8GB显存跑MiniMax H3：FreeVideo开源，视频大模型装进笔记本

不用再去租按秒计费的云端显卡——一个叫 FreeVideo 的开源项目，声称能在只有 8GB 显存、16GB 内存的普通电脑上，本地跑起 MiniMax H3。后者是 330 亿参数的开源视频模型，完整整合包动辄两百多 GB。据项目方介绍，FreeVideo 已经以 ComfyUI 插件的形式发布，Windows 和 Mac 都有一键安装包，Linux 走命令行，模型还支持离线安装。截至发稿，这个仓库在 GitHub 上已有约 1.4k Star。

让这件事成立的，不是把模型简单“压小”，而是同一批研究者给视频模型换了一套注意力结构。核心论文《Video DeltaNet: A Video-Native Hybrid Attention for Livestream Video Generation》在 9 月 17 日挂上 arXiv（编号 2609.20744），作者来自加州大学伯克利分校、Impossible 公司以及得克萨斯大学奥斯汀分校，第一作者 Haocheng Xi 是伯克利在读博士，师从 Kurt Keutzer。

为什么 H3 这么“难伺候”

要理解 FreeVideo 的价值，得先看清瓶颈在哪。据论文测算，在 MiniMax H3 的一次完整推理里，负责让画面上每个位置相互“打量”的注意力计算，占掉了去噪环节超过 85% 的运行时间；而这部分开销会随视频时长呈平方级增长——视频越长，越算不动。云端用八张 B200 可以硬扛，个人电脑显然不行。

把“全程紧盯”换成“近看远记”

Video DeltaNet（简称 VDN）的思路是让注意力分工。据 OpenVDN 官方博客，它把视频内部的注意力拆成两支：一支是滑动窗口的 Softmax 注意力，只让相邻几帧互相“仔细看”，保住纹理、轮廓和短期动作这些精细细节；另一支是双向线性注意力，把远处的帧压缩成一份固定大小的记忆，负责记住人物身份、场景布局和长程运动。为免丢掉首尾信息，VDN 还给第一帧和最后一帧加了两条“边界锚”，让每一帧都能参照开头与结尾，代价只是多出约 3.57% 的注意力密度。

更关键的是线性记忆的写入方式。传统线性注意力一次只处理一个 token，而视频是按帧推进的，一帧里成百上千个空间 token 同时到位。论文提出的 Video Delta Attention 改成“逐帧结算”：把整帧所有 token 的写入放进同一个方程一起求解，让相互重叠的方向在更新内部先“协商”，而不是各自记账。论文证明，这种更新对继承下来的旧记忆是“非扩张”的——连续几十帧累加，旧信息不会被某一帧意外放大而冲垮。据论文对比，在接近的延迟下，它的多项画质指标高于此前的稀疏注意力基线。    

数字，与它真正的门槛

速度是这套方案最直观的卖点。据官方数据，在八张 NVIDIA B200 上、配合 SGLang 推理栈，VDN-H3 用 8 步去噪在 6.9 秒内完成一段 14.4 秒、768p 视频的去噪，端到端约 9.0 秒——比视频本身还短；相比同等硬件上 50 步的原始密集 H3，提速约 14.5 倍。它同时支持文本、首帧、尾帧、首尾帧以及“类参考图生视频”等多种输入。

不过这些漂亮数字来自数据中心级显卡。真正把它送进笔记本的，是建立在 VDN-H3 之上的 FreeVideo：它会协调显存、内存和硬盘，按显卡自动选择权重精度——GeForce 与 RTX 30 系用 int8，工作站和数据中心卡用 FP8——再叠加权重流式加载、异步预取与分块计算，把峰值内存压下去。按官方说明，切换到 int8 后，一块 RTX 3090 生成 5 秒视频快了约 2.3 倍。

一周连发五个版本

FreeVideo 的迭代节奏也很“开源”：10 月 2 日正式开源，10 月 3 日加入社区 LoRA 支持；10 月 5 日上线 Light / Medium / High / Max 四档画质，并放出 Mac 预览版（已在 24GB 统一内存的 M5 Mac 上测试）；10 月 6 日让生成的视频自带工作流——把它拖回 ComfyUI 画布，就能还原提示词、种子和参数，同时开放作品画廊；10 月 7 日又更新 int8 模型，并加入“先出半分辨率预览、满意再渲染完整版”的省时模式。

对本地创作者意味着什么

把 8GB 显存当成“下限”而不是“舒适区”，会更接近事实：它证明这条路走得通，但实际速度、时长与分辨率仍取决于具体硬件，更高画质档位需要更多时间等待。此外，模型权重沿用 MiniMax H3 社区许可，带有地区与用途限制，商用前需自行核对。尽管如此，方向已经清楚：开源视频模型正从“数据中心专属”变成“个人电脑可玩”，而对注意力结构的重构，正是这轮降门槛的关键推手。

信息来源：FreeVideo（GitHub） ｜ Video DeltaNet 论文（arXiv:2609.20744） ｜ OpenVDN 官方页