/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
veda_tile_score_predictor · dense
Базовая модель
MiniMax-H3
Опубликована
1 окт 2026

Minimax-H3-T2VA-Veda-8NFE-600Step-Preview

Генерация видеоТекст → видео3 профессии

Производная модели Veda-Sparse/Minimax-H3-T2VA-Veda-8NFE-600Step-Preview. Разреженный предсказатель Veda для MiniMax-H3 ускоряет генерацию видео со звуком, сокращая вычисления внимания.

189скачиваний за 30 дней2лайкавеса обновлены1 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Карточка модели Shishir1996/Minimax-H3-T2VA-Veda-8NFE-600Step-Preview на Hugging Face совпадает с карточкой Veda-Sparse/Minimax-H3-T2VA-Veda-8NFE-600Step-Preview, поэтому описание составлено по ней.

Veda-Sparse — обученный разреженный предсказатель внимания для MiniMax-H3, разработанный проектом Veda. Он ускоряет генерацию видео со звуком, выбирая наиболее важные блоки внимания: в описанном режиме сохраняется 10% внимания, а остальное пропускается. Предсказатель не меняет веса и стиль базовой модели и совместим с LoRA и дообученными вариантами MiniMax-H3.

Контрольная точка обучена и оценена с MiniMax-H3-Turbo-Lora для генерации за 8 шагов. В README заявлены ускорение вычисления внимания до 6,8 раза и ускорение генерации целиком до 3,1 раза при качестве изображения и звука на уровне полного внимания; результаты зависят от GPU и длины ролика. Модель предназначена для конвейера text-to-video на базе Miowtion и требует соответствующего программного обеспечения и GPU. Лицензия указана как other, поэтому перед использованием следует проверить её условия.

Сценарии применения

  • ускорение генерации видео по текстовому запросу
  • ускорение создания роликов со звуком на MiniMax-H3
  • сокращение времени инференса при генерации длинных видео

Ограничения

Результаты ускорения зависят от GPU и продолжительности видео; в README контрольная точка оценивалась с MiniMax-H3-Turbo-Lora для генерации за 8 шагов. Для запуска требуется Miowtion и совместимое GPU-окружение; условия лицензии other нужно уточнить.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Miowtion

Veda-MiniMax-H3-T2VA (Preview)

Paper · Project Page · Code · Turbo LoRA · Deployment Guide

Introduction

Veda is a learned sparse-attention method for video diffusion models. Attention dominates the inference cost of video diffusion, yet only a small fraction of it contributes meaningfully to the output. Veda trains a lightweight predictor, distilled from the full model, to identify the most important 10% of attention and skip the rest.

This repository provides the Veda predictor for MiniMax-H3 text-to-audio-video generation.

Highlights

  • Faster inference. Up to 6.8× attention speedup and 3.1× end-to-end speedup, with larger gains on longer videos.
  • Preserved quality. Visual and audio quality on par with full attention while skipping 90% of it.
  • Plug-and-play. Veda is not a LoRA: it leaves the backbone weights and style untouched and only changes how attention is computed. It is compatible with any LoRA and with fine-tuned MiniMax-H3 variants.

This checkpoint is trained and evaluated with MiniMax-H3-Turbo-Lora for 8-step generation.

Samples

Comparison between full attention (left) and Veda (right) under the same prompt, seed and Turbo LoRA. All videos are 16:9, 14.4 s, generated on a single RTX PRO 6000 Blackwell GPU. Generation time is shown in each title bar.

Raw files are available under media/.

Performance

Speedup per denoising step relative to full attention (MiniMax-H3 + Turbo LoRA, 10% attention kept).

GPUClipAttention speedupEnd-to-end speedup
RTX PRO 6000 Blackwell16:9 · 14.4 s6.79×3.12×
RTX 409016:9 · 5.17 s4.75×1.77×
RTX 409016:9 · 10.1 s6.22×2.42×
RTX 409016:9 · 14.4 s6.31×2.82×

Usage

Requires the Miowtion codebase. See AGENTS.md for hardware requirements and per-architecture notes.

git clone https://github.com/veda-sparse/Miowtion.git && cd Miowtion
pip install -e '.[gpu,encode]'

hf download MiniMaxAI/MiniMax-H3 --local-dir weights/MiniMax-H3
hf download Veda-Sparse/Minimax-H3-T2VA-Veda-8NFE-600Step-Preview \
  --local-dir weights/veda/h3-t2va-8nfe-600

Encode the prompt, then generate:

echo '{"id": "demo", "task": "t2va", "prompt": "<structured T2VA prompt>"}' > prompts.jsonl
python scripts/encode_samples.py --root weights/MiniMax-H3 \
  --manifest prompts.jsonl --out artifacts/samples/demo

python scripts/generate.py \
  --root weights/MiniMax-H3 --variant FL2VA \
  --schedule turbo --num-steps 8 \
  --adapter weights/turbo_lora/<8-step-lora>.safetensors \
  --sample-cache artifacts/samples/demo --sample-id demo \
  --geometry 16:9@37 --attention veda \
  --predictor weights/veda/h3-t2va-8nfe-600/minimax_h3_t2va_veda_8nfe_600step_preview_fp8.safetensors \
  --out-dir artifacts/generate/demo

Use --attention dense veda to render both modes with a side-by-side video. On 24 GB GPUs, add --offload-blocks 50 --mlp-chunk-rows 4096.

OptionDescription
--geometry<aspect>@<latent_t>, one of the 12 packed plans
--keep-ratioOverride the default 0.1 (trained at 0.1)
--dense-stepsDenoising steps to keep dense
--offload-blocksNumber of transformer blocks streamed from host memory
--mlp-chunk-rowsMLP chunk size; reduce if out of memory

Loading the predictor directly:

from miowtion.veda import bundle

loaded = bundle.load(
    'minimax_h3_t2va_veda_8nfe_600step_preview_fp8.safetensors', device='cuda')
loaded.predictor          # TileScorePredictor
loaded.plans.select(geo)  # tile plan for a geometry
loaded.keep_ratio         # 0.1

License

This model inherits the MiniMax H3 Community License from its base model.

Citation

@inproceedings{han2026veda,
  title={Veda: Scalable Video Diffusion via Distilled Sparse Attention},
  author={Han, Shihao and Yang, Hao and Hu, Xinting and Mei, Xiaofeng
          and Jiang, Yi and Qi, Xiaojuan},
  booktitle={International Conference on Machine Learning (ICML)},
  year={2026}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модель выложена одним файлом весов, а не в формате diffusers: рантайм её не загрузит.

Ревизия весов
b32e6f2

0 моделей