MiniMax-H3向け高速デコーダー Sol-H3-VAE、ComfyUI 0.44.0で対応追加
掲載 基準日
H3動画のVAEデコードを置き換えるSol-H3-VAEが公開され、ComfyUI 0.44.0が11月4日に対応を追加した。制作チームの数値では、RTX 5090での5秒クリップのデコードが12.5秒から5.0秒に短縮されたとされる。
何があったか
Hugging FaceのSol-H3-VAEモデルカードとComfyUI v0.44.0リリースノートを基に整理する。
Sol-H3-VAE（モデルカード）
- H3のVAEデコーダー（36層）を、24層・1.62Bパラメータの非因果デコーダーに蒸留した代替品である。同じ正規化潜在(latent)を受け取り、同じフレームを出力し、オーディオデコーダーはそのままである。（公式）
- 5秒クリップのデコード時間（既存のH3 VAEからSolへ）：RTX 5090 768pで12.5秒から5.0秒、GB200 720pで6.16秒から0.34秒、GB200 2Kで14.5秒から0.89秒。GB200の値はCUDAグラフ、5090の値はeagerモードによるものである。（公式、制作チームによる自己測定）
- 画質：既存デコーダー比でPSNR 45.4dB（保留潜在）、生成された768pクリップでは38.2dB。同一ではなく近似した代替品である。（公式）
- メモリ：CUDAグラフを使用すると、5秒クリップは720pで約24GiB、2Kで約48GiBとなる。クリップ全体を一度にデコードする必要があり、潜在を1つずつ流す方式は使えない。（公式）
- 既定の高速エンジンはTriton、FlashAttention-4、QuACKが必要である。
engine="ref"は純粋なPyTorchで動作する。5090では初回呼び出しにカーネルコンパイルで約25秒かかる。（公式） - 既知のバグ： SM120 GPU（RTX 5090、DGX Spark）では、FlashAttention-4 4.0.0b19〜b22がvarlenのバグによりメモリアクセスエラーを起こす場合がある。ガードを設けるか、refエンジンを使うよう案内されている。（公式）
- ライセンス： コードはApache-2.0、重みはMiniMax-H3ライセンスに従う。（公式）
ComfyUI v0.44.0（11月4日、リリースページに年の記載なし）
- Sol-H3-VAE、MiniMax-H3潜在アップスケーラー、H3コンテキストウィンドウのサポートが入り、H3 Maxパートナーノード（Recast、Extend、Reframe、Insert、Lip Sync、Camera Control）が追加された。（公式）
- 動画保存にProRes出力とクロマサブサンプリングの選択が追加された。VAE演算dtypeを指定するノードが追加され、LTX 2.5 VAEデコーダーでそのオプションを使った際の競合が修正された。（公式）
- FlashVSRと画像アップスケールノードがComfy Router（WaveSpeedパートナーノードの下）へ移動された。（公式）
確認できていないこと： 独立した測定（上記の時間はすべて制作チームの数値）、生成画質の目視比較、モデルカードの公開日。
当チャンネルの見方
RTX 5090一枚でH3を動かす人にとっては、デコード段階が半分以下に減るという点が目を引く。ただし720pで約24GiB多く必要で、5090系にはFlashAttention-4のバグに関する注意事項もあるため、速度だけを見て切り替えるのは早計である。
FlashVSRノードがComfy Routerへ移動されたという変更は、既存のワークフローでFlashVSRを使っている人が、アップデート後もノードがそのまま動くかを確認する必要があるということである。