MiniMax-H3 RefMod 实战：打包 JPEG 缓存提速，角色串扰近乎消除
acedelgado · reddit · 2026-09-30
开发者更新了其开源的 Fantastic MiniMax-H3 Prompt Builder（ComfyUI 节点），核心改进围绕 RefMod（参考素材）的编码与缓存：
- 原理：原生 RefMod 只把媒体存为 latents 直接喂给 DiT，文本编码器看不到参考；作者此前让部分帧进入文本编码器做条件锚定，但每次生成都要重复编码，很慢。
- 提速技巧：利用 .safetensors 只是容器这一特性，把参考图以 JPEG 数据与 latents 打包存进同一文件（类比视频内嵌字幕），JPEG 直接喂文本编码器、跳过 VAE，且条件可跨次缓存——只要不改变 RefMod 顺序和强度，重复处理全部跳过。
- 新增 stackpictures 模式：every 4th（默认，最轻）、up to 8（跨数据集采样 8 帧单独喂，细节更好）、all（全部帧进 TE，最慢但细节最大、几乎无角色串扰）。
- 实测：每角色 6 张图+几秒音频，3 个 RefMod 共约 14,900 tokens，5090 上约 32s/it（0.98mp），配合 8 步 HyperFlow 与音频精修套件。另为视频编辑加了 edit masking。数据集与多个配套仓库（HyperFlow、AudioRefine）均已开源。
「多模态」频道最新
- 等生成间隙弹吉他,AI 视频团队拍出人机即兴合奏短片 — mrjonfinger · 2026-09-30
- Meta LSRM 获 ECCV 2026 最佳论文提名，稀疏注意力扩展 3D 重建 — rsasaki0109 · 2026-09-30
- Meta 实验室 LSRM 获 ECCV 2026 荣誉提名，3D 重建精度大幅超越 SOTA — rsasaki0109 · 2026-09-30
- NVIDIA 推出 LongLive-Plug:蒸馏一次即可复用于 54 个下游视频模型 — nvidia · 2026-09-30
- Adobe 研究:对抗训练后处理修复像素扩散模型的高频细节缺失 — adobe-research · 2026-09-30
- UCSD 提出 LIFT:用末帧布局控制未来画面,解决大视角变化视频生成 — UCSanDiego · 2026-09-30