/ Модель

Характеристики

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

Minimax-H3-R2VA-Veda-Preview

Генерация видеоТекст → видео

Экспериментальный предсказатель разреженного внимания Veda ускоряет генерацию видео со звуком по визуальным референсам на базе MiniMax-H3.

3 562скачиваний за 30 дней23лайкавеса обновлены8 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

Veda-MiniMax-H3 R2VA Preview — экспериментальный предсказатель разреженного внимания Veda для генерации видео со звуком по визуальным референсам с использованием MiniMax-H3. Он независимо выбирает визуальные тайлы референса и генерируемого видео, сохраняя плотное внимание для текста, визуальных условий модели и аудио. Предсказатель дообучен за 600 шагов от T2VA-предсказателя на клипах R2VA длительностью 5,17 секунды; он не является LoRA и оставляет веса основной модели неизменными.

Предварительная версия рассчитана на восьмишаговую генерацию с MiniMax-H3 Turbo LoRA и использует бюджеты до 32 тайлов референса и 32 тайлов текущего видео на запросный тайл и голову внимания. Веса предсказателя хранятся в FP8 и при загрузке преобразуются в BF16. В измерениях на RTX PRO 6000 Blackwell ускорение сквозной генерации составило 1,37–1,69 раза в зависимости от геометрии клипа. Для работы нужны код R2VA, основная модель MiniMax-H3, Turbo LoRA и совместимое GPU-развертывание. Лицензия указана как other; конкретные условия в предоставленных данных не описаны.

Сценарии применения

  • ускорение генерации коротких видео по изображению-референсу
  • сравнение разреженного и плотного внимания при генерации видео
  • генерация референсных видео со звуковой дорожкой с MiniMax-H3 Turbo LoRA

Ограничения

Предварительная версия проверена для восьмишаговой генерации клипов длительностью 5,17 секунды на RTX PRO 6000 Blackwell; качество и производительность в других конфигурациях не описаны. Для генерации требуются MiniMax-H3, Turbo LoRA и код R2VA.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Veda-MiniMax-H3 R2VA (Preview)

Demo · Project Page · Code · Paper · Deployment Guide

Introduction

Veda is a learned sparse-attention method for video diffusion models. This checkpoint brings Veda to MiniMax-H3 reference-to-audio-video generation. It selects visual reference and generated video tiles independently; text, VLM conditioning, and audio attention remain dense. The predictor is not a LoRA and leaves the backbone weights unchanged.

This preview was fine-tuned for 600 updates from the T2VA predictor on 5.17-second R2VA clips. It uses the MiniMax-H3 Turbo LoRA for eight-step generation, with up to 32 visual-reference tiles and 32 current-video tiles per query tile and head. The predictor is stored in FP8 and dequantized to BF16 when loaded.

Highlights

  • Learned sparse attention. Visual reference and generated-video attention are selected independently; text, VLM conditioning, and audio stay dense.
  • Fixed visual budgets. The released preview uses 32 reference tiles and 32 current-video tiles per query tile and head.
  • Plug-and-play predictor. The FP8 predictor is separate from the H3 backbone and Turbo LoRA weights.

Samples

The examples below use the same seed, prompt, geometry, and Turbo LoRA for Dense and Veda. Each generated output is 1344×768, 124 frames, and about 5.17 seconds. Dense (left) and Veda (right) are stitched into one synchronized comparison video, with attention and denoising speedups in its top title bar. Each comparison uses the original Dense audio track.

Performance

Measured with eight-step Turbo LoRA inference on one RTX PRO 6000 Blackwell GPU. Veda uses fixed budgets of 32 reference and 32 current-video tiles.

GPUClipAttention speedupEnd-to-end speedup
RTX PRO 6000 Blackwell16:9 · 5.17 s2.42×1.69×
RTX PRO 6000 Blackwell9:16 · 5.17 s2.65×1.67×
RTX PRO 6000 Blackwell1:1 · 5.17 s2.06×1.37×
RTX PRO 6000 Blackwell4:3 · 5.17 s2.19×1.54×
RTX PRO 6000 Blackwell16:9 · 10.1 s2.84×2.05×
RTX PRO 6000 Blackwell16:9 · 14.4 s2.90×2.20×

Usage

See AGENTS.md for installation and GPU-specific deployment notes. The commands below use the R2VA code on the main branch.

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

hf download MiniMaxAI/MiniMax-H3 --include "model_index.json" "Ref2VA/*" \
  --local-dir weights/MiniMax-H3
hf download larryvrh/MiniMax-H3-Turbo-Lora \
  minimax_h3_turbo_v4_step600_ema.safetensors --local-dir weights/turbo_lora
hf download Veda-Sparse/Minimax-H3-R2VA-Veda-Preview \
  --local-dir weights/veda/h3-r2va-preview

Prepare the reference files, then encode and generate:

python scripts/prepare_official_r2va_demo.py \
  --out artifacts/examples/minimax_h3_ref2va
python scripts/encode_samples.py --root weights/MiniMax-H3 \
  --manifest artifacts/examples/minimax_h3_ref2va/manifests/prompts.jsonl \
  --out artifacts/samples/demo
python scripts/generate.py --config configs/infer_r2va_preview.yaml \
  --predictor weights/veda/h3-r2va-preview/minimax_h3_r2va_veda_preview_fp8.safetensors \
  --attention dense veda

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
1598b40

0 моделей