到相同的兼容性和性能。

剪枝可能影响复杂场景中的细节表现，因此 Trim 更适合显存受限、对生成速度有较高要求的场景。

小结

FastH3 的加速并不依赖某一种单独的技术，而是多种优化手段的组合：

这些技术共同推动 FastH3 从最初面向高端 GPU 的加速实验，逐渐发展为覆盖消费级 GPU、DGX Spark 和 Apple Silicon 的模型系列。

3. 发展历程

FastH3 自 2026 年 8 月首次发布以来，经历了从生成加速、硬件适配、画质优化，到参考素材生成的持续演进。

对应 Hao AI Lab 的 6 篇关于 FastH3 文章。

3.1 Preview v1：首次实现大幅加速（2026-08-27）

文章标题：FastVideo FastH3 V1：开放权重的 4 步稀疏蒸馏版 MiniMax H3，在 NVIDIA Blackwell GPU 上实现 14 倍加速

FastH3 的首个预览版本 FastH3 Preview v1，主要面向文本生成视频与音频（T2VA）。

将原版 MiniMax-H3 约 49 次扩散模型计算减少到 4 次，并结合 VSA 稀疏注意力，进一步降低每次计算的开销。

在官方测试中，单张 NVIDIA B200 生成一段 15 秒、768p 的音视频，耗时从原版约 679 秒缩短至约 47 秒，实现约 14.4 倍加速。使用 8 张 B200 时，生成耗时进一步降低至约 12.9 秒。

意味着在特定的多 GPU 配置下，生成一段视频所需的时间已经短于视频本身的播放时长，即所谓的“快于实时”（Faster than Real-Time）。

Preview v1 主要面向高端计算设备，尚不适合普通消费级 GPU。

意义：证明通过少步蒸馏与稀疏注意力，可以大幅降低 MiniMax-H3 的生成耗时。

3.2 本地化：从数据中心走向个人设备（2026-09-02）

文章标题：FastVideo FastH3 走向本地：在 NVIDIA DGX Spark 和 Apple Silicon 上实现 7 倍加速

开始将 FastH3 扩展到本地部署，支持两类设备：

• NVIDIA DGX Spark：支持单台运行，也可以通过两台设备协同生成同一段视频。
• Apple Silicon：通过 MLX 框架运行，并提供 INT8、INT6 和 INT4 等量化权重，降低模型的内存需求。

Mac 版本需要至少 36 GB 统一内存。团队还引入了更轻量的 VAE 解码方案，用于快速预览生成结果。

VAE 可以理解为生成过程中的“内容还原器”：模型先在压缩的潜在空间中处理视频和音频信息，再通过对应的解码器还原为可观看的画面和可播放的声音。轻量视频 VAE 能加快画面解码，但可能损失头发、布料和远景等细节。

该阶段扩展了硬件支持，但本地生成速度仍然有限，距离普通用户高效使用还有一定差距。

意义：FastH3 开始从数据中心级 GPU 走向本地设备，硬件适配成为新的优化方向。

3.3 V2 与 Trim：兼顾画质、速度和显存（2026-10-06）

文章标题：消费级硬件上的 FastH3：支持 RTX 显卡、DGX Spark 和 Mac，另有 FastH3 Trim

推出了 FastH3 V2 和 FastH3 Trim，将支持范围扩展至 RTX 5090、RTX 4090 等消费级显卡。

FastH3 V2：以更多步骤换取更好的画质

Preview v1 采用 4 步生成，重点追求速度；V2 则增加至 8 步，以改善生成质量。

虽然生成步骤增加，但通过量化和推理优化，V2 仍然能够在消费级硬件上运行。官方还报告，V2 在其展示的测试中，画质已经超过基础版 MiniMax-H3。

FastH3 Trim：进一步缩小模型

Trim 是一个实验性的精简版本。团队从原有的 50 个 Transformer 模块中移除了 8 个，并结合量化、文本编码器压缩和轻量 VAE 等技术，进一步降低模型体积。

