影片生成的瓶頸變快了，而你家的廚房早就懂「慢在哪一段」

先說清楚時間。這則消息是 2026 年 9 月 23 日由 ComfyUI 官方技術文章披露的：他們優化了 MiniMax H3 的 Video VAE，編碼最高加速約 2.2 倍，解碼約 1.4 到 2.7 倍，測試條件是 RTX 5090、1344x768、129 影格。為什麼現在還值得聊？因為它講的其實是一個廚房問題：一桌菜上桌的時間，到底花在哪一段。

備料、火候、擺盤，缺一段都上不了桌

你一定有過這種經驗。客人七點到，你五點就進廚房。雞湯先下鍋，小火滾著；青菜洗好瀝乾；蒜切了，薑切片，醬汁調好放在小碗裡。看起來一切就緒，結果湯要燉兩小時，六點半你只能站在爐邊發呆，備好的料整整齊齊排在流理臺上，等。

AI 生成影片的流程，結構幾乎一樣。輸入的影片或影像要先經過「編碼」，被壓縮成模型看得懂的潛在表示，這是備料；模型採樣逐步生成內容，這是爐上的火候；生成完的潛在表示要再「解碼」還原成一格一格的影格，這是把燉好的湯盛碗、把菜擺盤；最後還有格式轉碼與檔案寫入，等於打包外送、貼單、放上機車。這次 ComfyUI 加速的是備料和擺盤那兩段，也就是 Video VAE 的編碼與解碼。火候本身沒變快，打包也沒變快。

官方文件對 MiniMax H3 的輸出描述是「最高 2K 解析度、24fps、約 15 秒」，它支援文字、影像、影片與音訊輸入輸出，還能產生原生立體聲。而實例數字是這樣的：同樣一段 1344x768、129 影格的編解碼來回，從 24.3 秒降到 12.7 秒，差不多省了一半。

「快 2.2 倍」是哪一段的快

這裡要潑一點冷水，而且是你燉湯時早就明白的那種冷水。

假設一桌菜要十分鐘上齊，其中八分鐘在等那鍋湯，兩分鐘在炒最後那道青菜。你把炒青菜的速度練到快三倍，整桌還是要等八分鐘的湯，總時間只省下十幾秒。計算機科學裡這叫 Amdahl 定律：整體加速的上限，取決於你沒優化到的那部分佔多少。官方解碼倍數最高到 2.7 倍，但如果你的工作流大部分時間都在採樣，那個 2.7 對總等待的影響就有限。這與我們先前聊過的爐火與一道菜從慢到快的道理相通：局部升級要放在整條流程裡看，才知道值不值得換。

還有一個容易混淆的地方。VAE 的「編碼」和輸出 MP4 時的 H.264、H.265 轉碼是兩回事。前者是把食材處理成爐子能接受的形狀，後者是把做好的菜裝進便當盒。兩個都叫「處理」，但發生在不同節點，加速的也只有前者那一段。

什麼時候你真的有感

文生影片的工作流，VAE 負擔多集中在輸出解碼，等於菜都炒好了，擺盤排隊。圖生影片、首尾幀或參考影片的工作流，則一開始就要先編碼你的素材，最後仍要解碼，備料和擺盤兩頭都佔。所以同一個優化，不同人拿到手的體感會差很多。這是依工作流結構做的推論，官方並沒有對所有工作流都給出保證數字。

另外，測試是在 RTX 5090 上跑的。換一張顯示卡、換模型精度、改預覽設定，比例都可能變。官方數字是「哪裡可能耗時」的線索，真正的答案要用自己的硬體、自己的片長與解析度重測一遍。就像食譜上寫「煎魚三分鐘」，你家爐子的火力、鍋的厚度、魚的厚度，全都會讓那三分鐘變成兩分或五分。

生活中的 Amdahl 定律

其實你在市場裡每天都在做這種計算。

滷一鍋肉要兩小時，所以你學會前一天晚上先滷；白飯要 forty 分鐘，所以你先按下去再切菜。你沒有辦法讓滷肉快十倍，但你可以把「等」和其他事重疊起來，或者承認它就是慢，然後調整整頓飯的節奏。真正讓人挫折的從來不是慢，是不知道慢在哪。你以為是炒菜手腳不夠快，拼命練刀工，結果瓶頸是那鍋湯，這種努力就白費了。

巷口印喜帖的老店也懂這件事。急件來的時候，老闆先問的不是「幾張」，而是「哪個環節最趕」，是打樣、印刷還是裁切裝封。找對瓶頸，才知道加班加在哪一站，這個道理和我們寫過的五百頁兩秒印好的那間老印坊是同一門手藝。

一頓飯的時間帳，值得算清楚

所以，這次升級值不值得裝？我的建議和買菜一樣務實。

先看自己的工作流。如果你做圖生影片、常載入參考素材，輸入編碼那段可能佔不少，優化會比較有感；如果瓶頸一直卡在採樣步驟數，那先把步數、模型權重和注意力實作這些「火候」問題處理好，再回頭管備料。然後用自己日常那條工作流跑一次前後對比，別只看官方倍數。24.3 秒變 12.7 秒是官方機器上的數字，你的廚房有自己的爐火。

廚房教我們最久的一件事是：一道菜的時間是所有段落加起來的。洗菜、切菜、起鍋燒油、下鍋、燜、收汁、盛盤，每一段都誠實地疊在總時間裡，沒有哪一段能代替另一段。科技新聞喜歡給你一個漂亮的倍數，而做飯的人知道，真正該問的問題永遠是：今天這桌菜，到底慢在哪一段。

把這個問題問清楚了，無論是升級一套軟體，還是燉一鍋湯，你都不會再把力氣花錯地方。