NVIDIA H3 スーパー加速：MiniMax H3 動画が最大 27.7 倍高速化

NVIDIA ページに掲載されているスタンドアロンの 1440p 結果の一つ（10 秒、2560×1440）：2 ステージ加速、1440p に対応するベースラインは記録されていません。

仕組み

フル解像度で多くの H3 denoising ステップを実行する代わりに、H3 スーパー加速は短い低解像度のドラフトで生成作業の大部分を行い、軽量なリファインメントパスで高解像度の詳細を復元します。各ステージは 1 つのジョブであり、2 つのステージは 1 つの GB200 で順次実行されます：

ステージ 1 では、LightX2V MiniMax-H3 Turbo LoRA を使用して、4 つの denoising ステップで 896×512 の初期動画を生成します。ステージ 2 では、ドラフトを要求された出力解像度にアップサンプリングし、高解像度の詳細と一貫性を復元する 3 ステップの Sol-Attn パスを実行します。この pipeline は SGLang ベースラインとビット単位で正確ではありません：サンプリングパスが変更されるため、詳細、テクスチャ、動き、または音声に違いが生じる可能性があります。NVIDIA ページのペア動画でそのトレードオフを直接判断できます。

測定されたレイテンシ

最新の Sol-Super 結果（Sol-Attn を使用してステージ 2 サービス全体を行う）に基づく、単一の NVIDIA GB200 でのエンドツーエンドレイテンシ：

この 2 つの高速化は異なる箇所から来ています。ステージ 1 では公式 H3 VAE デコード（3.427 秒）を TAEH3 軽量デコーダー（0.028 秒）に置き換え、ステージ 2 では密な LTX-2.5 Video VAE デコーダー（一致した 121 フレームデコードで 6.404 秒）を Sol-Attn リファイナーと LTX TAEHV 最終デコードに置き換えます。ステージ 2 エンコーダーは意図的に変更されていません：リファイナーはオリジナルの LTX-2.5 VAE latent 分布でトレーニングされています。

768p 出力の場合、測定されたスループットは、完全に稼働している GB200 1 台あたり約 525 本の 5 秒動画/時間で、SGLang ベースラインの 23.6 と比較されます。

ビジュアル比較

NVIDIA ページでは、各 768p および 1080p サンプルを、同じ生成入力を使用した対応する SGLang ベースライン実行とペアにしています：

SGLang ベースライン	H3 スーパー加速
混雑した日本の街角で男女が緊張したやり取りをする（1344×768、5 秒）	同じ入力、22.2 倍高速

SGLang ベースライン	H3 スーパー加速
竹林で二人の武術家が向かい合っている（1080p、5 秒）	同じ入力、加速済み

2 つのスタンドアロン 1440p 結果（10 秒、2560×1440）も、対応するベースラインなしで公開されました：

利用可能性

この pipeline は公開コンポーネントで構築されています：公式 MiniMax-H3 チェックポイント、ドラフトに使用される LightX2V MiniMax-H3 Turbo 4 ステップ LoRA、LTX-2.5 pre-trained チェックポイント、および TAEH3 と LTX TAEHV 軽量デコーダーです。これは GB200 ハードウェア上の NVIDIA Sol Engine で Sol-Attn を使用して実行され、ComfyUI ノードパックではなく、測定されたベンチマークを持つ生産向け参照例として提示されています。執筆時点では、この pipeline に対する NVIDIA からの公式 ComfyUI ワークフローはありませんが、個別の Sol Engine コンポーネント（Sol-Attn パッチなど）のコミュニティポートが登場し始めています。