官方公布的完整模型权重体积，从基础版约 137.7 GiB 降低至 Trim NVFP4 方案的约 33.0 GiB。

Trim 还在限制为 8 GB 显存的 RTX 4090 上完成了运行测试。不过，这并不意味着任意 8 GB 显卡都能获得相同的运行效果。

两者的定位有所不同：

• V2：优先考虑生成质量，适合显存相对充足的设备。
• Trim：优先降低资源需求，适合显存有限或更看重生成速度的场景。

意义：FastH3 不再只是追求极限速度，而是开始在画质、速度和硬件成本之间提供不同选择。

3.4 QAD-v2：改善量化后的生成质量（2026-10-19）

文章标题：FastH3-QAD-v2 与 NVFP4 VAE 解码器：画质更好、解码更快，并支持社区 LoRA

FastH3 开始广泛使用低精度量化，在降低显存占用的同时保持画质，成为新的优化重点。

团队发布了 FastH3-QAD-v2，引入量化感知蒸馏（Quantization-Aware Distillation，QAD）。

普通量化通常是在模型训练完成后，将权重转换为更低的精度。而量化感知蒸馏则让模型在训练过程中适应低精度计算带来的影响，从而减少量化造成的质量损失。

QAD-v2 的目标是在不改变 V2 模型架构、显存占用和文件布局的情况下，进一步改善生成质量。

同次更新还包括：

• NVFP4 VAE 解码器：提供不同规模的解码器，在还原质量和解码速度之间进行取舍。
• 社区 LoRA 支持：FastVideo 可以直接加载为 MiniMax-H3 训练的部分社区 LoRA，包括常见的 ComfyUI 格式。

其中，官方报告的轻量 8 层 VAE 解码器，相比其对照方案实现约 15 倍解码加速。需要注意，这属于解码阶段的性能提升，并不代表完整视频生成流程加速 15 倍。

意义：优化重点从“让模型跑得起来”进一步转向“在低精度条件下保持更好的生成质量”。

3.5 Omni：扩展到参考素材生成（2026-10-20）

文章标题：FastVideo FastH3 Omni：开源的实时 MiniMax FastH3 Ref2VA，支持 NVIDIA Blackwell、RTX Spark 和 RTX GPU

此前的 FastH3 主要围绕文本生成音视频进行优化，而 MiniMax-H3 本身还具备参考素材生成能力。

2026 年 10 月，团队推出 FastH3 Omni，将加速能力扩展至 Ref2VA（Reference-to-Video-and-Audio），即利用参考图片、视频和音频等素材生成新的视频内容。

与纯文本生成不同，参考生成需要模型在创作过程中持续理解并利用输入素材，例如人物外观、场景特征或音频信息。

为了加速这一过程，Omni 结合了两种蒸馏技术：

• DMD（分布匹配蒸馏）：帮助学生模型学习生成结果的整体分布，使其在更少步骤下仍能生成合理的内容。
• PDD（并行解码蒸馏）：让模型在一次计算中预测多个去噪更新，从而减少连续计算的次数。

DMD 更关注生成结果的质量，PDD 则尝试让模型一次完成更多原本需要逐步执行的计算。

两者结合，使 FastH3 能够在参考素材生成场景中继续降低延迟。

意义：FastH3 从加速文本生成音视频，进一步扩展到利用多种参考素材进行创作。

3.6 Omni 本地化：参考生成走向更多硬件（2026-10-21）

文章标题：FastH3 Omni 现可本地运行：DGX Spark、RTX 与 Apple Silicon 全覆盖

Omni 发布后，团队进一步展示了它在不同本地硬件上的运行能力，包括：

• NVIDIA DGX Spark
• RTX 系列 GPU
• Apple Silicon（M5 Max）

例如，在 RTX 5090 上，团队通过预计算表替代部分时间步投影权重，并调整文本编码器的加载方式，减少模型运行时的显存压力。

在相同提示词、参考素材和随机种子的条件下，团队展示了 Omni 在不同设备上的端到端生成流程。

这说明参考生成能力已经不再局限于数据中心 GPU，但不同设备的运行速度、内存需求和支持方式仍存在明显差异。

意义：FastH3 的本地化从基础文本生成进一步扩展到更复杂的参考素材生成。

脉络总结

从整个发展过程来看，FastH3 的技术路线并非简单地不断追求更高的加速倍数，而是逐步解决视频生成在实际应用中的不同瓶颈：

生成速度 → 硬件门槛 → 画质与显存 → 参考生成能力 → 本地化部署。

这一演进过程也反映出 FastH3 的定位变化：从最初针对 MiniMax-H3 的推理加速实验，逐渐发展为面向不同硬件和生成需求的优化模型系列。

4. 版本

目前的版本有 Preview v1、V2、Trim、QAD-v2 和 Omni 等版本。

这些版本并非简单的线性升级关系，而是针对生成速度、画质、显存占用和输入模式等不同需求进行优化。

4.1 主要版本对比

需要注意，QAD-v2 并不是独立于 V2 的全新生成模式，而是对 V2 量化模型的进一步优化；Trim 则是侧重模型精简的实验性方案。

Omni 的主要区别在于输入能力和生成任务，而不只是速度或画质。

4.2 按生成需求选择

纯文本生成音视频（T2VA）

如果只需要根据文字描述生成带声音的视频，V2 是较适合优先了解的版本。

它在 Preview v1 的基础上增加生成步骤，以改善画质，同时通过量化和工程优化支持更多硬件。

如果希望进一步降低显存需求，可以考虑 Trim；如果使用兼容的低精度推理方案，也可以关注 QAD-v2。

Omni 也可以通过兼容的推理框架执行文本生成任务，因此不必仅根据版本名称判断其支持的输入模式。

参考素材生成（Ref2VA）

如果需要提供人物图片、场景视频或音频作为生成参考，应重点关注 Omni。

Omni 针对 MiniMax-H3 的参考生成能力进行了专门的蒸馏和推理优化。值得注意的是，Omni 并非只能用于参考生成，WanGP 已提供相应的模型集成，也可以使用 Omni 进行文本生成视频。

