# Four-Step H3 Inference *ทำไมการลด diffusion forward passes เหลือ 4 รอบถึงเร็วขึ้น และต้องแลกอะไรบ้าง* By [nanobro](https://blog.nanobro.co) · 2026-09-02 ai, video-generation, inference, h3 --- ![ภาพปก: ลดเหลือ 4 Step กับวิดีโอ AI](https://storage.googleapis.com/papyrus_images/8c599aba1edf73348ea96438939f900082a8738707e77379ca468791d6746eef.png) ภาพปก: ลดเหลือ 4 Step กับวิดีโอ AI ลดจากหลายสิบ Step เหลือ 4 Step: วิดีโอ AI จะเร็วขึ้นแค่ไหน และคุณภาพจะหายไปหรือเปล่า? ===================================================================================== ในวงการสร้างภาพและวิดีโอด้วย AI คำว่า "ลดจำนวน Step" มักฟังดูเหมือนการลดขั้นตอนจาก 30 รอบเหลือ 4 รอบ แล้วหวังว่าจะได้ผลลัพธ์เหมือนเดิม แต่ความจริงมีรายละเอียดมากกว่านั้น การลดจาก 30 Step เหลือ 4 Step อาจทำให้วิดีโอเร็วขึ้นหลายเท่า แต่ก็อาจกระทบทั้งรายละเอียด ความต่อเนื่องของภาพ และความสมเหตุสมผลของการเคลื่อนไหว ขึ้นอยู่กับว่าเป็นการลด Step แบบธรรมดา หรือเป็นโมเดลที่ผ่านการฝึกแบบ distillation มาโดยเฉพาะ Step ใน diffusion model คืออะไร? -------------------------------- Diffusion model เริ่มต้นจากข้อมูลที่เต็มไปด้วย noise แล้วค่อย ๆ ปรับให้กลายเป็นภาพหรือวิดีโอที่ตรงกับ prompt ในแต่ละ Step โมเดลจะดู latent ที่มีอยู่ แล้วคาดเดาว่าควรลบ noise ตรงไหน และปรับข้อมูลไปในทิศทางใด เพื่อให้เข้าใกล้ผลลัพธ์สุดท้ายมากขึ้น ภาพรวมจึงประมาณนี้: Noise ↓ Step 1: เริ่มเห็นโครงสร้าง ↓ Step 2: รูปร่างและองค์ประกอบเริ่มชัด ↓ Step 3: ปรับความสัมพันธ์ของวัตถุและการเคลื่อนไหว ↓ Step 4 เป็นต้นไป: เก็บรายละเอียดและแก้ artifact ↓ ภาพหรือวิดีโอสุดท้าย แต่ละ Step ไม่ได้หมายความว่าโมเดลคิดเรื่องใหม่ทุกครั้งเหมือนมนุษย์นั่งวิเคราะห์ การทำงานใกล้เคียงกับการค่อย ๆ ขัดข้อมูลที่ยังหยาบและมี noise ให้กลายเป็นผลลัพธ์ที่สมบูรณ์ขึ้น ถ้าลด Step จะเกิดอะไรขึ้น? -------------------------- ถ้าเอาโมเดลทั่วไปที่เคยใช้ 30 Step มาบังคับให้ทำงานแค่ 4 Step โดยไม่ได้ฝึกมาเพื่อสิ่งนี้ คุณภาพมักลดลงอย่างเห็นได้ชัด สิ่งที่อาจเกิดขึ้นมีตั้งแต่: * รายละเอียดผิว ผม และพื้นผิวลดลง * ขอบวัตถุไม่คม หรือมี artifact เพิ่มขึ้น * ใบหน้าและมือผิดรูปง่ายขึ้น * วัตถุเปลี่ยนรูปร่างระหว่างเฟรม * การเคลื่อนไหวไม่ต่อเนื่อง * วัตถุหายหรือโผล่ขึ้นมาแบบไม่มีเหตุผล * ความสัมพันธ์ระหว่างวัตถุผิดเพี้ยน ในกรณีวิดีโอ ปัญหาไม่ได้อยู่แค่ที่ภาพคมไหม แต่รวมถึงความต่อเนื่องระหว่างเฟรมด้วย ตัวอย่างเช่น มือถือแก้วในเฟรมแรก ยกแก้วในเฟรมที่สอง แต่แก้วเปลี่ยนรูปหรือนิ้วทะลุแก้วในเฟรมถัดไป 4 Step ที่ผ่านการฝึกมาแล้วต่างกันอย่างไร? ----------------------------------------- โมเดลแบบ 4 Step ที่ดีไม่ได้เกิดจากการตัด 26 ขั้นตอนทิ้งเฉย ๆ โดยทั่วไปจะใช้กระบวนการที่เรียกว่า distillation ซึ่งฝึก student model ให้เลียนแบบผลลัพธ์ของ teacher ที่ใช้ Step จำนวนมาก โมเดลเดิมอาจทำงานประมาณนี้: Noise → A → B → C → D → E → F → G → Final ส่วน student model จะถูกฝึกให้กระโดดระยะไกลขึ้น: Noise → C → F → Final แต่ละ Step ของ student จึงต้องแก้ข้อมูลจำนวนมากกว่าเดิม มันไม่ได้ทำงานเบาลงแบบตรง ๆ แต่ถูกฝึกให้แต่ละรอบมีประสิทธิภาพสูงขึ้น ลองเปรียบเทียบกับการทำก๋วยเตี๋ยวก็ได้ครับ การทำแบบ 30 Step เหมือนเราค่อย ๆ ปรุงชามหนึ่งทีละนิด ชิมน้ำซุป เติมน้ำปลา เติมพริก แล้วชิมซ้ำหลายรอบ ทุกครั้งมีโอกาสแก้รสได้ละเอียดขึ้น ส่วนโมเดล 4 Step ที่ผ่าน distillation มาแล้วเหมือนพ่อครัวที่ฝึกจนรู้ว่า ถ้าน้ำซุปมีรสแบบนี้ ควรเติมเครื่องปรุงทีเดียวในปริมาณเท่าไร จึงทำงานน้อยรอบกว่า แต่ยังได้รสใกล้เคียงเดิม ถ้าลดรอบของพ่อครัวที่ยังไม่เคยฝึกให้ทำแบบนี้ อาหารก็มีโอกาสจืด เค็ม หรือรสไม่เข้าที่ได้ง่าย ดังนั้น 4 Step model กับโมเดล 30 Step ที่เอามารันแค่ 4 Step จึงไม่ใช่สิ่งเดียวกัน จำนวน Step มีผลกับความคมชัดหรือไม่? ----------------------------------- มีผล โดยเฉพาะกับรายละเอียดขนาดเล็ก เมื่อมี Step มากขึ้น โมเดลมีโอกาสแก้ไขสิ่งเหล่านี้ได้มากขึ้น: * ขอบวัตถุ * รายละเอียดใบหน้าและเส้นผม * ลวดลายเสื้อผ้า * พื้นผิวโลหะ ไม้ น้ำ และกระจก * ตัวหนังสือ * แสงและเงาขนาดเล็ก * noise และ artifact แต่เพิ่ม Step ไม่ได้แปลว่าภาพจะคมขึ้นเสมอไป หากเกินจุดที่เหมาะสม คุณภาพอาจไม่ได้ดีขึ้นมาก คุณภาพยังขึ้นกับความสามารถของโมเดล การฝึกและ dataset, resolution, จำนวนเฟรม, scheduler, quantization, prompt และค่า guidance ด้วย แล้ว Step มีผลกับความฉลาดหรือ physics หรือไม่? ---------------------------------------------- มีผลทางอ้อม แต่ไม่ได้เพิ่มความฉลาดหลักของโมเดล สมมติว่าโมเดลถูกฝึกมาให้เข้าใจฉากที่มีคนโยนลูกบอล หากใช้ Step