論文の概要: Running a 20B Video Diffusion Transformer on Consumer Hardware: A Deployment and Measurement Report for MiniMax H3 on Apple Silicon

• arxiv url: http://arxiv.org/abs/2611.00843v2
• Date: Tue, 03 Nov 2026 10:41:13 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:48:33.552919
• Title: Running a 20B Video Diffusion Transformer on Consumer Hardware: A Deployment and Measurement Report for MiniMax H3 on Apple Silicon
• Title（参考訳）: 消費者向けハードウェアで20Bビデオ拡散トランスフォーマーを走らせる:Apple SiliconのMiniMax H3の展開と測定レポート
• Abstract要約: ビデオ拡散変換器(DiT)であるMiniMax H3のエンドツーエンド展開と測定について報告する。 消費者向けのApple Siliconハードウェア、M5 Proチップ搭載のApple Mac miniと64GBのメモリ。 576x1024のクリップは4838.49秒でレンダリングされ、MLXピークは27.467 GiBだった。 17のプロダクション・クリップ(世代別プロンプト)の盲目人間によるレビューでは、構造的整合性、時間的整合性、可視的アーティファクトのために5のうち3.12、3.18、および2.94が平均された。
• 参考スコア（独自算出の注目度）: 2.948890797218342
• License:
• Abstract: We report the end-to-end deployment and measurement of MiniMax H3, a 20.38-billion-parameter video diffusion transformer (DiT) - the count measured from the safetensors headers of the Q8 checkpoint as deployed locally (Section 3.2) - running entirely on consumer Apple Silicon hardware: an Apple Mac mini with M5 Pro chip and 64 GiB of unified memory. Using the official bf16-to-Q8 (8-bit, group size 64) quantization path executed locally on the machine, we produced a working text-to-video pipeline with no cloud dependency. We document the full deployment procedure, including two non-trivial blockers and their fixes, and report measured figures for build time, peak memory, and per-clip render latency across four resolution tiers (Draft 384x640 through Native 768x1344). A 15.08-second 576x1024 clip rendered in 4838.49 seconds with a measured MLX peak of 27.467 GiB. We further operated the system as an unattended production pipeline, completing 17 clips in 26.49 hours with zero render failures. A blind human review of the 17 production clips (generation prompts withheld) averaged 3.12, 3.18, and 2.94 out of 5 for structural integrity, temporal consistency, and visible artifacts. All figures in this report are our own measurements except where explicitly labeled as third-party data. This is a systems/empirical report; we make no claim of model innovation.
• Abstract（参考訳）: 我々は、20.38ビリオンのパラメトリックビデオ拡散トランスフォーマ(DiT)であるMiniMax H3のエンドツーエンドの展開と測定を、ローカルにデプロイされたQ8チェックポイントのセーフテンソルヘッダーから測定した数(Section 3.2)を報告した。 マシン上でローカルに実行される公式のbf16-to-Q8 (8-bit, group size 64)量子化パスを用いて,クラウドに依存しない動作するテキスト・ツー・ビデオパイプラインを作成した。 2つの非自明なブロッカとその修正を含む完全なデプロイメント手順を文書化し、4つの解像度層(Draft 384x640 through Native 768x1344)にわたるビルド時間、ピークメモリ、クリック毎のレンダリングレイテンシの測定値について報告する。 15.08秒の576x1024クリップは4838.49秒でレンダリングされ、MLXピークは27.467 GiBだった。 さらに、未完成のプロダクションパイプラインとしてシステムを運用し、レンダリングエラーをゼロにして、26.49時間で17のクリップを完了しました。 17のプロダクション・クリップ(世代別プロンプト)の盲目人間によるレビューでは、構造的整合性、時間的整合性、可視的アーティファクトのために5のうち3.12、3.18、および2.94が平均された。 このレポートのすべての数字は、サードパーティのデータとして明示的にラベル付けされているものを除いて、私たち自身の測定値です。 これはシステム/経験的なレポートです。