目前已在 WanGP 中验证 Omni 的文生视频功能，首帧、尾帧及首尾帧控制能力仍有待进一步测试。

因此，选择 FastH3 时，除了模型本身支持的生成能力，还需要确认具体推理框架开放了哪些模式。

4.3 按硬件条件选择

下表汇总 FastVideo 官方公布的主要硬件适配方案。不同版本的测试条件、量化格式及推理实现可能不同，表格仅表示已有对应支持或运行案例，不代表性能相同。

这里的硬件支持主要依据 FastVideo 官方实现和测试结果，不代表所有第三方推理框架都能直接加载相同权重。

4.4 速度、画质与资源的取舍

不同版本的选择，本质上是在三个因素之间取得平衡：

• 速度：生成耗时越短，越适合快速预览、批量生成或交互式应用。
• 画质：更多生成步骤和更完整的模型结构，通常有利于保留复杂运动与细节，但实际质量仍取决于训练和优化效果。
• 资源：量化、剪枝和内存管理能够降低硬件门槛，但可能带来性能或画质方面的取舍。

以 Preview v1、V2 和 Trim 为例：

Preview v1 优先追求极低延迟；V2 更重视生成质量和消费级硬件适配；Trim 则进一步降低模型体积与显存需求。

三者并不存在适用于所有场景的绝对优劣。

4.5 选择建议

对于首次接触 FastH3 的开发者，可以遵循以下顺序：

1. 先确认生成模式：纯文本生成关注 V2、Trim 等；参考素材生成关注 Omni。
2. 再确认硬件条件：根据 GPU 架构、显存或统一内存容量选择对应的模型和量化格式。
3. 最后比较速度与画质：优先参考相同硬件、分辨率、时长和生成模式下的测试结果。

如果主要目标是本地部署和实际创作，通常没有必要从最早的 Preview v1 开始尝试。更合理的方式是优先了解当前适配自己硬件、支持所需生成模式的版本。

FastH3 的版本选择，不是简单地选择最新版本，而是选择与生成需求、硬件条件和推理框架相匹配的方案。

5. 性能与限制

FastH3 通过少步蒸馏、稀疏注意力和模型压缩，显著降低了 MiniMax-H3 的生成耗时与硬件门槛。

不过，实际性能并不只取决于模型版本，还受到 GPU 架构、显存容量、视频分辨率、生成时长和推理框架等因素影响。

5.1 生成速度：FastH3 到底快多少？

FastH3 最初受到关注，主要来自 Preview v1 在 NVIDIA B200 上实现的大幅加速。

官方测试使用 1344×768 分辨率、24 FPS、包含音频的视频生成任务，对比原版 MiniMax-H3 与 FastH3 Preview v1 的端到端耗时。

测试条件：单张 B200，Preview v1，768p，包含音频；数据来自官方公布的预热后测试结果。

可以看到，FastH3 的加速效果并不是固定倍数，而是随着生成时长等条件变化。

在 8 张 B200 的配置下，FastH3 生成 15 秒音视频仅需约 12.9 秒，首次实现了快于实时的生成速度。

这里的“实时”指生成耗时短于最终视频的播放时长，并不代表可以像视频通话一样持续、低延迟地输出画面。

5.2 消费级 GPU：RTX 4090 与 5090

相比数据中心 GPU，消费级显卡的实际表现更能反映 FastH3 的本地部署价值。

2026 年 10 月发布的 V2 和 Trim 已经支持 RTX 4090、5090 等设备。

以下为官方在生成 5 秒、带音频视频时的测试数据：

480p 为 832×480，768p 为 1344×768；数据来自 FastH3 V2 / Trim 官方测试。

从数据中可以观察到几个现象：

首先，分辨率对生成耗时影响明显。 在 RTX 4090 上，V2 生成 5 秒 768p 视频约需 155 秒，而 480p 约需 55 秒。

其次，Trim 通常比 V2 更快。 这与它采用模型剪枝、降低计算规模的设计目标一致，但具体速度优势随硬件和分辨率变化。

最后，GPU 架构同样重要。 RTX 5090 不只是显存容量更大，还能利用 Blackwell 架构提供的 NVFP4 等计算能力；RTX 4090 则主要采用 FP8 优化路径。