น้อยเกินไป โมเดลอาจไม่มีโอกาสปรับ trajectory ให้สมบูรณ์ จึงเกิดวิดีโอที่ลูกบอลลอยผิดทิศทาง เปลี่ยนขนาด หายไปกลางอากาศ หรือไม่ตกตามแรงโน้มถ่วง การเพิ่ม Step อาจช่วยให้โมเดลแก้ปัญหาเหล่านี้ได้ดีขึ้น เพราะมีโอกาส refine latent มากขึ้น แต่ถ้าโมเดลไม่เข้าใจฉากนั้นตั้งแต่แรก การเพิ่ม Step ก็ไม่ได้ทำให้มันกลายเป็นนักฟิสิกส์ ถ้าโมเดลไม่เข้าใจว่าแก้วควรอยู่ในมือ หรือไม่เข้าใจว่าน้ำควรไหลลงตามแรงโน้มถ่วง การเพิ่มจาก 4 Step เป็น 40 Step อาจช่วยลดความผิดพลาดบางอย่าง แต่ไม่ได้เปลี่ยนความสามารถพื้นฐานของโมเดล ความสามารถด้าน logic และ physics มาจาก network, ข้อมูลฝึก, สถาปัตยกรรม, วิธี distill และ sampling algorithm ร่วมกัน จำนวน Step เป็นเพียงส่วนหนึ่ง ข้อดีของการลดเหลือ 4 Step ------------------------- ### เร็วขึ้นมาก ถ้าการสร้างวิดีโอหนึ่งครั้งต้องเรียก DiT 30 ครั้ง แล้วลดเหลือ 4 ครั้ง ปริมาณการคำนวณในส่วนนี้ก็ลดลงมาก ทำให้ทดลอง prompt ได้เร็วขึ้นและสร้างวิดีโอได้จำนวนมากขึ้น ### ใช้ทรัพยากรน้อยลง จำนวน forward pass ที่ลดลงช่วยลดภาระ GPU และอาจทำให้การสร้างวิดีโอทำได้ง่ายขึ้นบนเครื่องที่มีข้อจำกัดด้าน VRAM หรือ memory bandwidth ### ลดต้นทุนต่อวิดีโอ สำหรับระบบ cloud หรือ production server การลดจำนวนรอบคำนวณช่วยลดเวลา GPU ต่อ request แม้ต้นทุนจริงยังขึ้นกับ resolution, จำนวนเฟรม และ configuration อื่น ๆ ### เหมาะกับ dedicated server ถ้ารู้แล้วว่าจะใช้ H3 เป็นหลัก และไม่ได้เปลี่ยน LoRA ทุก request การ fuse weights และ optimize execution path ไว้ล่วงหน้าก็สมเหตุสมผล ข้อเสียของการลดเหลือ 4 Step --------------------------- ### รายละเอียดบางอย่างอาจลดลง มือ ใบหน้า ตัวหนังสือ ของเหลว วัตถุโปร่งใส และลวดลายซับซ้อน อาจยังเป็นจุดที่โมเดล 4 Step ทำได้แย่กว่าในบางสถานการณ์ ### Motion และ temporal consistency อาจแย่ลง รูปร่างตัวละครอาจเปลี่ยน เสื้อผ้าอาจสลับลาย แขนขาอาจบิด หรือวัตถุอาจหลุดจากตำแหน่ง โดยเฉพาะ prompt ที่มีการกระทำหลายขั้น ### ยืดหยุ่นน้อยลง FastH3 เหมาะกับโมเดลหรือ variant ที่กำหนดไว้แล้ว แต่เปลี่ยน LoRA หรือ model variant ระหว่าง request ได้ยากกว่าแนวทาง Turbo LoRA ที่เก็บ adapter แยกไว้ ### ต้องใช้ configuration ที่เหมาะสม โมเดล 4 Step มักถูกฝึกให้ทำงานกับ scheduler และค่าบางชุด หากตั้งค่าผิด คุณภาพอาจตกเร็วกว่าระบบที่มี