MiniMax-Remover 是新型的视频目标移除方法，解决现有技术中常见的幻觉物体、视觉伪影以及推理速度缓慢等问题。采用两阶段方法：第一阶段基于简化版的 DiT 架构，通过移除文本输入和交叉注意力层，得到更轻量级和高效的模型；第二阶段通过最小最大优化策略对模型进行蒸馏，识别对抗性输入噪声并训练模型在这些条件下生成高质量结果。仅需 6 步采样且不依赖分类器自由引导（CFG），能实现先进的视频目标移除效果，显著提高了推理效率。