OpenVDN、ハイブリッドアテンションモデル VDN-Minimax-H3 を公開──B200 GPU 8基で 14.4秒動画を 11.23秒で生成
MiniMax-H3 をベースにフレーム方向の線形アテンションと LoRA アダプターを統合し、視覚品質を維持したまま 8 デノイジングステップでの高速生成を実現した。
リリース: 2026-09-02 · 読了 3 分記事の要約
1. 核心（What）
- OpenVDN はハイブリッドアテンションアーキテクチャを採用した動画生成モデル VDN-Minimax-H3 を公開した。
- H200 および B200 GPU 環境において、768p 解像度で 14.4秒の動画を 11.23秒で生成する性能を実証した。
- モデルの重みだけでなく、最適化された推論スタックおよびトレーニングコードが同時にオープンソース化されている。
- チェックポイントのダウンロードには hf コマンドを使用し、約 82GB のストレージ容量を必要とする。
2. 影響（Why）
- 生成速度の飛躍的向上: 再生時間を下回るデノイジング速度により、動画生成バッチ処理の待ち時間を短縮し、ライブストリーミングや即時プレビュー機能の実装コストを大幅に圧縮できる。
- 国内サービスへの導入判断: 日本国内の事業者はライセンス上の適用地域に含まれるため、EU や米国を除外した限定的なリージョン制限を回避しつつ、最新の高速化モデルを自社インフラに組み込める。
3. 根拠・詳細（How）
- ハイブリッドアテンション構造: フレームごとの効率的な線形アテンションブランチと、視覚的な一貫性を保持するソフトマックスブランチを組み合わせた設計を採用している。
- LoRA アダプターの統合: ベースのトランスフォーマーウェイトを変更せず、推論時に独立した線形アテンションブランチと 2 つの小型 LoRA アダプターをマージするプラグアンドプレイ方式をとる。
- 前処理と推論のパイプライン: Qwen3-VL-32B VLM を用いてテキストプロンプトを事前にエンコードし、configs/inference/8nfe_tuned_fp8.yaml 設定を通じて推論を実行する構成になっている。
4. 展望・課題（Next）
- カーネルコンパイルの最適化: 初回実行時にすべてのカーネルコンパイルが行われるため数分を要するが、以降の実行ではキャッシュを再利用する運用フローが前提となる。
- ライセンス遵守とコンプライアンス: 利用にあたっては MiniMax H3 コミュニティライセンス契約の全文を確認し、第三者への再配布時に NOTICE ファイルや修正通知を含める必要がある。