Step มากกว่า FastH3 คุ้มไหม? --------------- FastH3 คุ้มถ้าใช้ H3 เป็นโมเดลหลัก ต้องการความเร็วสูง และ workflow ไม่ได้เปลี่ยนบ่อย เหมาะกับ production server ที่มีหน้าที่ชัดเจน เช่น สร้างวิดีโอแนวเดียวกันจำนวนมาก Turbo LoRA อาจเหมาะกว่า ถ้ายังอยู่ในช่วงทดลอง ต้องเปลี่ยน LoRA หรือ model variant บ่อย และต้องการให้ server เดียวรองรับงานหลายรูปแบบ เปรียบเทียบง่าย ๆ: * Turbo LoRA เหมือนโต๊ะทำงานที่เปลี่ยนเครื่องมือได้ตลอดเวลา * FastH3 เหมือนเครื่องจักรที่สร้างมาเพื่อผลิตสินค้าชนิดเดียวจำนวนมาก วิธี benchmark ที่ควรทำจริง --------------------------- อย่าตัดสินจาก screenshot เดียว วิดีโอที่ดูคมในเฟรมแรกไม่ได้หมายความว่าจะดีตลอดทั้งคลิป ควรทดสอบ prompt ที่มี: * คนเดินหรือวิ่ง * มือหยิบจับสิ่งของ * คนถือแก้วหรืออุปกรณ์ * ของเหลวไหล * วัตถุชนกัน * ตัวละครหมุนตัว * กล้องแพนหรือเคลื่อนที่ * การเคลื่อนไหวต่อเนื่องหลายช่วง ควรบันทึกทั้งเวลา render, VRAM, ความคมชัด, ความสม่ำเสมอของตัวละคร, ความต่อเนื่องของวัตถุ, ความถูกต้องของการเคลื่อนไหว และอัตราที่ต้อง generate ใหม่ บางครั้งโมเดลที่เร็วกว่า 2 เท่าอาจไม่ได้ประหยัดเวลาจริง ถ้าต้อง generate ใหม่หลายรอบเพราะ motion เสียหรือมี artifact สรุป ---- การลดจากหลายสิบ Step เหลือ 4 Step ไม่ได้หมายความว่าโมเดลฉลาดน้อยลงโดยอัตโนมัติ และไม่ได้หมายความว่าภาพจะเสียคุณภาพเสมอไป ประเด็นสำคัญคือ 4 Step นั้นเกิดขึ้นได้อย่างไร ถ้าเป็นการเอาโมเดลปกติมาตัด Step ทิ้ง คุณภาพมักลดลงทั้งด้านรายละเอียดและความต่อเนื่องของ motion แต่ถ้าเป็นโมเดลที่ผ่าน distillation มาแล้ว แต่ละ Step จะถูกฝึกให้ทำงานหนักขึ้นและกระโดดข้ามระยะทางได้ไกลกว่าเดิม จึงสามารถรักษาคุณภาพไว้ได้มากกว่าที่คาด สำหรับคนที่ต้องการสร้าง H3 บน DGX Spark อย่างจริงจัง FastH3 มีโอกาสคุ้มมาก โดยเฉพาะถ้าตั้งเครื่องเป็น dedicated H3 generation server แต่ถ้ายังทดลองหลาย LoRA หลายสไตล์ Turbo LoRA จะเหมาะกว่า > Turbo LoRA เหมาะกับคนที่ต้องการความยืดหยุ่น ส่วน FastH3 เหมาะกับคนที่ตัดสินใจแล้วว่าจะใช้ H3 แบบไหน และต้องการรีดความเร็วให้ได้มากที่สุด สิ่งที่ต้อง benchmark ไม่ใช่แค่ภาพคมไหม แต่คือวิดีโอเคลื่อนไหวต่อเนื่องและทำตาม prompt ได้ดีแค่ไหน --- *Originally published on [nanobro](https://blog.nanobro.co/four-step-h3-inference)*