UC Berkeley / Impossible, Inc.(Haocheng Xi ほか)/2026-09
動画生成AI「MiniMax H3」の計算を高速化する新しい注意機構。8割以上を占めていた計算コストを線形に置き換え、14秒・768pの動画をGPU8枚で11秒、再生時間より速く生成できるようにした。
動画生成AIは「今のコマ」を作るために「これまでの全部のコマ」を見比べる計算(注意機構)をしており、動画が長くなるほど計算量が二乗で膨れ上がるのが弱点だった。VDN(Video Delta Net)は、直前の数コマだけは今まで通り精密に見比べ、それより前の古い情報は「要約した記憶」として一定コストで参照する仕組みに置き換えることで、この二乗コストを線形コストに変えた。結果としてMiniMax H3の生成速度を最大90倍近くまで押し上げ、14秒の動画を再生時間(14秒)より短い11秒で生成できることを示した。広告制作の現場では「動画1本の初稿を数十分〜数時間待つ」のが当たり前だったが、この技術が実装に組み込まれれば、長尺のプレビジュアライズや複数パターンのラフ動画出し分けをその場で試しながら演出を詰める、という使い方が現実的になっていく。
仕組み:動画生成AIの内部では、各コマ(フレーム)を作るときに「他の全コマとの関係」を計算する注意機構が使われる。長い会議の議事録を書くとき、直前の発言は一言一句正確にメモしつつ1時間前の話は要点だけ覚えておけば十分なのと同じ発想で、VDNは近いコマ同士だけ従来通りの精密な計算(ソフトマックス注意)を行い、遠く離れたコマとの関係は「線形注意」という一定コストで済む簡略計算に置き換える。 従来との違い:通常の動画AIは動画が2倍長くなると計算量が4倍に増えるため、長尺・高解像度の生成は非常に重かった。VDNは長さに比例するだけの計算量で済むため、既存のMiniMax H3の重みに小さなアダプタ(LoRA)を足すだけで、画質をほぼ落とさずに大幅な高速化を実現している。 使うには:コードと重みはGitHubとHugging Faceで無料公開されており(Apache-2.0)、ComfyUI用ノードも有志によって公開済み。ただし公表値はNVIDIA B200のような業務用高性能GPUを複数枚使う前提で、個人PCで同じ速度を出すのは難しい。ベースのMiniMax H3自体の重みには専用ライセンスがあるため、商用利用前に条件確認が必要。
推論コード自体はApache-2.0で商用利用可。ただしベースにするMiniMax H3の重みは「MiniMax H3 Community License」に従い、一部地域で利用不可などの制限があるため要確認。
VDNが高速化の対象とするベースの動画生成モデル本体
映像と音声を1パスで同時生成できる、別系統のオープンウェイト動画モデル
VDNをComfyUIのノードとして使えるようにした非公式移植版