H3 Lightning 將 MiniMax H3 影片生成縮至四步，但 12.2 倍加速依賴未公開權重

RunningHub 釋出 H3 Lightning，將 MiniMax H3 的影音生成模型接入 SGLang `multimodal_gen` runtime，並固定軟體版本、模型 revision、啟動參數與量測流程。它不是單一新核心，而是把工作量削減與執行層最佳化疊加：先以後訓練／步數蒸餾將基準的 50 個去雜訊步驟縮至四步，再用 SageAttention2 加速注意力、Cache-DiT 重用部分中間計算，最後透過 `torch.compile` 編譯運算圖。

在八張無 NVLink、僅以 PCIe 連接的 RTX 6000D 上，團隊測得 1344×768、五秒文字轉影片由 BF16 基準的 348.8 秒降至 43.0 秒；加入完整執行最佳化後再降至 28.7 秒，相當於 12.2 倍加速。另一組十五秒測試則顯示，把平行策略由 TP4＋Ulysses2 改成 TP2＋Ulysses4，可將延遲由 54.0 秒降至 48.2 秒，並少用約 14 GiB GPU 記憶體。這對沒有 NVLink 的 PCIe 伺服器尤其有參考價值：影片生成的最佳切分不一定等同大型語言模型的純 tensor parallel 配置。

工程上必須拆開解讀 12.2 倍數字。大部分收益來自把 50 步改成四步，並非相同數值計算的無損加速；SageAttention 也在注意力內使用量化。更關鍵的是，官方成績使用的 RH 內部加速權重尚未公開，儲存庫只提供社群 LoRA 替代，因此目前能重現的是部署流程，而非完整基準。測試也排除了模型載入、首次編譯、排隊及下載時間。採用者應固定 prompt、seed、解析度與模型 revision，分別量測冷啟動及穩態延遲，並人工檢查人物一致性、動作連續性、提示遵循及音畫同步；下一個重要訊號是內部權重是否公開，以及第三方能否在不同 Blackwell／Hopper 拓撲上重現品質—速度曲線。