高清一补，已经定稿的脸和字会先走样
2026年11月9日，SoL-Engine 公开了 Open-H3-Regenerate-2K-IC 的代码和权重，用来把 MiniMax-H3 已经生成好的低清草稿做成更高清的成片。常见输入是 768P（1344×768），输出可以到 1080P、2K（2560×1440）或 4K。上一版开源方案会先把放大后的草稿重新加噪，再用三步把纹理画细。皮肤和头发清楚了，眼睛、皱纹、嘴形和画面上的字却容易离开原来的样子。IC 把这份草稿留在生成模型的上下文里，让高清画面在旁边重新画，每一步都还能读到原来的脸、口型和构图。
MiniMax 开源的是能出 768P 的 H3 Base，官方高清阶段 H3-Regenerate-2K 走的是 API，Open-H3-Regenerate-2K 把这一步放到自有 GPU 上，IC 是其中把一致性收紧的新版。作者里 Sensen Gao 与 Haozhe Liu 并列一作，Enze Xie 也在名单上。项目说明的原话是：Open-H3-Regenerate-2K-IC is not an official MiniMax product，它不是 MiniMax 官方产品。
草稿留在同一次生成里，每一步都能对照
这里的 IC，指的是把参考留在上下文中。H3 自带的参考视频模型 Ref2VA 会把参考片和正在生成的片段放进同一条序列。草稿先经 H3 的 VAE 编成潜在表示，也就是画面在模型内部的压缩形式。这份表示一直放在序列前部，用来记住原来的脸、文字和构图；后部才是正在画的高清目标。
附加的 IC LoRA 加在 Ref2VA 的 312 个线性层上，秩是 384，H3 主体保持冻结，这组参数学习的是怎样利用旁边的参考。草稿的帧，连同生成这条草稿时的原始提示词，会交给 Qwen3-VL，在序列里作为一段视频上下文，提示词记下原本要拍什么，草稿记下嘴形和招牌实际长成什么样。项目页把这件事收成一句：The draft stays in context at every step，意思是每一步，草稿都留在上下文中。
三步接着放大的草稿画，八步从噪声重画
三条路线共用 HyperFlow 的八步噪声表，video shift 为 12，引导强度 CFG 设为 1，所以每一步只调用一次生成模型，默认三步就是三次调用。三次调用只说明步骤少，一段片子实际要等多久，还要看分辨率、显卡和解码。
默认的 up3 先用三维卷积把草稿的潜在表示直接放大到 2K 或 4K 的网格，中间不解码成普通画面，再把放大结果混到噪声强度 σ 0.835。起点是 (1−σ) 乘放大结果，加上 σ 乘噪声，然后接八步流程的最后三步；up4 混到 σ 0.923，比三步多走一步，hf8 则从 σ 1 的纯噪声走完八步。放大后的草稿负责布局和颜色，余下的步数把更细的内容画出来，参考那一路在三条路线里都还在。
推理时，参考行会混进极少的噪声，99.9% 来自草稿，0.1% 来自噪声，时间步贴在接近干净的一端，被一步步减掉噪声的是高清目标。HyperFlow 和 LMS Sharp 在加载模型时并进去，Sharp 的默认强度是 1.0，填 0 就关闭；这两项留在推理阶段，训练只更新对照草稿的那组 LoRA。
训练时参考保持干净，误差只算在高清目标上
训练素材取自 768P 到 4K 的真实视频。团队先把片子缩小成像草稿一样的低清副本，再给其中一部分额外加模糊，让模型也见过更软、更糊的输入。
两者按各自分辨率用 H3 的 VAE 编码，低清潜在表示放在序列前面并保持干净，高清潜在表示放在后面，再按流匹配的路径混入高斯噪声。噪声强度 σ 按 shift 12 抽样：多数落在纯噪声附近，整条路径仍覆盖到接近干净的一端。
损失只落在目标那一段。用预测速度对照 x₀ 减 ε 的均方误差，参考段不参与，模型学到的就是目标处在不同噪声阶段时，怎样利用旁边那份低清参考。HyperFlow 和 LMS Sharp 留到推理再加入。
同一批草稿上，上一版和官方接口各自偏了哪里
项目用 H3 Base 生成的同一批 1344×768 草稿，把上一版开源方案和 IC 都输出成 2560×1440，同步播放，并在下方放大同一窗口。棚拍肖像、邮筒、夜市和祖母这四条里，上一版画出的纹理更多，眼睛、皱纹和嘴形也更容易偏离草稿，IC 把这些部位留在草稿附近。棚拍这一帧里，上一版把嘴张得更大，IC 仍接近草稿的抿嘴。
