一句话结论：英伟达与麻省理工组成的 Efficient-Large-Model 团队开源了 Open-H3-Regenerate-2K，把 MiniMax H3 的高分辨率重生成环节从付费 API 变成可自行部署的开源实现，在单张 B200 上把 5 秒视频的处理耗时从 87.26 秒压到 22.45 秒。
10 月 30 日，这个团队在 Hugging Face 发布 Open-H3-Regenerate-2K 的模型权重，配套推理代码同步在 NVlabs/Sana 仓库开放。方案支持 2560×1440 的 2K 输出，最高可做 3840×2160 的原生 4K 重生成。
这件事的分量在于它拆掉了一个此前封闭的环节。MiniMax H3 的完整系统包含多模态上下文处理、基础音视频生成和高分辨率重生成三段，其中 H3-Base 负责生成 768P 音视频并已开放权重，而 H3-Regenerate-2K 此前只以 API 形式对外服务。开源实现让这一段第一次变成可以自己部署的组件。
为什么重生成要单独成为一个模块
视频生成模型的分辨率提升方式与图像不同。图像可以直接在高分辨率潜空间里训练，视频不行，时序一致性和运动连贯性在直接拉高分辨率时容易崩掉。
H3 的做法是分段。H3-Base 生成 768P 的音视频草稿，把场景、构图和运动信息确定下来；重生成模块再以这些草稿为条件，在目标分辨率下重新生成画面细节。这样运动轨迹来自已经跑通的低分辨率生成，不需要在高分辨率上重新学一遍时序一致性。
Open-H3-Regenerate-2K 复用的正是这套机制。训练阶段保持 H3 Transformer 主干与视频 VAE 的原有参数不变，只训练新增的细化 LoRA，主干和 VAE 都不动。这让训练成本大幅下降，也保证了生成能力与原模型对齐。
只训 LoRA 的三步去噪管线
推理时，细化 LoRA 与社区适配器合并使用，包括 LightX2V 的 FL2VA Turbo 和 LMS Sharp，然后通过三步去噪在目标分辨率下重新生成细节。
三步去噪是这个方案速度的来源之一。视频扩散模型的去噪步数是线性成本项，从二十几步压到三步，效果不靠更多采样堆出来。配套的工具链同样重要，方案采用社区开发的潜空间放大器直接放大视频的潜在表示，避免高分辨率下重复解码再编码的开销，同时结合 SoL-Engine 的稀疏注意力、低精度计算和快速 VAE 解码器加速细化与解码环节。
把潜空间放大放在 VAE 之前是这条管线的关键设计。传统做法是先生成低分辨率画面，解码成像素，再上采样再编码回去，然后重新生成再解码，每一步都在像素域做无用功。直接在潜表示上放大，省掉了整轮往返。
87.26 秒到 22.45 秒：3.9 倍提速拆解
团队公布的测试条件是单张 NVIDIA B200 GPU，预热后运行，一段约 5 秒视频的潜空间放大、三步细化和 2K 解码合计耗时从未优化实现的 87.26 秒降至 22.45 秒，处理速度约为原来的 3.9 倍。
| 指标 | 未优化实现 | Open-H3-Regenerate-2K | 变化 |
|---|---|---|---|
| 5 秒视频处理总耗时（单张 B200） | 87.26 秒 | 22.45 秒 | 约 3.9 倍提速 |
| 其中视频解码环节 | 约 15 秒 | 约 1.6 秒 | 约 9.4 倍提速 |
| UniPercept 感知质量均分 | 官方 API 53.4 | 60.0 | 高 6.6 分 |
| 输出分辨率 | 2K 2560×1440 | 最高 4K 3840×2160 | 原生 4K 重生成 |
解码环节从约 15 秒压到约 1.6 秒贡献了绝对值上的大头。这里用到的快速 VAE 解码器叫 Sol-H3-VAE，是同一个团队从 H3 视频 VAE 蒸馏出来的产物，针对解码效率单独优化。蒸馏出的解码器加上稀疏注意力和低精度计算，构成了一整套围绕单卡部署的优化组合。
需要注意的是测试口径。速度数字是在单张 B200 且预热后的条件下得到的，属于数据中心卡的最优配置结果。显存占用、LoRA 合并后的实际吞吐、以及在消费级显卡上的表现，官方这次没有公布。3.9 倍是同硬件同输入下的前后对比，不是与其它方案的横向对比。
画质评测：开源版反超官方 API
在 RefinerBench-150 上做了对比评测，相同输入与相同 2K 输出条件下，Open-H3-Regenerate-2K 在感知质量评测 UniPercept 上的平均分为 60.0，官方 H3-Regenerate-2K API 为 53.4。
开源实现比官方 API 高 6.6 分，原因并不神秘。API 服务是固定权重固定推理配置，开源版本允许用户自己合并社区适配器、调整细化 LoRA 与采样步数，可调的搜索空间更大。同样的输入，官方 API 用一套配置跑完，开源版本可以先试几组配置再挑输出最好的那份。
VBench 评测的分项结果更有意思。开源方案在美学质量、成像质量和主体一致性三项上得分更高，官方 API 在运动平滑度和动态程度上仍略优。这个分布符合机制预期，主体一致性与美学属于静态画面质量，运动平滑度属于时序质量，后者更依赖生成主干而非细化环节的能力上限。
