fal、ポストトレーニングとGB200推論の共同設計でH3 Maxを投入、5秒動画の生成を約3秒に短縮

fal Researchは、MiniMax H3のオープンウェイトを基盤とするH3 Maxを発表した。プロンプト追従性と視覚品質の向上を目的とした新たなデータでポストトレーニングを施し、推論チームが実行スタックも並行して調整した。ベースモデルのH3は約33Bパラメータのマルチモーダル動画システムで、1回の生成で映像とステレオ音声を同時に出力できる。H3 Maxの公開APIは現在、テキストまたは画像からの動画生成、480p／768p、5～15秒の動画、および複数のアスペクト比に対応している。

今回のアップデートにおける技術的な要点は、単にデノイジングステップ数を減らしたことではない。falによると、チームはNVIDIA GB200 NVL72上でcheckpointと中核的な推論パスを共同開発し、低精度化、高コストな演算の近似、サンプリングステップの削除といった最適化について、それぞれ選好テストを実施した。品質ランキングを低下させなかった変更だけを採用したという。公式測定では5秒の動画を約3秒で生成し、スループットはMiniMax公式のH3エンドポイントの約35倍、同等品質のモデルと比べても平均15倍高速だとしている。これにより、動画モデルのレイテンシーは初めて、インタラクティブな編集ツール、プレビュー機能、あるいはエージェントによる反復的な修正ループへ組み込める水準に近づいた。

品質面では、falは12モデルを対象にペアワイズの人間選好比較を行い、総合的な選好、プロンプト理解、美的品質を個別に評価した。その結果をBayesian Eloと95%信頼区間で集計し、社内評価ではH3 Maxが3項目すべてで首位となった。ただし、Artificial Analysisのリアルタイム音声付きText-to-Videoランキングでは3位で、Eloは1,235、95%信頼区間は±10だった。区間は首位のWan 3.0および2位のGemini Omni Flashと重なっている。これはH3 Maxが最上位グループに位置することを示す一方、安定して統計的に有意な優位性を持つことを証明するには不十分だ。

デプロイを検討する側は、「オープンなベースモデル」と「オープンな派生モデル」も区別する必要がある。MiniMax H3のウェイトはダウンロードできるが、falの発表によれば、現時点で提供されているのはH3 Max Playground、Agent、APIのみで、派生ウェイト、ポストトレーニング用データ、中核コード、再現可能なレイテンシーテストは同時公開されていない。APIの`timings.inference`も、一部のルートでDiTの処理時間だけを返すため、キュー待ち、プロンプト拡張、データ転送を含む完全なエンドツーエンドレイテンシーを直接表すものではない。今後は、ウェイトと推論レシピが公開されるか、また動画の長さ、バッチサイズ、ハードウェアごとのコスト曲線がどうなるかを注視する必要がある。