MiniMax H3｜VDN：混合注意力后训练加速
通过混合线性与 Softmax 注意力分支及后训练组件降低 H3 推理成本。
发布于
整理：日刊 · 资料核对：2026/11/05 · 编辑说明
核对日期：2026-11-05。仓库更新时间不等同于模型发布日期。
生视频 > 蒸馏/加速 · 推理加速
作者模型卡中文导读
OpenVDN 将 VDN-H3 定位为 MiniMax H3 的推理加速后训练方案。核心思路是在原始 Transformer 上引入线性注意力与 Softmax 注意力的混合分支，并配合训练得到的组件与优化推理路径，试图减少长视频序列的注意力计算。它不是简单的推理脚本，也不是官方稀疏注意力实现。
基座、输入模式与依赖
模型卡标明基座为 MiniMaxAI/MiniMax-H3，pipeline 为 text-to-video，并把仓库关系标为 finetune。当前证据足以把它归入后训练/蒸馏式加速，但不足以宣称 FL2VA 的所有首尾帧模式、Ref2VA 多模态参考和音频条件均完整兼容。作者的优化栈涉及自有实现及多种注意力/内核依赖，实际收益不能脱离指定硬件与端到端口径比较。
性能归因、许可与待核验项
作者报告在 8×B200 上生成 14.4 秒视频的端到端时间约 9 秒，并明确其统计口径排除部分加载、解码与编码阶段；该数字未经本文独立复现。衍生权重按 MiniMax H3 Community License Agreement 分发。来源：OpenVDN/vdn-minimax-h3。revision 2ce18deb；仓库更新（UTC）2026-10-05，不是发布日期。
文章更新记录
首次收录与后续资料修订见下方记录；未进行独立性能实测。
- 2026-11-05 资料版本
- 2026-11-05：本次资料核对（不代表模型发布日期）。
作者 Demo
本文暂未收录可直接播放的视频。可通过上方项目仓库查看原作者展示与说明。