同一批草稿再交给官方 H3-Regenerate-2K API，两边输出仍是 2560×1440。停车场标牌上，官方结果把字画成读不出的笔画，IC 结果保留 PRIVATE CAR PARK；翠鸟的水花和玻璃蘑菇的苔藓，则是 IC 画得更清楚的地方。招牌看的是原来的内容还在不在，水花和苔藓看的是画面有没有变丰富，这些新增纹理都是模型按草稿重新画出来的，验收时要和原来的表情、口型放在一起看。
演示里的 4K 和预设里的 4K，像素并不相同
项目另外放了三段原生 4K，把 768P 草稿重绘到 4096×2304，分别是自行车与猫、海边码头和奔向大海。看这三段时，既要看清晰度，也要看人物动作和场景布局有没有跟着细节一起变。
命令里的 4k 预设是 3840×2160，代码先在 2176 行上计算，再保留中间的 2160 行；和这三段演示一致的 4096×2304，对应参数 4k-dci。1080P 预设是 1920×1080，同样先算到 1088 行再裁回 1080，默认 2K 则正好是 2560×1440。
更低的草稿也能进这条流程，384P 是 672×384，512P 和 576P 也可以，目标都是 1344×768。页面上的五段 384P 演示走八步 HyperFlow，左右并排时，左边把低清原片放大到同一显示尺寸，右边是 IC 结果。雨夜那一帧里，伞上的雨珠、脸上的胡茬和皮肤更清楚，人和霓虹的位置仍对着左边；玻璃蘑菇那一帧里，苔藓和半透明的菌柄更细，上方的手指还停在原处。旗袍、画家、自行车与猫这三段，看的也是绣花、颜料和线条有没有在原位变清楚。
成片里听到的声音来自草稿。模型序列里的音频行使用一段固定的静音潜在表示，写成文件时草稿音轨会被原样拷回，片长也与草稿相同，高清嘴形要对上的就是这条原音轨。项目页称之为 The draft's audio track is copied unchanged。
跑起来先对上五秒窗口、卡数和许可
要跑起来，得先备齐 H3 的 Ref2VA、IC LoRA、HyperFlow、LMS Sharp、潜在表示放大器和解码器。仓库给出的环境是 Linux、Python 3.11、带 CUDA 的 PyTorch，以及包含 MiniMax-H3 管线的 Diffusers 开发版，系统路径上还要有 ffmpeg。示例命令用 8 张 GPU，卡数必须能整除模型的 56 个注意力头，所以是 1、2、4、7 或 8 张。
使用顺序是准备符合五秒窗口的 H3 草稿、保存生成这条草稿时的提示词、下载对应组件，再选输出分辨率和生成步数。提示词原样传入即可，留空也可以。IC 代码目录的 README 给出的最小命令只有三条，装依赖、下载权重，再用 torchrun 跑一条草稿，完整命令放在文末。
默认输出 2K，默认采样是 up3 三步。加 sampler up4 选四步，加 sampler hf8 选从纯噪声起步的八步，resolution 4k 对应 README 里的 3840×2160 预设。要复现页面上 384P 到 768P 的演示，得同时给出 resolution 768p、低清档 384 和 sampler hf8；README 里那行简短低清示例没有显式指定八步，直接照抄会落到三步。
多段片子可以写成 jobs.jsonl，每行放 input、output 和 caption，模型每轮只加载一次。解码器有快速和标准两种，项目说明 2K 用快速解码、4K 用 H3 VAE，实际走哪条还取决于硬件与片段大小；快速解码放不下的片段，会改用已发布的 H3 VAE。
权重跟随 MiniMax H3 Community License，适用地域定在全球，欧盟、英国、韩国和美国列在范围外。潜在表示放大器的节点文件另行使用 MIT，其余第三方组件保留各自许可。已经满意的镜头，值得保住的是原来的表演和内容，出高清版时把草稿放在旁边核对三件事：脸保持原样，嘴对上原来的声音，招牌按原样能读出来。这三件过了，再看多出来的细节。
pip install -r requirements.txt
python download.py --out ./weights
torchrun --nproc_per_node 8 infer.py --weights ./weights \
--input draft.mp4 --output draft_2k.mp4 \
--caption "生成这条草稿时的原始 H3 提示词"