FreeVideo запускает генерацию роликов MiniMax H3 на обычной видеокарте

Восемь гигабайт видеопамяти на домашнем компьютере обычно означают глухой тупик, когда речь заходит о тяжелом генеративном видео: продакшен либо встает в очередь к платным облачным API, либо арендует серверные мощности по коммерческим тарифам. Проект FlashML-org пошел другим путем. Их движок FreeVideo упаковал тяжелую генеративную видеомодель MiniMax H3 прямо в настольные системы, снизив входной порог до скромных 8 ГБ VRAM и 16 ГБ оперативной памяти.

Программа распространяется с открытым исходным кодом под лицензией Apache License 2.0, веса подчиняются MiniMax H3 Community License, а под капотом трудится архитектура Video DeltaNet (OpenVDN). Ее разработал исследовательский коллектив под руководством Боуэна Сю (Bowen Xue), Шуо Яна (Shuo Yang), Хаочэна Си (Haocheng Xi), Сяоцзэ Фана (Xiaoze Fan) и Чэньфэна Сю (Chenfeng Xu) в партнерстве с MiniMax AI и при вычислительной поддержке Impossible Research.

Две ветви внимания и точный контроль

Главное узкое место современных диффузионных видеосетей — квадратичная сложность классического механизма softmax. Чтобы избавиться от вычислительного затора, исследователи разделили обработку сцены на две комплементарные ветви.

Локальные детали и кратковременную стабильность удерживает скользящее окно softmax. В нем пять последовательных латентных кадров объединяются в чанки: каждый такой отрезок просчитывает связи внутри себя, а также оглядывается на предыдущий и следующий блоки. Чтобы картинка не плыла на длинной дистанции, архитектуру усилили четырехсторонними граничными якорями с плотностью внимания 3,57% — в них каждый промежуточный кадр взаимно сверяется с первым и последним.

За длинный контекст отвечает линейная память большой дальности. Двунаправленное линейное внимание ведет прямое и обратное состояния, сшивая информацию за пределами локального окна без дублирования кадров. Текстовый промпт в ветви softmax остается глобально видимым для каждого кадра, тогда как в линейной ветви описание сцены записывается один раз при инициализации через дельта-правило. Финальные потоки объединяются контентно-зависимым сигмоидным гейтом для каждого направления, проецируются и суммируются в остаточный поток.

На уровне кадров работает алгоритм видео-дельта-внимания (VDA): пространственные токены обновляют линейное состояние сообща, решая задачу оптимизации с регуляризацией близости к прошлому шагу. Это гасит паразитные визуальные шумы, держит норму оператора не выше единицы и сохраняет независимые признаки.

От серверных кластеров к домашней студии

В связке с SGLang Diffusion на промышленном стенде из восьми ускорителей B200 восьмишаговая модель vdn-minimax-h3 выполняет деноизинг 14,4-секундного ролика в разрешении 768p всего за 6,9 секунды. Чистый результат с учетом предварительного прогрева отдается примерно за 9,0 секунд. Чекпоинт сохраняет исходную детализацию базовой MiniMax H3, уверенно обгоняя облегченную сборку MiniMax FastH3.

Однако ценность FreeVideo для независимого визуального продакшена раскрывается именно на обычном железе. Система динамически координирует веса и ядра внимания между видеопамятью, системной RAM и накопителем. Аппаратная адаптация срабатывает автоматически:

• На потребительских картах GeForce линейки RTX 30 применяется квантование int8.
• На профессиональных рабочих станциях и серверных графических чипах запускается формат FP8.
• Лаунчеры готовы для Windows, Linux (включая работу через терминал SSH и веб-интерфейс) и macOS под Apple Silicon (превью протестировали на чипе M5 с 24 ГБ объединенной памяти).

Эволюция версий и монтажный пайплайн

Движок развивался стремительно, обрастая инструментами под реальные задачи арт-директоров и моушн-дизайнеров:

• 2 октября 2026 года: премьера открытого исходного кода FreeVideo.
• 3 октября 2026 года: внедрение поддержки пользовательских адаптеров (Community LoRAs).
• 5 октября 2026 года (v0.1.2 и v0.2.0): запуск сборки для Apple Silicon, добавление четырех ступеней детализации (Light, Medium, High, Max) и функции экспорта видео с метаданными о времени рендера и конкретной видеокарте.
• 6 октября 2026 года (v0.2.3): сохранение рабочих процессов внутри сгенерированных файлов и открытие официальной пользовательской галереи.
• 7 октября 2026 года (v0.3.0 и v0.3.2): перевод карт серии RTX 30 на ускоренную модель int8 (на RTX 3090 пятисекундный ролик стал считаться в 2,3 раза быстрее), а также появление превью в половинном разрешении для быстрой отбраковки дублей.
• 13 октября 2026 года (v0.4.0): встроенный таймлайн-редактор, преодоление барьера в одну минуту непрерывного хронометража и подключение автономных агентов вроде Claude Code и Codex.

Интеграция с ComfyUI выполнена бесшовно. Внутри нодового интерфейса разворачивается рабочее пространство с пакетной генерацией, двухпроходным сэмплингом и историей итераций. Нас подкупило внимание к деталям: если перетащить готовый видеофайл прямо на рабочий холст ComfyUI, среда мгновенно считывает метаданные и восстанавливает использованный промпт, сид и цепочку параметров.

С точки зрения режиссуры кадров здесь доступны все ключевые схемы: классический текст в видео (T2VA), управление движением от первого кадра (I2VA), от последнего (L2VA) или от обоих краевых шотов одновременно (FL2VA). Дополнительно можно замешивать референсные изображения, видеофрагменты и аудиодорожки.

Возможность прогнать черновой драфт в низком разрешении, за пару кликов зафиксировать начальный и финальный кадры и без облачных подписок собрать минутную сцену прямо на рабочем ноутбуке превращает локальный видеогенератор в предсказуемый инструмент для коммерческого пайплайна. Пожалуй, рендер сложного визуального ряда окончательно перестал быть привилегией серверных ферм.