原始生成任务
保留这个 case 本来的输入条件，生成 Base50 oracle 以及所有低 NFE 对照。
REFERENCE & GENERATION PERFORMANCE · 2026-09-04
Reference 如何影响生成效果与推理效率？
在 MiniMax-H3 中加入 Base50 oracle reference，生成效果、少步表现和推理耗时会如何变化？我们比较 Base 50/25/20/15/10 NFE、PDD8 与 LightX4；轨迹一致性是观察 reference 作用的一个维度。
2scenes
28validated outputs
7settings / option
2exact noise pairs
01 · CONTROLLED DESIGN
Option2 不是换掉原条件，而是在它上面加 oracle
每个 scene 内，14 个结果复用同一对显式 float32 video/audio initial-noise tensors。
Option1 Base50 完整 MP4
124 帧视频与同步音轨都作为 Video 1 输入 Ref2VA；不是抽一张 frame。
Oracle reference 重生成
Option1 原有输入条件 + Base50 audiovisual oracle，使用独立的 transformer_ref。
| Scene | Option1：原始任务 | Option2：增加 oracle 后 |
|---|---|---|
| Car driftseed 20260904 | TEXT纯 T2VA，无 reference | VIDEO + AUDIOBase50 oracle MP4 |
| Desert observatoryseed 20260905 | IMAGE原始 telescope Picture 1 | IMAGEVIDEO + AUDIOPicture 1 + Base50 oracle MP4 |
02 · VIDEO EVIDENCE
对比 Reference 加入前后的生成效果
CASE 01
Rain-soaked neon car drift
高运动 T2VA：低机位跟拍红色跑车漂移，通过积水、霓虹反射与快速相机弧线测试轨迹敏感性。
SEED · 20260904Option1 layoutBase50 · 25 · 20 · 15 / Base10 · PDD8 · LightX4 · 原始输入
Option2 layoutOracle · Base50 · 25 · 20 / Base15 · 10 · PDD8 · LightX4
声音默认关闭。开启后只播放 Option1 Base50 音轨；Option2 composite 的音�来自同一个 oracle，因此不会双重播放。
查看当前 case prompt
03 · ORACLE ADHERENCE
Oracle reference 把低步结果拉近了多少？
一致性用于观察 reference 保持程度，是性能评估的一个维度。所有数值相对于该 scene 的 Option1 Base50 oracle；视频指标取 16 个等距帧。
SSIM0–1
越高表示采样帧在结构和亮度上越接近 oracle；它不是主观画质评分。
Option1 · 直接/原始参考生成
Option2 · 加入 Base50 oracle
Option2 Base50 本身相对原始 oracle
Car · SSIM 0.8283
Reference generation 是重生成，不是像素复制；低步结果应同时看 oracle adherence 和对 Option2 Base50 的内部一致性。
两个 case 都略高于 Base10 对各自 Option2 Base50 的一致性。
Oracle 对声音帮助明显，但没有把视觉构图拉回 oracle。
相对于 Option1，加入 oracle 后的 PSNR 增益。
04 · RUNTIME
少步减少 denoise，但 reference encoding 是固定成本
时间包含 conditioning、denoise、VAE decode 和导出，不含单独记录的 checkpoint load。
| Scenario | Base50 | Base10 | PDD8 | LightX4 | LightX4 speedup |
|---|---|---|---|---|---|
| Car · Option1Text T2VA | 130.4s | 29.3s | 28.5s | 16.4s | 7.97× |
| Desert · Option1Image Ref2VA | 152.7s | 43.3s | 43.8s | 28.3s | 5.39× |
| Car · Option2Video-oracle Ref2VA | 844.8s | 301.1s | 267.4s | 215.7s | 3.92× |
| Desert · Option2Image + video Ref2VA | 866.0s | 313.1s | 289.0s | 220.1s | 3.93× |
8.1–11.7s model load
约 197 GiB immutable assets 每节点只 stage 一次到 NVMe；大型模块 meta 初始化，8 个 FSDP2 ranks 直接读取各自 safetensor rows。
05 · REPRODUCIBILITY
每组生成结果都有可审计记录
28/28 输出通过媒体、scheduler、partition、noise 和 oracle checksum 验证。
Sampling contract
- Rectified-flow Euler，
eta=0 - Literal 50 / 25 / 20 / 15 / 10 / 8 / 4 NFE
- Sigma grid points = NFE + 1，terminal zero 不计 forward
- Video shift 12 · Audio shift 3
Matched partitions
- T2VA：
transformer+ FL2VA LoRA - Ref2VA：
transformer_ref+ Ref2VA LoRA - Alibaba PDD 8 NFE · strength 1.0
- LightX2V Turbo 4 NFE · alpha 8
Validated media
- 960×544 · 124 frames · 24 fps
- 32 kHz stereo generated audio
- One video + one audio stream per MP4
- Four web composites decode end-to-end
Exact noise and oracle SHA-256
Car video noise
7532dfeeb7a8a006b7b4dae370b80e2b6d6e9311f524854235456bcf3695e8b9Car audio noise
bf5467870ff06b605b724bcad7f24a472fec898f3c19fcc7bbf27e813f43f219Car oracle
2d76ee4eee48a5ace742167cc9389b30d241929b2bc1bb57fc7cdca6b932464aDesert video noise
a594c2fd78001f47b6a7c4633442690303f9f07c9f0bbb213c7f072e369da20cDesert audio noise
5e4d49256ad04fe79a1ffd5f2a3ebee2aad5ac09c3c682d74dd639b0f0f987acDesert oracle
9079f7898594fe422f271ae22a76e4657a830cf69be788429c3bb74efc292fb7READ WITH CARE
这是两个受控 case，不是总体排行榜
相同 noise 只控制一个随机源，不能让 T2VA 与 Ref2VA 的 latent trajectory 天然相同。PSNR/SSIM 会惩罚合理的构图变化，也不能替代人工画质和偏好评测。