英伟达与 MIT 团队开源 MiniMax H3 视频增强方案，最高支持 4K 重生成
MiniMax H3 的高分辨率重生成环节此前只有官方 API，现在有了可自行部署的开源实现，并在单卡 B200 上把 5 秒视频的细化加解码从 87 秒压到 22 秒。
英伟达与 MIT 的 Efficient-Large-Model 团队在 Hugging Face 发布了视频增强项目 Open-H3-Regenerate-2K 的模型权重，推理代码已在 NVlabs/Sana 仓库开放。该方案基于 MiniMax H3，把低分辨率视频草稿重新生成成高分辨率成片，支持 2K 输出，最高可做原生 4K。它只训练新增的细化 LoRA（低秩适配，一种冻结主干、只训练少量新增参数的高效微调方式），复用 H3 原有的生成能力，让高分辨率重生成这一步可以自己部署。
正文摘录
英伟达与麻省理工学院团队在 Hugging Face 发布了视频增强项目 Open-H3-Regenerate-2K 的模型权重 近日，由英伟达与麻省理工学院研究人员组成的 Efficient-Large-Model 团队在 Hugging Face 发布了视频增强项目 Open-H3-Regenerate-2K 的模型权重，配套推理代码已在 NVlabs/Sana 仓库开放。该方案基于 MiniMax H3，将低分辨率视频草稿重新生成为高分辨率视频，支持 2560×1440 的 2K 输出，最高可实现 3840×2160 的原生 4K 重生成。 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等环节。其中，已开放权重的 H3-Base 负责生成 768P 音视频，官方 H3-Regenerate-2K 模块通过 API 提供服务。此次发布的项目复用 H3 基础模型的生成能力，为高分辨率重生成环节提供了一套可自行部署的开放实现。 在细化模型的训练阶段，研究团队保持 H3 Transformer 主干与视频 VAE 的原有参数不变，仅训练新增的细化 LoRA。推理时，细化 LoRA 与 LightX2V FL2VA Turbo、LMS Sharp 等社区适配器合并使用，通过三步去噪，在目标分辨率下重新生成画面细节。视频草稿中的场景、布局和运动信息，则为这一过程提供基础。 为提高推理效率，项目采用社区开发的潜空间放大器，直接放大视频的潜在表示，减少高分辨率下重复解码、编码的开销。同时，方案结合 SoL-Engine 的稀疏注意力、低精度计算和快速 VAE 解码器，对细化与解码环节进行加速。