一句话总结
Redis 之父 Salvatore Sanfilippo（antirez）重出江湖，用他标志性的精简 C 代码为 MiniMax H3 视频生成模型打造了 Apple Silicon 原生推理引擎——无需 Python、无需 PyTorch，一行
make编译，Metal 加速跑视频。
antirez 回来了——这次他写的是 AI 推理引擎
2026 年 8 月 9 日，GitHub 上出现了一个名为 h3.c 的仓库。作者是 Salvatore Sanfilippo，开源社区更熟悉他的网名：antirez。
如果你不知道 antirez 是谁：他是 Redis 的创造者。Redis 是地球上最流行的内存数据库，GitHub 65K+ stars，被 Twitter、GitHub、Stack Overflow 等无数公司使用。antirez 在 2020 年退出 Redis 项目的日常维护，随后转向了科幻写作和技术探索。
现在他回来了——带着一个全新的项目：h3.c，一个用纯 C 语言编写的 MiniMax H3 视频生成模型推理引擎。
h3.c 是什么？
h3.c 是 MiniMax H3 模型的原生 Apple Silicon 推理引擎。它不依赖 Python、PyTorch 或任何深度学习框架——纯 C 代码 + Metal Shading Language，直接跑在 Mac 的 GPU 上。
核心能力：
- 文生视频（Text-to-Video）：输入文字提示，输出 MP4 视频
- 首尾帧条件控制：给定第一帧和最后一帧图片，生成中间过渡视频
- Ref2VA 参考生成：输入参考图片，模型根据参考内容生成视频
- 交互式会话模式：类 Iris 风格的 REPL 界面，实时预览生成过程
技术架构：极简主义的极致
antirez 的代码风格以「精简、可读、实用」著称——Redis 的源代码就是软件工程的教科书。h3.c 延续了这一传统：
垂直切片开发策略
项目采用 Working Vertical Slices 策略：每次迭代产出一个完整可用的功能切片，而非按层次（先做推理核心→再做编码→最后做 UI）。第一个切片是确定性模型元数据读取，然后是 Metal 模块、提示词编码、视频生成、帧条件控制——每一步都是可运行的。
// 编译就是一行命令
make -j8
// 检查模型结构
./h3 --info -d ./MiniMax-H3
// 生成第一段视频
./h3 -d ./MiniMax-H3 \
-p "A red fox walks through fresh snow" \
--width 512 --height 512 \
--frames 22 --steps 20
Metal 加速：把 Mac GPU 用到了极致
h3.c 通过 Apple 的 Metal API 直接在 GPU 上运行推理。antirez 特别针对 M3 Max 和 M5 Max 做了性能优化：
--reuse参数：跳过部分去噪步骤，复用已计算的速度向量——质量损失极小但速度翻倍--layers参数：可以选择性跳过 Transformer 层，用显存换速度--show终端预览：支持 Kitty/Ghostty/iTerm2/WezTerm 图形协议，在终端里实时看到去噪中间帧
为什么不用 Python？
antirez 在 Twitter 上解释过：C 语言让他完全控制内存布局和 GPU 调度。Python 的深度学习框架虽然方便，但在 Apple Silicon 上的性能开销太大——Metal 缓冲区的分配、权重映射、内存带宽优化，每一步都需要精确控制。
实际体验：从零到视频只需 3 步
步骤 1：下载模型
从 Hugging Face 下载 MiniMax H3 模型快照到本地 ./MiniMax-H3 目录。h3.c 会自动检测模型结构和权重布局。
步骤 2：编译运行
make -j8
mkdir -p outputs
./h3 --info -d ./MiniMax-H3
--info 会打印模型信息、检测到的 Metal 设备、权重映射情况——不实际加载全部权重，秒级完成。
步骤 3：交互式生成
./h3 -d ./MiniMax-H3 --width 512 --height 512 --steps 6
进入交互式会话后，可以：
- 直接输入提示词生成视频
!seed random切换随机种子!first image.png/!last image.png设置首尾帧!ref-image person.png添加参考图片!save output.mp4保存结果
会话会缓存提示词编码和模型权重，重复生成同一提示词不同种子时无需重新加载——这在需要迭代优化输出时极其高效。
为什么这件事重要？
1. 传奇程序员的 AI 转向信号
antirez 不是追逐风口的人。他在 Redis 最火的时候选择退出，花了 5 年时间写科幻小说、研究系统编程。他选择 MiniMax H3 作为切入点，说明他看到了 Apple Silicon 端侧 AI 推理的真正潜力——这不是跟风，而是经过深思熟虑的技术判断。
2. 纯 C 推理引擎的价值
Python 生态虽然丰富，但在端侧推理场景中，依赖链复杂、内存占用大、启动慢。一个纯 C 的推理引擎：
- 零依赖：不需要 conda、pip、CUDA toolkit
- 启动快：从命令行到生成完成，全流程毫秒级初始化
- 可嵌入：可以编译成库嵌入到任何应用
- 可审计：代码量小，每一行都能看懂
3. 中国模型的全球化路径
MiniMax H3（海螺AI）是中国 AI 公司 MiniMax 的视频生成模型。一个意大利系统程序员为它写了原生推理引擎——这是中国AI模型被全球开发者社区认可的标志性事件。
同类项目对比
| 项目 | 语言 | 平台 | 依赖 | 特点 |
|---|---|---|---|---|
| h3.c | C | Apple Silicon | 零 | Metal 原生加速，交互式 REPL |
| llama.cpp | C++ | 跨平台 | 零 | LLM 推理，GGUF 格式 |
| MLX | Python | Apple Silicon | pip | Apple 官方框架，API 友好 |
| diffusers | Python | 跨平台 | PyTorch | Hugging Face 生态，模型丰富 |
h3.c 和 llama.cpp 的思路一脉相承：用 C/C++ 实现零依赖推理，榨干硬件性能。不同的是，h3.c 专注于视频生成这一更重的任务，且只支持 Apple Silicon——这是一种「不求通用，只求极致」的哲学。
局限性
- 仅限 Apple Silicon：不支持 NVIDIA GPU、x86 CPU、移动端
- 仅支持 MiniMax H3：单一模型，非通用推理框架
- 视频质量：受限于 H3 模型本身，非 h3.c 的问题
- 早期阶段：项目 2 天前刚发布，API 和性能还在快速迭代中
总结
- antirez 用 C 语言为 MiniMax H3 打造了原生 Apple Silicon 推理引擎
- 零依赖、Metal 加速、交互式 REPL——延续了 Redis 的极简主义哲学
- 这是传奇系统程序员对「端侧 AI 推理」的技术投票
- 中国 AI 模型（MiniMax）被全球顶级开发者认可的标志
- 适合想在自己的 Mac 上本地生成视频、研究推理引擎实现的开发者
数据来源：GitHub API（2026-08-11 查询）、项目 README