换句话说，这个方案用运动特性上的小幅让步，换来了静态画质上的整体提升和成本的大幅下降。对于多数需要交付成片的场景，这个交换是划算的。
H3 生态：一个基数 2400 万下载的模型长出了什么
MiniMax H3 今年 8 月开放权重，一个月内下载量超过 2400 万次，产生超过 300 个公开衍生模型，成为 2026 年全球下载量最高的模型之一。Open-H3-Regenerate-2K 只是其中一个分支，但它代表了衍生方向的一个特点：不改主干，只在末端做模块化增强。
围绕 H3 的衍生工作分布在多个方向。这个团队除视频增强方案外，还发布了基于 H3 Ref2VA 的流式视频渲染模型 StreamRender-H3，以及从 H3 视频 VAE 蒸馏出的快速解码器 Sol-H3-VAE，分别针对交互式视频渲染和解码效率优化。
社区侧的动作同样密集。LightX2V 的 MiniMax-H3 Turbo 提供了四步和八步采样的蒸馏版本，社区微调模型 Singularity 聚焦运动表现、面部细节和视觉风格优化。海外团队里，FastVideo 发布了 FastH3 四步预览版，Pika 推出六步采样的 Pika H3 Flex。ComfyUI 和 Unsloth 则通过适配权重与量化版本，把 H3 带进本地创作工作流。
这种密集的衍生生态带来了一个副作用，即同一套基座上出现了大量性能相近的分支，选型成本随之上升。Open-H3-Regenerate-2K 的价值之一，是把重生成这一段固定下来，让需要 4K 输出的用户不必在几十个分支里逐个试。
部署路径与算力现实
这套方案的部署门槛取决于两个变量，是否需要 4K，以及是否要自己跑全流程。只需要 2K 输出且能接受调用 API 的用户，继续用官方 H3-Regenerate-2K 服务更省事。要 4K、要控数据流向、要在自己的集群里跑，才是开源实现的场景。
推理代码在 NVlabs/Sana 仓库，该仓库是英伟达的高分辨率图像合成项目，采用 Apache 2.0 许可，当前超过 9700 星。权重在 Hugging Face 上开放，社区适配器也都可以直接获取。所需的是支持该架构的推理运行时与显存充足的加速卡，官方给出的速度参考是单张 B200。
与之对照，可灵 AI 4.0 在 4K、30 秒、HDR 上的推进走的是另一条路线，把高分辨率输出直接做进产品的商业能力里。两条路径的差别在于交付形态，一个交付权重让开发者自己组装，另一个交付开箱即用的成片能力。
常见问题
Open-H3-Regenerate-2K 和官方 H3-Regenerate-2K API 该怎么选
需要 4K 输出、要数据不出内网、要在自己集群里跑，选开源实现。需要 2K、不想管部署、按量付费更划算，选官方 API。画质上开源版在 UniPercept 上高 6.6 分且静态指标全面占优，官方 API 的优势集中在运动平滑度与动态程度。
3.9 倍提速能在自己的显卡上复现吗
这个数字来自单张 B200 且预热后的条件，属于数据中心卡上的最优配置。官方未公布显存占用和消费级显卡表现，无法保证在普通显卡上得到同等倍数。速度提升的来源可以拆开看，其中快速 VAE 解码器贡献的绝对值最大，这部分对硬件的依赖相对小一些。
只训练细化 LoRA 会不会损失 H3 的原有能力
不会。训练阶段 H3 Transformer 主干和视频 VAE 的参数都保持不变，只新增细化 LoRA，重生成的条件来自 H3-Base 生成的 768P 草稿，场景、构图和运动信息都继承自原模型。消融与评测都显示生成能力与原模型对齐，UniPercept 上的得分反而高于官方 API 的固定配置。
小结
Open-H3-Regenerate-2K 的意义在于把视频生成链条上一个长期封闭的环节拆了下来。H3-Base 负责把内容和运动定下来，重生成负责把画质提上去，后者此前只有 API 一条路。现在这段变成可部署、可调参、可合并社区适配器的开放组件，单卡 22.45 秒的耗时也让它从演示走向可用。
接下来真正值得观察的是社区在这套基座上的分化速度。2400 万下载、300 多个衍生模型、同一个团队同时铺三条不同方向的开源工作，说明开源基座的竞争已经从模型本身转移到模块和工具链。谁能把这些模块拼成一条能交付的工作流，谁就吃到生态的红利。
相关阅读
- MiniMax H3 发布：打破任务边界的全模态生成模型，2K 视频价格不到主流 1/3
- 可灵 AI 4.0 深度：8000 Token 提示词容量与 Omni Reference
- Utopai X 空降全球视频模型榜单第二：盲评机制下的 1150 分
- FLUX 3 Image 开放 API：像素级编辑与 4K
延伸阅读
- 10月16日 NVIDIA RTX Spark 发售：首批四家品牌笔电开放购买2 周前
- MiniMax M3.1 Flash 拿下 Agent 第一：智能指数 43 分1 周前
- DeepSeek、MiniMax 完成大模型出口登记：23 项技术纳管在即6 天前
- 李飞飞 World Labs 发布 Atlas：全球首个多模态世界模型，可控生成与 3D 重建双超 SOTA1 月前
继续读
同一批更新里这几篇值得一看：