関連論文リスト

• Streaming Speech Recognition on a Microcontroller: a 65.7M-Parameter Transducer in 2 and 4 Bits on the ESP32-P4 [0.0]
  Cエンジンはそれぞれの1.28 sのオーディオを両方のコアで0.90 sで処理し、ビームサーチを内蔵し、PCビルドはチップと同じビットを演算する。 LibriSpeech WERはテストクリーンが4.34%、他が10.26%、リリースモデルが3.94%、9.17%である。
  論文  参考訳（メタデータ） (2026-10-28T19:30:01Z)
• WeVisCut: The Whole Editing Room in One Agent From Narration to Long-Form Video [50.440020150042876]
  WeVisCutは、ツールの実行とポリシー学習を接続する長文のスクリプト・トゥ・ビデオシステムである。 我々の4段階のデータパイプラインは、編集インバージョンと検証されたリプレイを組み合わせて、復元された編集意図を実行可能な監視に変換する。 共有ツール環境下では、WeVisCutはベースモデルを大幅に上回り、Claude Opus 5と同等のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-10-28T06:51:40Z)
• VibeVideoBench: Evaluating Multimodal Agents on Code-Driven Video Generation [54.06324099927377]
  VibeVideoBenchは、コード駆動のビデオ生成のエージェントを評価するためのベンチマークである。 英語と中国語の239の自己完結タスクは12のカテゴリにまたがっている。 各タスクは、イメージやビデオ生成モデルのないサンドボックス内のネイティブハーネス内で実行されているエージェントに、1時間以内に完了したMP4を配信するように要求する。
  論文  参考訳（メタデータ） (2026-10-26T17:59:32Z)
• VideoLoop: Looped Working Memory Against Semantic Thrashing in Long-Form Video Agents [67.73068372825597]
  ロングフォームビデオ理解には、多くの推論ステップに関する証拠を反復的に収集するマルチモーダルエージェントが必要である。 追加のみのワーキングメモリが増加すると、キーエビデンスへの注意は崩壊し、エージェントは、既に見つけたものへのアクセスを失う。 本稿では,新たに観測された目標証拠を付加できるが,蓄積した雑音を除去できないことを示す構造的議論を提案する。 ループを2つ結合したマルチモーダルエージェントであるVideoLoopを提案する。
  論文  参考訳（メタデータ） (2026-09-29T17:50:21Z)
• Building Pretraining Data for World Models: An Unreal Engine-Based Pipeline for Action-Conditioned Video Generation [53.851483224691634]
  動作条件付きマルチビュービデオを生成するためにUnreal Engine上に構築した大規模合成データ生成パイプラインを提案する。 パイプラインは1080pビデオの2,691時間、720pビデオの6,076時間を生成する。
  論文  参考訳（メタデータ） (2026-09-03T08:58:04Z)
• CogEvol: Towards Efficient and Reliable Learning Environment Generation [49.18054685846454]
  本稿では,学習環境生成に特化して訓練されたモデル群であるCogEvolを紹介する。 CogEvolは、スライドを中央値17秒、対話ページを59秒で完了し、数分のマルチターンエージェントの足場を置き換える。 プロダクショングラウンドのデータパイプラインは、実際の障害を53,687個のSFTサンプルに変換する。
  論文  参考訳（メタデータ） (2026-08-31T15:33:38Z)
• What actually runs: a measurement study of language model placement and decode speed on the Apple Neural Engine [0.0]
  一致したモデルのサイズと精度をトレーニングし、量子化されたチェックポイントを、fp16のモデルに比例した構造で識別する。 私たちは推論中にANEのメモリコントローラのバイトカウンタを読み、コンパイラが意図したものではなく実際に実行するものを確立しました。
  論文  参考訳（メタデータ） (2026-08-22T21:22:24Z)
• A Modern Multimodal Assistant on a 6 GB 2011 GPU: Stage-Validated, All-GPU CUDA Inference for Fermi [0.0]
  このレポートはハードウェアを維持し、適合するモデルに何ができるかを尋ねる。 SigLIP2エンコーダとウィンドウアテンションマージを組み合わせた,現代的なマルチモーダルアシスタントであるMini-V-4.6をデプロイする。 システムは、画像質問のエンドツーエンドを1.7秒で答える。
  論文  参考訳（メタデータ） (2026-07-16T04:48:44Z)
• Native LLM and MLLM Inference at Scale on Apple Silicon [0.8122270502556375]
  MLX をネイティブに構築した Apple Silicon 上で,効率的な LLM と MLLM 推論のためのフレームワーク vllm-mlx を提案する。 テキストモデルでは、Qwen3-0.6BからNemotron-30Bまでの範囲で、ラマよりも21%から87%高いスループットを達成する。 マルチモーダルモデルでは,入力形式によらず,同一画像をコンテンツハッシュで識別することで,冗長な視覚符号化を不要とするコンテンツベースキャッシングを導入する。
  論文  参考訳（メタデータ） (2026-01-27T03:11:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。