ResearchMan← Technology
PTD(Parametric Trajectory Distillation)for MiniMax-H3
Research条件付き (Apache-2.0)#GenVideo

PTD(Parametric Trajectory Distillation)for MiniMax-H3

EPFL VITA Lab / NVIDIA / Stanford(Lan Feng ほか)/2026-10

Overview

約33Bの映像+音声同時生成モデルMiniMax-H3を、LoRAだけで4〜6ステップに蒸留し、50ステップの元モデルより約7〜11倍速く生成できるようにした手法とComfyUI対応コード。

技術のポイント

大きな動画生成モデルは、ノイズから映像を作るのに何十回も計算を繰り返すため遅いのが悩みです。PTDは、その計算回数を4回または6回に減らしつつ、品質を保つ蒸留(先生モデルのやり方を生徒モデルに教える)手法です。論文では、5秒・1344×768・音声付きの1クリップが、元の50ステップの343秒から4ステップで31秒、6ステップで46秒になります(H100を8枚使用、VAEデコード除く)。盲検の比較では、既存の4ステップ手法より66%の票で好まれ、動きの自然さと多様性も高いと報告されています。広告・体験づくりでは、構図案を何本も短時間で試す、展示場でその場で映像を作る、といった「待ち時間が企画の制約になる」場面で効いてきます。公式サイトには1分53秒の紹介映像と短編4本が掲載されています。

技術の詳細

仕組み:通常の蒸留は「先生の1点での傾き(速度)」だけを真似させます。PTDは生徒モデルに、各ステップで「進む先の終点」と「そこへ向かう曲線の係数」を予測させ、先生の速度を曲線の途中数か所で読み取って最小二乗で合わせます。曲線は学習のための足場で、推論時は終点へ一直線にジャンプするだけなので速さは損なわれません。ステップごとに別々の小さなLoRAを持つ構成です。 従来との違い:同じ4ステップ蒸留のLightX2V DMDと比較して、盲検評価(10名・74プロンプト・82票)で66%の票を得ています。ただし票数は少なく、信頼区間は54〜76%と幅があります。 使うには:コードはGitHub(release/comfyui-inference ブランチ)で、CLIとComfyUIネイティブノードの両方に対応します。ただしこのブランチはコミット数が少なく、検証済みはComfyUIの4ステップ文字→動画のみ。6ステップや画像条件付きはフルモデルでは未検証と明記されています。重みはHugging Faceの epfl-vita/PTD-weights と、Taobaoチームの MiniMax-H3-PTD-LoRAs(8/4ステップ)から入手でき、これらはMiniMax H3 Community Licenseです。ベースモデルを含めて約140GBの重みが必要で、報告はH20クラスGPUでの検証です。個人のGPUで試すには、コミュニティの量子化対応ローダーを待つのが現実的です。

License

推論コードはApache-2.0。ベースモデル・PTD重み・出力はMiniMax H3 Community License Agreementに従う。

Sources

Related Works