因此，即使使用相同的 FastH3 版本，不同 GPU 的性能也可能存在明显差异。

5.3 显存需求：8 GB 显卡真的能运行吗？

FastH3 Trim 的一项重要成果，是将大型视频生成模型的运行门槛进一步降低。

官方报告显示，Trim 在 RTX 4090 上通过限制可用显存的方式，成功完成了 8 GB 显存条件下的 480p 视频生成测试。

但这里需要区分两个概念：

• 模型能够运行：通过量化、分层加载和内存管理等方式，在有限显存条件下完成推理。
• 模型能够高效运行：模型计算与数据传输不受到严重的内存瓶颈影响，具有实际可接受的生成速度。

显存不足时，推理框架可能需要频繁在系统内存和 GPU 显存之间转移数据，导致生成耗时增加。

另外，官方的 8 GB、12 GB 和 16 GB 测试是在 RTX 4090 上人为限制显存完成的，并不等同于真实低端显卡的性能。

因此，8 GB 是特定测试条件下的可运行结果，而不是对所有 8 GB 显卡的兼容性保证。

对于 RTX 4090 24 GB，V2 与 Trim 都有官方测试数据，可以作为本地部署时的重要参考。

5.4 画质与速度的取舍

FastH3 的目标是在减少计算量的同时，尽可能保持原版 MiniMax-H3 的生成质量。

但不同优化技术仍然可能影响最终画面：

• 少步蒸馏：减少生成步骤后，复杂运动、场景一致性或细节可能受到影响。
• 模型剪枝：Trim 移除部分 Transformer 模块，可能降低复杂场景的细节表现。
• 模型量化：降低计算精度可能引入误差，需要通过校准或量化感知训练控制质量损失。
• 轻量 VAE：可以加快视频解码，但头发、布料、远景等细节可能不如完整 VAE 清晰。

值得注意的是，官方在 V2 发布时表示，8 步蒸馏版本的生成质量已经超过基础版 H3。

这说明生成步骤更少，并不必然意味着画质更差。经过适当训练的蒸馏模型，可能在特定评估条件下取得更好的表现。

不过，画质评价还涉及提示词、运动复杂度、音画同步和主观偏好，不能仅凭少量演示视频认定某个版本在所有场景下都更好。

5.5 功能与部署限制

除了性能和画质，使用 FastH3 时还需要关注以下限制。

生成模式并不完全相同

Preview v1、V2 等版本主要围绕文本生成音视频（T2VA）进行优化；Omni 则针对参考素材生成（Ref2VA）提供独立的加速方案。

不同生成模式可能需要不同的模型权重，不能简单互换。

依赖特定的推理实现

FastH3 的加速效果不仅来自蒸馏后的模型权重，还依赖 VSA 稀疏注意力、专用计算内核和其他推理优化。

因此，下载模型权重并不意味着可以在任意推理框架中获得相同的性能。

使用 WanGP、ComfyUI 等第三方工具时，需要确认其对具体 FastH3 版本、权重格式和优化算子的支持情况。

模型仍然需要较多内存资源

量化和剪枝降低了模型的显存需求，但不意味着完整模型都能常驻显存。

部分部署方案仍然需要借助系统内存、分层加载或 CPU Offload 等机制完成推理。

许可限制

FastH3 基于 MiniMax-H3 的开放权重开发，并沿用相应的社区许可要求。

开放权重不等于可以不受限制地商用。正式部署前，应阅读对应模型版本的许可证，确认适用区域及商业使用条件。

小结

FastH3 的价值不仅体现在最高约 14 倍的生成加速，更在于通过蒸馏、稀疏注意力、量化和剪枝，让原本依赖高端计算设备的视频生成模型逐渐能够运行在消费级硬件上。

但能运行、运行得快、生成质量好，是三个不同的问题。

实际选择时，应结合生成模式、硬件条件、视频规格和推理框架支持情况进行评估，而不是只参考最高加速倍数或最低显存要求。

6. 资源

官方项目

官方技术博客

Hao AI Lab 在 2026 年 8 月至 10 月期间，连续发布了六篇 FastH3 技术博客，完整记录了其从初始加速到本地部署、画质优化和参考生成的演进过程。

阅读建议： 如果只想快速理解 FastH3 的技术原理，优先阅读 8 月 27 日的 Preview v1；如果关注消费级 GPU 和本地部署，重点阅读 10 月 6 日的 V2 / Trim；如果需要利用参考图片、视频或音频生成内容，则重点阅读 10 月 20 日的 Omni。

相关论文

以上论文主要用于进一步理解 FastH3 背后的技术思想，并非使用 FastH3 的必要前置知识。