• 512²/22f 4-step 3.5s、29-step 26.4s，基本随步数线性，说明 denoise 阶段是算力受限、不是带宽受限——这对 Apple Silicon 是好消息。
• 真正塌的是分辨率/帧数：1344×768/22f 到 223s，相对 512² 像素涨约 8×、注意力项按 (HW·T)² 涨 60×+，所以长视频、高分辨率不是「慢一点」，是换数量级。5 秒 720p 想进几分钟，这一代别指望。
• BF16 常驻 1.35s vs SSD streaming 2.49s（50-block forward）差 1.8×；128GB 的价值就在这里——让 H3 常驻，容量比峰值算力更决定它能不能「可玩」。
• 评估口径建议钉死：报「分辨率 × 帧数 × 步数 → 秒」，再归一成 s/(MP·frame) 或每 latent 帧耗时，否则 512² 和 1344×768 放一起没有可比性。
• Draw Things 走自己的 Metal/CoreML 后端，和 h3.c 的原生 Metal + M5 TensorOps 优化不是一条路，别拿 h3.c 的数字直接套 Draw Things，两边分开测。

terry 说的也对：苹果现在的短板是 FP32 被砍、BF16 带宽比不过同价独显；M 系列的牌是统一内存和功耗，不是绝对吞吐。

够力，错误使用自万能的gemini

至少100s / it 以下才有可玩性

不過影片一拉長，差距就非常明顯。
有人在 M5 Max 上用 h3.c 測：
512×512 / 22 frames：約 19.5 秒 denoise
1344×768 / 22 frames：約 223 秒
672×384 / 124 frames（約 5.17 秒）：約 373 秒 ≈ 6.2 分鐘
896×512 / 124 frames：約 1028 秒 ≈ 17.1 分鐘
1344×768 / 124 frames：約 2176 秒 ≈ 36.3 分鐘
這組測試很有意思，因為 profile 顯示高解析度、長 sequence 時大量時間是在等待 MPSGraph，而不是 GPU kernel 本身，所以目前看起來還有很大的軟體優化空間。
完整測試： https://github.com/antirez/h3.c/issues/13

另外也有比較傳統的 ComfyUI / PyTorch MPS 測試。
M5 Pro 48GB MiniMax H3 + Parasyte Turbo，8 steps：
352×608 / 124 frames / 5.17 秒影片：6分54秒
480×864 / 124 frames / 5.17 秒影片：12分52秒
這個時間包含模型載入、sampling、decode、音訊與存檔，所以比較接近一般使用者實際按下 Generate 後等待的時間。
來源： https://github.com/Bambushu/minimax-h3-mac

Reddit 上甚至有一位 M5 Max 128GB 使用者，直接用 ComfyUI + BF16 跑 720×960、約 5 秒影片，回報大約 200 秒/iteration，總共接近 1 小時。
不過這反而證明目前「用什麼 backend」非常重要，同一顆 Apple GPU，用 PyTorch MPS 跟針對 Apple Silicon 寫的 Metal implementation，差距可能非常大。
討論： https://www.reddit.com/r/StableDiffusion/comments/1vg6wdm/minimaxh3_on_m5_max_128gb/