H3-metal – Apple Silicon 的原生 MiniMax-H3 推理

h3-metal 适用于 Apple Silicon 的 Native MiniMax-H3 推理。该项目正在构建为一系列工作垂直切片：首先是确定性主机/模型元数据，然后是便携式金属块奇偶校验、提示编码、视频/音频提示、第一帧/最后一帧调节，然后是有序引用。视频/音频提示、第一帧/最后一帧调节以及有序 Ref2VA 图像/视频/音频参考端到端工作。当前的工作是在 M3 Max 和 M5 Max 上增量 H3 特定的 Metal 性能和内存优化。教程 1. 构建和检查模型 这些示例假设 Hugging Face 快照位于 ./MiniMax-H3 中，并且 FFmpeg 和 FFprobe 在 PATH 上可用。 make -j8 mkdir -p 输出 ./h3 --info -d ./MiniMax-H3 --info 检查模型布局并打印选定的金属设备，而不映射所有权重或生成介质。运行 ./h3 --help 以获取完整的 CLI 参考。如果没有 -p ，相同的二进制文件将启动 Iris 样式的交互式会话： ./h3 -d ./MiniMax-H3 --width 512 --height 512 --steps 6 键入提示以生成编号视频。该会话将精确的 BF16 提示调节、准备好的 DiT 和视频解码器保留在内存中，因此使用另一个种子重复提示可以避免再次加载和编码它们。有用的命令有 !status 、 !seed random 、 !seconds 2 、 !show 、 !save output.mp4 和 !cache 。使用 !help 获取完整的简短列表。第一/最后一帧调节在会话中持续存在： h3> !first opening.png h3> !lastending.png h3> 相机围绕拍摄对象缓慢移动。使用 !firstclear 或 !lastclear 删除锚点。生成的视频将写入启动时打印的会话目录。对于一般的 Ref2VA 调节图像，请改用 !ref-image PATH。图像按顺序附加并以 、 等形式暴露给模型；文件名对模型没有任何意义。 h3> !ref-image person.png h3> 使图1所示的人向镜头挥手。 !refs 列出当前顺序，!ref-remove N 删除一项，!refsclear 删除全部。 Ref2VA 引用不能与 !first / !last 锚点混合。 2. 制作第一个快速视频 从经过验证的平衡预设开始。它以 24 fps（约 0.92 秒）生成 22 帧，在受支持的图形终端中显示每次去噪转换后不断变化的中间视频帧，并打印相位计时： ./h3 --profile \ -d ./MiniMax-H3 \ -p " 一只红狐在松林中穿过新鲜的雪。中等跟踪镜头，自然冬季光线，逼真的毛皮，柔软的脚步声和风。" \ --width 512 --height 512 \ --frames 22 --steps 20 \ --layers 45 --reuse 2 \ --show \ -ooutputs/fox-fast.mp4 这不是最激进的配置：--steps 20 执行默认的 20 次降噪。 --reuse 2 计算 11 个新的降噪器速度，而不是全部 20 个，并推断跳过的过渡。 --第 45 层运行 50 个变压器块中的 45 个，减少了时间和统一内存的使用。 --show 是可选的。它支持 Kitty/Ghostty 和 iTerm2/WezTerm/Konsole 图形协议。它加载常驻预览 VAE，在每次欧拉转换后显示一个代表性的中间视频帧，然后显示所有最终帧。显示尺寸默认为 2x，因此图像在 macOS Retina 屏幕上具有其预期的逻辑尺寸；在非 HiDPI 显示器上使用 --zoom 1。这增加了预览解码时间和大约 10 GiB 的临时模型驻留；没有 --show 的运行没有变化。 --profile 是可选的，不会选择不同的生成路径。第一个进程调用还支付模型加载和文件系统缓存成本。使用重复运行和机器预热时的替代变体来比较性能，因为此工作负载对热节流很敏感。对于非常短的迭代，直接请求四次去噪： ./h3 --profile \ -d ./MiniMax-H3 \ -p " 一只红狐在松树林中走过新鲜的雪。中等追踪镜头，自然冬季光线，逼真的毛皮。" \ --width 512 --height 512 --frames 22 \ --steps 4 --layers 50 --reuse 1 \ --show \ -ooutputs/fox-four-step.mp4 --steps N 始终意味着恰好 N 次降噪。四到七次通过使用了赢得低预算比较的相同时间表；从 4 增加到 7 逐渐改善细节和运动。将 --reuse 1 保留在如此小的预算中，以便每个请求的传递都运行该模型。 --show 在每次通过后显示一个预览。评估了几个尾部密集的计划，因为从长远来看，大多数可见的清理工作都发生在后期。他们保留的早期构图更新太少，并产生了编织纹理、微弱的运动或剪裁的颜色。保留模式使用释放的线性基础网格，具有一个端点。在 512 方形、22 帧 Fox 测试中，所选的四遍结果与 29 遍参考相比，全视频 SSIM 为 0.556；独立冲浪者测试测得 0.547。 M5 Max 上的四通道降噪大约需要 3.5 秒，而参考版则需要 26.4 秒。 3. 移动