HyperFlow H3 Flash krymper MiniMax-H3 til 13,7B: video med lyd på RTX 4090 på 2,5 minutter

Video Rebirth har lagt ut HyperFlow H3 Flash på GitHub og Hugging Face, en komprimert utgave av MiniMax-H3 som lager 5,2 til 15 sekunder video i 24 fps med et 32 kHz stereolydspor i samme kjøring. Transformeren er på 13,7 milliarder parametere for tekst- og keyframe-oppgavene (13,9 milliarder for referansemodusen med opptil 12 bilder, videoer og lydklipp), mot rundt 31 milliarder i originalen.

Tre grep står bak, ifølge repoet. Video Rebirth fjerner 3 av 50 transformer-blokker og faktoriserer 102 lineære lag til lav rang, kvantiserer 180 lag til W8A8 INT8 bak en Hadamard-rotasjon, og gir hvert token både nåværende støynivå og endepunktet for steget. Det siste er grunnen til at modellen klarer seg med 4, 6 eller 8 steg uten classifier-free guidance.

For hjemmebruk er GGUF-sporet det interessante. Q4_K_M er 9,1 GB og kjører i ComfyUI via egne noder, i Unsloth Studio eller i en patchet stable-diffusion.cpp. Repoet oppgir at den går på 24 og 32 GB-kort i maskiner med bare 16 GB RAM, mens 16 GB-kort ikke er målt ennå. I tillegg trenger du en tekstenkoder på 15,7 GB (Qwen3-VL-32B i nvfp4). Et 15 sekunders klipp tar 830 sekunder, nesten 14 minutter, på et 4090.

Koden er Apache 2.0, ComfyUI-nodene GPL-3.0. Vektene er derimot et derivat av MiniMax-H3 under MiniMax H3 Community License, og ifølge README-en dekker avtalen ikke bruk i EU, Storbritannia, Sør-Korea eller USA uten tillatelse fra MiniMax. Norge står ikke på lista, men EØS er heller ikke nevnt.

Hva bør du gjøre?

1. Start med Q4_K_M i ComfyUI og legg modellfilene på NVMe. Har maskinen 16 eller 32 GB RAM, start ComfyUI med --fast-disk, ellers går 16 GB-maskiner tom for minne på 15 sekunders klipp.
2. Bruk 4 steg til raske utkast og 8 steg når kvaliteten teller. 6 er standard.
3. Les lisensavtalen og Acceptable Use Policy på modellkortet før du bruker klippene i noe du publiserer.