vLLM 联合 MiniMax 发布 H3 模型，支持原生音视频同步生成
vllm_project · x · 2026-08-03
vLLM 项目与 MiniMax 团队合作，推出了开源多模态生成模型 MiniMax-H3 的部署方案。
- 核心能力：模型能够读取文本、图像、视频和音频的混合上下文，端到端生成连贯的视听内容，而非后期配音。
- 架构设计：采用 CFG 蒸馏的联合视频/音频扩散 Transformer (DiT)，通过 vLLM-Omni 的 OpenAI 兼容 API 提供服务，每次请求直接返回包含 H.264 视频和原生立体声音频的 MP4 文件。
- 性能表现：在 4×B300 GPU 上，仅需约 87 秒即可生成 8.7 秒、1248×768 分辨率的同步音视频。
- 部署方式：模型分为 FL2VA（文本/首尾帧生成）和 Ref2VA（多模态参考生成）两个独立分区，切换时需重启服务。
所属事件:MiniMax 开源 33B 全模态视频模型 H3(35 条相关)→
「Infra」频道最新
- 同样 1000 个 Cloudflare Durable Objects，月成本从 4050 美元压到 22 美元 — threepointone · 2026-10-16
- NVIDIA 发布 Qwen3.8-Flash FP4 量化版，主打本地部署 — nvidia · 2026-10-16
- 百度提出 Virtual Head Attention：同时压 KV cache、算力并保质量 — baidu · 2026-10-16
- DuoDiscover 让 Agent 自建快速评估代理，TPU 内核提速 2.68 倍 — berkeley_ai · 2026-10-16
- Google 将 2026 年资本开支上调至最高 2050 亿美元 — emmanuelvivier · 2026-10-16
- Google 开源 AX:像 Kubernetes 一样编排数十亿 Agent 任务 — thisdudelikesAI · 2026-10-16