生成一段 14.4 秒的 768p 视频，端到端只需要 9.0 秒。这个数字来自 MiniMax H3 在 8 × B200 上的最新实测——预热完成后，去噪速度已经超过实时的 2 倍。

更细的拆解是：8 步去噪本身只花6.9 秒，9.0 秒覆盖的是整个生成请求的完整链路。对比对象是稠密 50 步的 H3，官方给出的说法是没有测到质量回退。

提速是怎么来的

这次提速不是单一环节的优化，而是两个开源项目的叠加：SGLang-Diffusion 加上 VDN-H3。前者负责推理调度，后者负责把去噪步数压下来。

把 50 步压到 8 步，是速度翻倍的关键变量。步数减少意味着模型前向次数大幅下降，而质量是否守住，是这类加速方案最容易被质疑的地方。这次给出的结论是 " 没有测到质量回退 " ——注意是 " 没有测到 "，不是 " 绝对无损 "。

另一个变量是硬件。8 × B200 的配置本身就属于高规格推理环境，2 倍实时这个成绩是在这个前提下取得的，不是消费级显卡上的表现。

几个值得记住的数字

14.4 秒：生成的 768p 视频时长

9.0 秒：预热后的端到端生成耗时

6.9 秒：8 步去噪耗时

2 倍以上：相对实时的去噪速度

8 × B200：测试所用硬件配置

这几个数字放在一起看，意义在于视频生成的时间成本结构正在变化。当生成一段十几秒的视频只需要个位数秒数，交互方式和使用场景都会跟着变。

开源生态的复利

这次提速的路径很清晰：MiniMax H3 作为模型，SGLang 作为推理框架，VDN-H3 作为加速方案，三者都是开放可组合的。发布方的表述是 " 开放模型通过开放生态实现复利 "。

这句话背后的逻辑不难理解。模型方把权重放出来，推理框架方去做调度优化，加速方案方去压步数，每一层都能被其他人接着改。速度的提升不是某一家闭门做出来的，而是多个项目互相叠加的结果。

对使用者来说，这意味着拿到的不只是一个更快的模型，而是一套可以被继续优化的组合。今天跑出 2 倍实时，明天可能有人在这个基础上再往前推一步。

当然，所有成绩都有前提。8 × B200 不是普通配置，9.0 秒是预热后的数字，质量结论是 " 没有测到回退 "。这些限定条件本身就是信息的一部分。