/ Модель

Характеристики

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

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

Генерация видеоТекст → видео

Производная модели Veda-Sparse/Minimax-H3-T2VA-Veda-8NFE-600Step-Preview. Предиктор Veda ускоряет генерацию видео и аудио на базе MiniMax-H3, пропуская большую часть малозначимых вычислений внимания.

18скачиваний за 30 дней1лайквеса обновлены11 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 robertbschuette/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/Minimax-H3-T2VA-Veda-8NFE-600Step-Preview — экспериментальная версия предиктора Veda для MiniMax-H3, разработанная проектом Veda. Это компактный обученный предиктор разреженного внимания для видеодиффузии: он оценивает важность блоков внимания и оставляет около 10% наиболее значимых, сокращая вычисления во время генерации видео и аудио. Предиктор предназначен для ускорения генерации MiniMax-H3 по тексту, а также поддерживает режимы генерации по кадрам или видео и аудио.

В README заявлено ускорение вычислений внимания до 6,8 раза и генерации целиком до 3,1 раза при сохранении качества, сопоставимого с полным вниманием; выигрыш может быть выше на длинных роликах. Чекпойнт обучался и оценивался с MiniMax-H3-Turbo-Lora для генерации за 8 шагов, но, согласно карточке, применим и к произвольному числу шагов, и к вариантам MiniMax-H3. Он не изменяет веса базовой модели и может использоваться с LoRA. Для работы требуется базовая MiniMax-H3 и поддерживающая Veda среда, например узел ComfyUI. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

Сценарии применения

  • ускорение генерации видео по текстовому запросу
  • ускорение генерации видео со стереозвуком
  • сокращение времени генерации длинных роликов
  • ускорение генерации с дообученными вариантами MiniMax-H3 и LoRA

Ограничения

Для генерации требуется базовая модель MiniMax-H3 и совместимая среда; сам чекпойнт является предиктором внимания, а не самостоятельной генеративной моделью. Заявленные ускорение и сохранение качества зависят от оборудования и настроек; опубликованные измерения охватывают ограниченное число конфигураций.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Miowtion

Veda-MiniMax-H3 (Preview)

Demo · Project Page· Comfy Node; · Code · Paper · Deployment Guide

🎬 Try it yourself 🎬

Don't just take our samples for it. Try your own prompts in the online demo.

🎉 Veda now comes withComfyUI support. 🎉

Available as a custom node on the Comfy Registry; see ComfyUI below.

📌 Modality- and step-agnostic 📌

This checkpoint applies to all generation modalities supported by MiniMax-H3, including T2VA, FL2VA, and R2VA, as well as to arbitrary numbers of diffusion steps. The T2VA and 8NFE tags in the repository name only denote the training configuration and do not restrict where the predictor can be used. A dedicated R2VA fine-tuned checkpoint with further improved quality will be released in the near future.

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/. These are our picks. Try your own in the demo.

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

ComfyUI

Install the node via the Comfy CLI:

comfy node install veda-sparse-attention

Then download the predictor checkpoint into ComfyUI/models/veda/ through hf or direct download:

hf download Veda-Sparse/Minimax-H3-T2VA-Veda-8NFE-600Step-Preview \
  minimax_h3_t2va_veda_8nfe_600step_preview_fp8.safetensors \
  --local-dir ComfyUI/models/veda

Miowtion

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
9411982

0 моделей