Destilovaný videomodel FastH3 nese strojově čitelný doklad o svém vzniku

Tým projektu FastVideo z laboratoře Hao AI Lab na Kalifornské univerzitě v San Diegu zveřejnil 27. srpna 2026 kontrolní bod FastVideo-FastH3-4-step-Preview-v1-VSA-DataFree. Je to čtyřkroková destilace videomodelu MiniMax H3, tedy jeho přeučená podoba, která z textu udělá video i zvuk po čtyřech průchodech hlavní sítě místo delší řady kroků odšumování. Vedle vah ale v repozitáři leží ještě jeden soubor, jaký v kartách modelů skoro nikdy nebývá.

Šestnáct položek, které říkají, odkud se model vzal

Soubor provenance.json má šestnáct položek. Základní váhy v něm nestojí jménem, ale i s revizí: hf://MiniMaxAI/MiniMax-H3@9bfb6693f2cf6de171db46d1aa586f67d773a1da. Dál je tam označení trénovacího běhu 20260823T132231Z-v10p5-datafree-sp4, číslo kroku 1 300, revize kódu FastVideo, dva otisky sha256, počet tenzorů destilované sítě (688) i jejich objem v bajtech, rozvrh čtyř kroků odšumování (999, 749, 500 a 250), jméno použitého jádra pozornosti a jeho řídkost 0,9.

Poslední položka se jmenuje known_recipe_deviation a je v ní jediná věta: tenhle kontrolní bod je starší než pozdější opravy plynulých hodin skóre a než srovnání s postupem týmu FastGen. Vydavatel tedy přímo v metadatech přiznává, že běh neproběhl podle receptu, který má dnes za správný. Metoda destilace je DMD2, kterou FastVideo v poděkování připisuje právě týmu NVIDIA FastGen.

Co z toho jde ověřit zvenčí

Otisk checkpoint_metadata_sha256 sedí na bajt: soubor checkpoint_metadata.json má 6 167 bajtů a jeho sha256 je opravdu dcad0fbe…, jak provenance uvádí. Druhý otisk se počítá jinak, než jeho jméno napovídá. checkpoint_content_sha256 není sha256 souboru checkpoint_content.json (ten má e2c0ba5e…), ale hodnota pole aggregate_sha256 uvnitř něj. V tom souboru je seznam osmnácti položek kontrolního bodu, každá s vlastní velikostí a otiskem, takže se dá po jednom ověřit i to, co se stáhne.

Odkazovaná revize základních vah se stáhne i dnes a váhy v ní sedí: všech 104 souborů .safetensors má tentýž otisk jako hlavní větev repozitáře MiniMaxu. Rozdíl je jen v okolí. Odkazovaná revize má 297 souborů proti dnešním 280, protože obsahuje osmnáct ukázkových videí a obrázků, které z repozitáře později zmizely; naopak jí chybí model_index.json, přidaný až po ní. Zvláštní je něco jiného: ve výpisu dvaceti revizí hlavní větve H3 ta revize není a její čas (3. srpna 2026, 05:50 UTC) je o deset hodin starší než nejstarší commit toho výpisu.

Revize kódu obstála taky. Commit 48a047c0 v repozitáři FastVideo existuje, nese v evidenci GitHubu čas 23. srpna 2026, 13:21:47 UTC, a jmenuje se „allow fresh-allocation SP4 recovery“. Označení běhu 20260823T132231Z odpovídá témuž dni v 13:22:31 UTC, tedy 44 sekund po tom commitu.

Pátý odkaz ale nikam nevede. Adresa běhu ve službě Weights & Biases vrátí každému nepřihlášenému 404 s větou, že je nutné se přihlásit nebo požádat majitele stránky o změnu nastavení soukromí. Křivky z trénování, které by z dokladu udělaly ověřitelný celek, tak zůstávají uvnitř laboratoře.

Proč se objem tenzorů liší od velikosti souborů

Provenance uvádí student_tensor_bytes 70 099 502 592, kdežto součet čtrnácti souborů s vahami destilované sítě dá podle výpisu repozitáře 70 099 582 760 bajtů. Rozdíl je 80 168 bajtů a není to nesrovnalost: formát safetensors ukládá na začátek každého souboru délku hlavičky a za ni popis tenzorů v JSONu. Přečetl jsem u všech čtrnácti souborů rozsahovým dotazem prvních osm bajtů, sečetl délky hlaviček a vyšlo přesně 80 168. Provenance tedy počítá jen vlastní data, ne obal. Prvnímu číslu odpovídá po vydělení dvěma 35 049 751 296 parametrů, protože váhy jsou v bfloat16.

