一個 C 文件一臺 Apple Silicon 的 Mac就能生成視頻。這個項目解決什么問題MiniMax H3 是目前最火的多模態大模型之一但官方推理需要巨量 GPU 資源普通開發者根本碰不到。Redis 之父 antirezSalvatore Sanfilippo用純 C 語言 Metal 寫了一個本地推理引擎h3-metal讓任何一臺 Apple Silicon 的 MacM3 Max 甚至 M5 Max都能直接跑 H3 生成視頻。沒有 Docker沒有 Python 環境依賴一個make編譯完就跑。核心亮點純 C 實現極致極簡。整個項目只有一個h3.c文件沒有復雜的構建系統。make -j8編譯./h3運行。antirez 一貫的風格——把問題壓縮到最小可運行形態。原生 Metal 加速。不依賴 PyTorch、TensorRT 等重量級推理框架直接調用 Apple Silicon 的 Metal GPU API。BF16 精度內存復用 prompt conditioning 和 DiT 預編碼器。交互式會話。類似 ChatGPT 的對話式操作輸入提示詞自動生成視頻支持!first、!last首尾幀錨定!ref-image引用參考圖。生成的視頻保留在會話目錄中。Ref2VA 參考圖工作流。可以傳入一張人物照片讓 H3 生成照片中的人向鏡頭揮手的視頻這在本地推理中非常罕見。快速上手# 1. 克隆項目gitclone https://github.com/antirez/h3.c.gitcdh3.c# 2. 下載模型約 40GB# 從 Hugging Face 獲取 MiniMax-H3 快照到當前目錄# 3. 編譯make-j8# 4. 檢查模型./h3--info-d./MiniMax-H3# 5. 生成視頻./h3--profile\-d./MiniMax-H3\-pA red fox walks through fresh snow in a pine forest\--width512--height512\--frames22--steps20\--layers45--reuse2\--show\-ooutputs/fox-fast.mp4--layers 45只跑 50 層中的 45 層 Transformer平衡速度和質量。--reuse 2復用前一次的 denoiser 結果跳過一半的計算。我的評價這是 antirez 的招牌套路。和 Redis、luajit、kdb 一樣——把一個領域里大家默認需要復雜框架的事情壓縮成一個 C 文件。技術含量不在用了什么新技術而在用了最少的技術做了什么。局限也很明顯。模型體積大H3 權重幾十 GB對內存有要求M3 Max 起步不支持 Windows 和 LinuxMetal 是 macOS 獨占 API。這決定了它更像是一個技術 demo 和參考實現而非生產工具。但它的參考價值很高。如果你想知道 H3 到底是怎么跑起來的——不是看 Python 的抽象層而是看實際的 GPU kernel、內存管理、denoising 流程——h3-metal 是最短路徑。GitHub: https://github.com/antirez/h3.c · License: AGPL-3.0 用 Redis 之父寫的 h3-metal 在 Mac 上跑 MiniMax H3 視頻生成
一個 C 文件一臺 Apple Silicon 的 Mac就能生成視頻。這個項目解決什么問題MiniMax H3 是目前最火的多模態大模型之一但官方推理需要巨量 GPU 資源普通開發者根本碰不到。Redis 之父 antirezSalvatore Sanfilippo用純 C 語言 Metal 寫了一個本地推理引擎h3-metal讓任何一臺 Apple Silicon 的 MacM3 Max 甚至 M5 Max都能直接跑 H3 生成視頻。沒有 Docker沒有 Python 環境依賴一個make編譯完就跑。核心亮點純 C 實現極致極簡。整個項目只有一個h3.c文件沒有復雜的構建系統。make -j8編譯./h3運行。antirez 一貫的風格——把問題壓縮到最小可運行形態。原生 Metal 加速。不依賴 PyTorch、TensorRT 等重量級推理框架直接調用 Apple Silicon 的 Metal GPU API。BF16 精度內存復用 prompt conditioning 和 DiT 預編碼器。交互式會話。類似 ChatGPT 的對話式操作輸入提示詞自動生成視頻支持!first、!last首尾幀錨定!ref-image引用參考圖。生成的視頻保留在會話目錄中。Ref2VA 參考圖工作流。可以傳入一張人物照片讓 H3 生成照片中的人向鏡頭揮手的視頻這在本地推理中非常罕見。快速上手# 1. 克隆項目gitclone https://github.com/antirez/h3.c.gitcdh3.c# 2. 下載模型約 40GB# 從 Hugging Face 獲取 MiniMax-H3 快照到當前目錄# 3. 編譯make-j8# 4. 檢查模型./h3--info-d./MiniMax-H3# 5. 生成視頻./h3--profile\-d./MiniMax-H3\-pA red fox walks through fresh snow in a pine forest\--width512--height512\--frames22--steps20\--layers45--reuse2\--show\-ooutputs/fox-fast.mp4--layers 45只跑 50 層中的 45 層 Transformer平衡速度和質量。--reuse 2復用前一次的 denoiser 結果跳過一半的計算。我的評價這是 antirez 的招牌套路。和 Redis、luajit、kdb 一樣——把一個領域里大家默認需要復雜框架的事情壓縮成一個 C 文件。技術含量不在用了什么新技術而在用了最少的技術做了什么。局限也很明顯。模型體積大H3 權重幾十 GB對內存有要求M3 Max 起步不支持 Windows 和 LinuxMetal 是 macOS 獨占 API。這決定了它更像是一個技術 demo 和參考實現而非生產工具。但它的參考價值很高。如果你想知道 H3 到底是怎么跑起來的——不是看 Python 的抽象層而是看實際的 GPU kernel、內存管理、denoising 流程——h3-metal 是最短路徑。GitHub: https://github.com/antirez/h3.c · License: AGPL-3.0