「Sol-H3-VAE」高速動画デコーダモデル:必要VRAM 8GB〜・配布ファイル一覧

「Sol-H3-VAE」高速動画デコーダモデル:必要VRAM 8GB〜・配布ファイル一覧

基本情報

項目 内容
リポジトリ Efficient-Large-Model/Sol-H3-VAE
公開元のまとめ Efficient Large Model(NVIDIA・MIT) のモデルとライセンスのまとめ
公開日 2026-10-17
配布形式 safetensors
出典の種類 公開元の一次情報(HuggingFace公式リポジトリ)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

Efficient-Large-Modelは、MiniMax-H3向けの高速な動画デコーダである「Sol-H3-VAE」を公開しました。このモデルは、MiniMax-H3で採用されている36層のH3 VAEデコーダを、蒸留(distillation)によって構築された24層のnoncausal(非因果的)デコーダへと置き換えるものです。

本モデルは、正規化された潜在変数(latents)を入力として受け取り、元のH3 VAEデコーダと同一のフレームを出力します。なお、オーディオデコーダについては変更が行われていません。

スペック

資料に記載されている主な仕様および動作環境の詳細は以下の通りです。

  • アーキテクチャ: 24層のnoncausalデコーダ(H3 VAEデコーダから蒸留)
  • パラメータ数: 1.62B
  • デコード方式: spatial tilesの代わりにwindowed attentionを使用してフレーム全体を処理し、各native 5-latent blockを双方向にデコードします
  • 入力仕様: MiniMax-H3の正規化された潜在変数
  • 出力仕様: H3 VAEデコーダと同一のフレーム
  • 必要なライブラリおよび環境: PyTorch (CUDA対応), Triton, Diffusers (MiniMax-H3サポートが必要), FlashAttention-4 (flash_attn.cute), QuACK
  • テスト環境の例: RTX 5090, PyTorch 2.12 (CUDA 13), Triton 3.7, Diffusers 0.40, FlashAttention-4 4.0.0b19, QuACK 0.6.3

なお、初回の呼び出し時には、各潜在変数の形状に合わせてカーネルのコンパイルとCUDAグラフのキャプチャが行われます(RTX 5090での実行例では約25秒を要します)。

性能・品質

モデルカードに示されたベンチマーク結果に基づき、既存のH3 VAEデコーダとの比較を行います。

One 5-second clip H3 VAE Sol-H3-VAE
768p, RTX 5090 12.5 s 5.0 s
720p, GB200 6.16 s 0.34 s
2K, GB200 14.5 s 0.89 s

上記の比較表から、Sol-H3-VAEはデコード速度においてH3 VAEを大幅に上回っていることがわかります。GB200環境での720pデコードでは、H3 VAEの6.16秒に対し、Sol-H3-VAEは0.34秒と極めて高速です。2K解像度においても、14.5秒から0.89秒へと劇的な短縮が報告されています。RTX 5090を用いた768pのテストでも、12.5秒から5.0秒へと高速化されています。

画質に関する指標として、PSNR(ピーク信号対雑音比)が報告されています。held-out latents(720pから2K)に対しては45.4 dB、生成された768pのクリップに対しては38.2 dBという数値が示されています。

ただし、本モデルは蒸留されたものであるため、H3 VAEデコーダと品質が非常に近いものの、完全に同一ではありません。また、noncausalな設計であるため、潜在変数を一つずつストリーミングしながらデコードすることはできず、クリップ全体を一度にデコードする必要があります。そのため、クリップの長さが増えるにつれてメモリ使用量も増加する特性があります。

得意なこと・想定用途

本モデルは、MiniMax-H3向けの高効率な動画デコーディングを目的としています。Sol-H3 in ComfyUIのパイプラインの一部として組み込むことが想定されており、windowed attentionを活用してフレーム全体を一度に双方向で処理するアプローチをとります。蒸留モデルであるため、元のH3 VAEデコーダの品質を保ちながらも、高速な処理を実現したい場合に適しています。

動作環境

動作環境の目安(Local Model Watch 算出)

手持ちのVRAM 選べる量子化 ファイルサイズ 必要メモリの目安
RTX 4060 / 3060 Ti など 8GB そのままの精度 6.0GB 7.2GB

必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。

当サイトでの実測

ライセンスの都合で行っていない実測

このモデルにはライセンスの表示が無く、利用の許諾を確認できません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。

配布ファイル

Efficient-Large-Model/Sol-H3-VAE で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。

ファイル サイズ
fast_h3_vae_noncausal_24l.safetensors 6.47GB

入手方法

Hugging Faceの Efficient-Large-Model/Sol-H3-VAE からスナップショットダウンロード等の方法で入手できます。コードリポジトリや具体的な実装例は Sol-H3 in ComfyUI の関連ページを参照できます。

import sys
from huggingface_hub import hf_hub_download, snapshot_download

repo = snapshot_download("Efficient-Large-Model/Sol-H3-VAE")
sys.path.insert(0, f"{repo}/code")
from spark_decoder import SparkFastH3VAEDecoder

vae_config = hf_hub_download("MiniMaxAI/MiniMax-H3", "vae/config.json")
decoder = SparkFastH3VAEDecoder(vae_config, f"{repo}/fast_h3_vae_noncausal_24l.safetensors")

利用にあたっては、H3 VAEの config.json が必要となりますが、H3 VAE自体の重みは必要ありません。

関連記事

次に読むなら

出典