Video Rebirth'in HyperFlow H3 Flash'ı, MiniMax-H3'ü 14B'ye küçültüp tüketici GPU'larda video ve ses üretimini mümkün kılıyor

Video Rebirth, MiniMax-H3'ün sıkıştırılmış bir uyarlaması olan HyperFlow H3 Flash'ı open source olarak yayımladı; model, en az dört diffusion adımıyla tek geçişte video ve senkronize stereo ses üretiyor. 7 Kasım 2026'da Hacker News'in ana sayfasına çıkan projenin GitHub deposuna göre transformer, MiniMax-H3'ün yaklaşık 31 milyarının altında kalan 13.7 milyar parametreye indirildi; ağırlıklar Hugging Face üzerinde yayımlandı ve ComfyUI, Unsloth Studio ile bağımsız bir Python paketi için araçlar sunuldu.

Model ne üretiyor

Model, 24 kare/saniye hızında 5.2 ile 15 saniye arası klipler üretiyor; varsayılan çözünürlük 1344×768 ve görsellerin yanında 32 kHz stereo bir ses parçası oluşturuluyor. Örnekleme dört, altı (varsayılan) veya sekiz adımda çalışıyor ve pipeline, classifier-free guidance olmadan işliyor; bu da adım maliyetini genelde ikiye katlayan yinelenen bir forward pass'i ortadan kaldırıyor.

Sürüme üç görev varyantı eşlik ediyor. Metinden video ve sese modu yalnızca bir prompt ile çalışıyor. Keyframe modu, bir çekimi çerçevelemek için ya ilk kareyi ya da ilk ve son kareyi kabul ediyor. Reference modu, prompt sırasına göre en fazla 12 referans alıyor — dokuz görsel, üç video ve üç ses parçası — böylece bir görseldeki özne başka bir sahneye yerleştirilebiliyor.

Ölçülen performans

Depo, altı adımlı 5.2 saniyelik bir klibin sürelerini yayımlıyor: dört B200 GPU'da 8.7 saniye, tek bir H200'de 36 saniye ve tek bir RTX 5090'da 92 saniye. Video Rebirth ayrıca, modeli dört Blackwell sınıfı GPU üzerinde gerçek zamanlı çalıştıran hızlandırılmış çıkarım için NVIDIA SOL-H3'ü partner olarak gösteriyor. Referans destekli varyant 13.9 milyar parametreyle biraz daha büyük.

Tüketici GPU'ları için quantized sürümler

Tüketici makineleri için model GGUF formatında geliyor; Q3_K_M'de yaklaşık 7.2 GB'dan Q8_0'da 14.9 GB'a uzanan bir aralıkta sunuluyor ve 24 GB ekran kartları için 9.1 GB'lık Q4_K_M sürümü öneriliyor. Video Rebirth'a göre GGUF sürümleri, yalnızca 16 GB sistem RAM'e sahip PC'lerde 24 GB ve 32 GB GPU'larda çalışıyor; ancak 16 GB kartlar için henüz benchmark yapılmamış. Projedeki pratik kural, 64 GB veya daha az sistem RAM'e sahip her PC'de GGUF kullanmak.

Yaklaşık 16 GB'da W8A8 ağırlıkları ve low-rank düzeltmeleri kullanan ayrı bir INT8 yolu ise H100, H200, B200 ve B300 hızlandırıcılarını bireden-sekiz-GPU'lu konfigürasyonlarda, ya da en az 69 GiB RAM'e sahip makinelerdeki RTX kartları hedefliyor. İlk INT8 çalıştırması yaklaşık 90 GB materyal indiriyor — 15.7 GB'lık Qwen3-VL-32B tabanlı bir metin kodlayıcı, VAE'ler ve quantize edilmiş transformer — ya da fp8 bir metin kodlayıcıyla yaklaşık 68 GB. Özellikle, 62 GB'lık tam boyutlu MiniMax-H3 transformer'ı hiçbir zaman indirilmiyor.

Runtime'lar ve entegrasyon

GGUF sürümleri ComfyUI, Unsloth Studio ve stable-diffusion.cpp üzerinde çalışıyor; sonuncusu, modelin iki zaman adımlı embedder'ını, low-rank katmanlarını ve GGUF metadata'sından okunan varsayılan altı adımlı çizelgeyi ekleyen bir yama gerektiriyor. ComfyUI kullanıcıları iki custom-node paketi kuruyor ve üç görev modunun tamamını kapsayan şablonlardan seçim yapıyor; düşük bellekli makineler için fast-disk başlatma bayrağı da mevcut. GGUF biçiminde reference modu yalnızca görselleri kabul ederken, INT8 sürümü video ve ses referanslarını da alıyor.

INT8 sürümü, hem bir komut satırı aracı hem de diffusers tabanlı bir API sunan bir Python paketiyle geliyor; bir, iki, dört, yedi veya sekiz kartta multi-GPU context ve VAE tile paralelliği destekleniyor. Gereksinimler Python 3.10+, PyTorch 2.6+, diffusers 0.40 veya daha yenisi ile Ampere ya da daha yeni bir NVIDIA GPU. Sürüme ayrıca, az adımlı çizelgeyi tam boyutlu MiniMax-H3'e taşıyan 8 adımlı bir LoRA da bağlanıyor.

Neden önemli

Birleşik video artı ses üretimi büyük ölçüde API'lerin arkasında ya da kişisel makineler için fazlasıyla büyük checkpoint'lerde kaldı. Yaklaşık yarı boyutlu, az adımlı bir türevi — quantize ağırlıklar, ComfyUI şablonları ve sade bir CLI ile birlikte, tek bir RTX kartına kadar indirilen benchmark'larla — yayımlamak bu yeteneği masaüstülerine ve küçük stüdyolara taşıyor; sunucu donanımındaki hız rakamları ise etkileşimli kullanıma işaret ediyor. Depo, tam 31B modele karşı kalite karşılaştırmaları yayımlamıyor; dolayısıyla sıkıştırmanın ne kadar sadakat kaybına mal olduğu sorusuna erken benimseyenler kendi kararlarını vermek zorunda kalacak.