中国のAI企業MiniMaxは9月7日、NVIDIA SANAチームとの共同研究の成果として、動画生成モデル「MiniMax-H3」向けの新しい推論スタック「Sol-H3」を公開しました。8基のNVIDIA B300 Blackwellシステム上で、音声付き1344×768解像度・5秒間の動画を1.653秒で生成できるとしており、動画そのものの再生時間よりも短い時間で生成が完了する水準に達したとしています。
Sol-H3は、通常50ステップ(49回のDiTフォワード計算)を要する標準的な「Base H3」の生成プロセスを、わずか4回のフォワード計算に圧縮する設計です。1基構成ではDense Attentionを、4基・8基構成ではINT8のQKV演算とFP8での出力転送を組み合わせた「SOL」という手法を用いることで、精度を保ちながら演算量を削減しているといいます。MiniMaxとNVIDIAは、構成やGPU数に応じて最大15.54倍の高速化を確認したとしています。
MiniMaxはSol-H3の実装をApache 2.0ライセンスで公開する方針です。同社は今回の成果について、「高速な生成」から「再生よりも速い生成」への転換点であり、24FPSでの連続生成やリアルタイムで対話的に動画を生成できるシステムの実現に道を開くものだと位置付けています。
出典: NVIDIA Research