Kdo si chce model pustit, stahuje víc než destilovanou síť. Celý repozitář má 147 835 483 860 bajtů, tedy 147,8 GB. Z toho 70,1 GB je vlastní transformátor, 66,7 GB textový kodér a 11,0 GB dva dekodéry pro obraz a zvuk; poslední tři části se z MiniMaxu H3 přebírají beze změny. Kdo základní model už má, obejde se s předextrahovanou nástavbou LoRA, která pro tenhle kontrolní bod váží 5,3 GB. Karta modelu k tomu dodává, že počet karet musí beze zbytku dělit 56 hlav pozornosti, které H3 má.

Zrychlení zatím měřil jen vydavatel

Čísla o rychlosti jsou v oznámení na blogu laboratoře a nikdo je zatím nezopakoval. Měřilo se na kartách NVIDIA B200 při rozlišení 1344×768 a 24 snímcích za sekundu včetně zvuku, jako medián ze tří žádostí po jednom zahřívacím běhu, bez načtení modelu a překladu jader. Na jedné kartě trvá patnáctisekundový klip základnímu H3 s hustou pozorností 678,7 sekundy, kdežto destilované verzi s devadesátiprocentně řídkou pozorností 47,2 sekundy. To je těch 14,38násobku z titulku oznámení. U pětisekundového klipu je poměr 8,16 a u desetisekundového 12,13, takže nejlepší řádek tabulky je zároveň ten nejdelší.

Za pozornost stojí, co v tabulce naopak není. Pro osm karet blog zrychlení neuvádí vůbec a píše k tomu, že bez měření základního H3 na stejném počtu karet žádný osminásobek netvrdí. Je to poznámka stejného druhu jako věta o odchylce receptu: údaj, který by šlo mlčky dopočítat, autoři radši vynechali.

Licence se dědí i s výjimkou pro Evropu

Karta modelu říká, že kontrolní bod přebírá licenci MiniMax H3 Community License, a přiložený text to potvrzuje. Ta licence platí jen na území, ze kterého jsou vyňaty Evropská unie, Británie, Korejská republika a Spojené státy, jak už jsme psali u samotného H3. Na destilaci přitom míří výslovně: mezi odvozené modely počítá i takový, který vznikl přenesením chování původní sítě „destilačními metodami“. Pro čtenáře v Česku to znamená, že si model může prohlédnout, ale povolení k jeho provozu podle textu licence nemá.

Kontrolní bod má i další hranice a karta je uvádí sama: destilované je jen generování z textu, kdežto navazování na první a poslední snímek a práce s referenčním obrázkem destilované nejsou, a u obtížného pohybu, jemných detailů a části zvuku může výsledek zůstat pod základním modelem.

Schéma zatím patří jednomu projektu

První položka souboru se jmenuje schema_version a má hodnotu fasth3-checkpoint-provenance-v1. Ten název je vázaný na tuhle jednu řadu kontrolních bodů, ne na sdílenou normu, kterou by četl nějaký nástroj napříč Hugging Face. Dokud se z toho nestane zvyk oboru, zůstane doklad o vzniku modelu tím, čím je dnes: dobrovolnou prací jednoho týmu, kterou si každý příští vydavatel může odpustit.

Zdroje

• Karta kontrolního bodu FastVideo-FastH3-4-step-Preview-v1-VSA-DataFree na Hugging Face, včetně souborů provenance.json, checkpoint_content.json a LICENSE
• FastVideo FastH3 V1, oznámení laboratoře Hao AI Lab z 27. srpna 2026 s tabulkou naměřených časů
• MiniMaxAI/MiniMax-H3, repozitář základního modelu a odkazované revize
• Commit 48a047c0 v repozitáři FastVideo
• Improved Distribution Matching Distillation for Fast Image Synthesis, práce popisující metodu DMD2

Velikosti souborů, součty hlaviček safetensors, otisky sha256 a porovnání revizí jsou vlastní měření nad veřejným rozhraním Hugging Face a GitHubu, provedená 31. srpna 2026.