pi-H3: пять секунд видео за 3,8 секунды генерации

Десятого ноября авторы показали pi-H3, самую быструю на сегодня сборку открытой MiniMax H3: два шага, пиксели на выходе без отдельного декодера, пятисекундный ролик за 3,8 секунды на одной B200. Разбираю, из чего сложилась скорость, чьи это цифры и почему я пока не ставлю модель в рабочий стек.

Киноплёнка свернулась в тугую петлю, и из неё вылетает готовый кадр — генерация видео в два шага
01

Что показали авторы pi-H3

Десятого ноября 2026 года в блоге проекта появился разбор pi-H3. Это самая быстрая на сегодня версия открытой MiniMax H3, и собрали её авторы из Стэнфорда, часть работы сделана во время стажировки и работы в Luma AI. База остаётся прежней, меняется способ сборки: меньше шагов, другой выход, другая точность расчёта.

Главное сравнение умещается в одно предложение. Ролик на пять секунд в 768p со стерео-звуком собирается за 3,8 секунды на двух шагах, и это короче, чем зритель смотрит результат. Меня в этой новости интересует не рекорд. Интересует, что происходит с работой, когда генерация перестаёт быть ожиданием.

02

Два шага и пиксели без отдельного декодера

Обычный конвейер видео-модели выглядит так: сеть многими шагами подчищает шум в сжатом описании кадра, потом отдельный декодер VAE превращает это описание в картинку. Если совсем просто про то, как работает генератор видео: модель считает сжатый латент, а пиксели на выходе собирает декодер.

pi-H3 делает два или четыре шага, и на последнем шаге пиксели выдаёт сама модель. Отдельный этап декодирования из схемы исчезает, метод авторы назвали DWD, Decoding Without a Decoder, декодирование без декодера. Ускорение складывается из трёх частей: меньше шагов, отсутствие декодера и FP8, расчёт в пониженной точности.

Схема: слева двенадцать шагов и отдельный декодер, справа два шага и стрелка прямо в пиксели мимо декодера
03

Скорость: три замера на одной B200

Все цифры сняты на одной серверной карте NVIDIA B200, полный цикл, вместе со звуком.

Пятисекундный шот собирается быстрее, чем проигрывается, десятисекундный тоже (9,2 секунды), а на пятнадцати секундах цикл уже длиннее ролика. Против Sol-H3 на тех же длинах от 5 до 15 секунд pi-H3 быстрее от 2,4 до 2,7 раза на двух шагах и от 1,2 до 1,4 раза на четырёх.

  • 5 секунд в 768p со стерео-звуком: 3,8 секунды на двух шагах
  • 10 секунд: 9,2 секунды
  • 15 секунд: 18,6 секунды
04

Качество: сравнение самих авторов

На четырёх шагах pi-H3, по словам авторов, лучше других версий H3 на четырёх и восьми шагах: LightX2V Turbo, FastH3, H3-Turbo v4. Движение живее, у соседей местами «механическое» и урезанное, звук с басом и разборчивой речью. На двух шагах сравнение идёт с TaoMate-H3 на трёх шагах и с PDMD на двух, и pi-H3 снова впереди.

Оговорка важная: это замеры той же команды, которая сделала модель. Независимого прогона на чужих промптах пока нет.

Раскладка вариантов шота на столе: девять кадров, один выделен, стрелка замыкает цикл перебора
05

Почему быстрое создание видео меняет разговор с заказчиком

Пока шот собирается минутами, черновик это очередь: придумали вариант, отправили, ждём. Когда пять секунд видео выходят за четыре секунды, очередь превращается в перебор. На встрече можно показать десять вариантов одного шота, увидеть, какой держит внимание, и тут же собрать одиннадцатый.

Вертикальная реклама от этого меняется сильнее всего: версии смотрят на экране и правят по ходу. Ручные ролики от 16 000 ₽ собираются иначе, кадр там решает человек. Зато черновое видео нейросетями дешевеет и ускоряется. Укрупнение кадра это отдельная ветка, перегенерация 2K в 4K, и там свои компромиссы по времени.

06

Что мешает назвать pi-H3 готовым инструментом

Первое: DWD на H3 экспериментальный. У базовой модели очень сильное сжатие, один токен это 4 кадра по 32 на 32 пикселя, и авторам не хватило вычислений на полную оптимизацию. Простыми словами, метод работает, но запас по качеству ещё не выбран.

Второе: цифры сняты на B200, на обычной видеокарте время будет другим. Обещание «быстрее, чем играет» стоит проверять на своём железе.

Третье: весов пока нет. Демо на Hugging Face уже работает, веса и код инференса обещаны с 16 по 22 ноября, код обучения позже в ноябре, поддержка ComfyUI через расширение ComfyUI-piFlow.

Отдельно лицензия. База MiniMax H3 идёт под MiniMax H3 Community License, которая исключает ЕС, Великобританию, Корею и США без разрешения MiniMax. Лицензию самих весов pi-H3 авторы ещё не опубликовали, поэтому для студии в этих странах вопрос остаётся открытым до публикации файлов.

07

Мой вывод

pi-H3 это ускоренная сборка открытой H3, и её ценность в другом: это доказательство, что базу можно разогнать почти до реального времени, если убрать декодер и урезать число шагов. Для меня важнее следствие: скорость перестаёт быть узким местом, и узким местом становится число идей, которые мы успеваем проверить с заказчиком.

Рабочий план на ноябрь простой. Жду весовые файлы, ставлю ComfyUI-piFlow, гоняю тест на своём железе и на своём типе кадра: лицо, товар, вертикаль. Дальше решаю по цене секунды и по качеству речи. До этого pi-H3 остаётся сильным обещанием с честными числами от авторов.

частые вопросы

01pi-H3 это новая модель или ускоренная версия H3
Ускоренная версия открытой MiniMax H3. База и качество генерации наследуются от неё, авторы меняют схему работы: два или четыре шага и выход в пиксели без отдельного декодера.
02Сколько времени занимает генерация пяти секунд видео
На одной карте NVIDIA B200 полный цикл занимает 3,8 секунды при двух шагах, вместе со стерео-звуком. Это короче, чем длится сам ролик, но цифра привязана к этой карте.
03Можно ли запустить pi-H3 в ComfyUI
Да, авторы обещают поддержку через расширение ComfyUI-piFlow. Сроки привязаны к публикации весов, которая заявлена с 16 по 22 ноября.
04Когда выйдут веса и код pi-H3
Веса и код инференса обещаны с 16 по 22 ноября, код обучения позже в ноябре. Лицензию самих весов авторы ещё не опубликовали.