MiniMax H3在ComfyUI本地运行：文件、显卡、设置

MiniMax H3是带立体声的视频模型，MiniMax在2026年8月3日开放了权重。它在ComfyUI里原生运行，不用第三方节点：文本生视频（T2V）、图生视频（I2V）和参考生视频（R2V）的模板都在模板库里。下面是要下什么、有多大、显卡该选哪个构建、怎么加速，以及模型卡在哪里。数字都来自2026年10月26日的ComfyUI和MiniMax文档。

在ComfyUI里跑MiniMax H3需要什么

• ComfyUI 0.30.0或更新。 更新的功能要更高版本：Multiframe Reference要0.34，Fun ControlNet和sparse attention要0.35，FastH3要0.36，最轻的w6a8构建要0.38。
• 够强的显卡。 ComfyUI文档里的加速（INT8、NVFP4、Sage Attention）面向NVIDIA。AMD只有在服务器环境vLLM-Omni里、通过ROCm，MiniMax才支持。MiniMax没有公布ComfyUI的最低显存，建议在自己的机器上试。下面是参照。
• 第一套模板大约42GB磁盘，参考再加大约23GB。

H3-Base里开放了两个模型：FL2VA 做文本以及首尾帧视频，Ref2VA 做参考视频。准备参考的H3-Context-IR和放大到2K的H3-Regenerate-2K没有放出，只能走MiniMax的API。所以本地H3大约是1MP：16:9下1344×768，24帧每秒、5到15秒，立体声32kHz。

H3和上一代Hailuo 2.3差在哪、API怎么收费，见Hailuo AI（海螺AI）页面。

MiniMax H3要下哪些文件、放在哪

最省事的办法是打开 Template Library → Video，选一个MiniMax H3模板，从弹出窗口下载模型。手动的话，文件来自Hugging Face上的仓库Comfy-Org/MiniMax-H3：

内容	默认文件	大小	文件夹
T2V和I2V模型	minimax_h3_fl2va_pruned_int8_convrot	21GB	models/diffusion_models/
R2V模型	minimax_h3_ref2va_pruned_int8_convrot	21GB	models/diffusion_models/
文本编码器 Qwen3-VL-32B	qwen3vl_32b_minimax_h3_nvfp4_awq	15.7GB	models/text_encoders/
视频VAE	minimax_h3_video_vae_int8_convrot	2.8GB	models/vae/
音频VAE	minimax_h3_audio_vae_fp32	0.6GB	models/vae/
T2V和I2V的Turbo LoRA	minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16	2GB	models/loras/
R2V的Turbo LoRA	minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16	2GB	models/loras/

就算关掉turbo，Turbo LoRA也要在：模板加载时会检查这个文件。T2V和I2V大约42GB，加上R2V大约65GB。

ComfyUI/models/
├── diffusion_models/
│   ├── minimax_h3_fl2va_pruned_int8_convrot.safetensors
│   └── minimax_h3_ref2va_pruned_int8_convrot.safetensors
├── text_encoders/
│   └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
├── vae/
│   ├── minimax_h3_video_vae_int8_convrot.safetensors
│   └── minimax_h3_audio_vae_fp32.safetensors
└── loras/
    ├── minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors
    └── minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16.safetensors

按显卡选MiniMax H3的构建

Comfy建议选 能放进显存的最小构建：CPU卸载比损失精度更贵。变的只是节点 UNETLoader 里的文件。量化类型由ComfyUI从文件本身读取。

构建	大小	什么时候用
pruned_w6a8	16GB	最轻，需要ComfyUI 0.38+
pruned_int8_convrot	21GB	模板默认
pruned_fp8_scaled	21GB	和INT8一样大
pruned_bf16	40.2GB	不量化；Comfy Kitchen attention需要它
bf16	66.3GB	完整构建

文本编码器也有三档：NVFP4是15.7GB（模板里用的），INT8是27.1GB，bf16是51.5GB。RTX 30系没有FP8，那边INT8大约比FP16快一倍，用INT8构建。

没有专门给ComfyUI的官方测速。MiniMax公布的最近的数字，是它的服务器环境SGLang和vLLM-Omni：

硬件	模式	结果
1 × RTX 4090，24GB	CPU卸载 + INT8	显存峰值约18GB，时间看内存
2 × RTX 5090，32GB	5秒，1344×768，50步	559.67秒，每张卡峰值26.3GB
2 × RTX 5090，32GB（vLLM-Omni）	相同	8分38秒，每张卡峰值约22.6GB

ComfyUI模板默认20步，不是50步，所以同一张卡上片子会更快。FastH3方面，FastVideo给RTX 5090和DGX Spark准备了配置，默认480p。

怎么跑出第一条片子

1. 更新ComfyUI，打开模板 MiniMax H3 T2V。
2. 试跑留在 0.4MP，也就是16:9的864×480。这种草稿算得快，能看出场景方向对不对。
3. 成片用 0.98MP，或手填 1344 × 768。不要设1.0MP：那会得到1376×768，比模型训练的面积更大。边长是32的倍数。
4. 时长按秒填，并按帧网格 17k+5 向上取整：5秒是124帧，大约5.17秒。模型是按5到15秒训练的。
5. 用20步跑。简单场景12到16步够用。锁子甲、纹样这类细处，提到50步有帮助。

分辨率离1344×768越远，生成越慢、质量越低；再大也不会多出细节。全分辨率的长片最先吃满显存，那时就把百万像素降下来。

怎么给MiniMax H3写提示词

ComfyUI文档建议提示词用 英文 写，角色台词放进带语言标记的 <d> 标签：<d>[Chinese] …</d>。谁在说、怎么说，写在标签前面。MiniMax把中文列在语音稳定的11种语言里。先写整场，再写带时间码的镜头、镜头运动和声音，放在同一块里：

integrated_multimodal_description: [Shot 1] Live-action, cinematic, a wide shot of a misty mountain lake at sunrise. The camera pushes in slowly as a young woman in a red raincoat walks along the wooden pier, turns to the camera, and the calm, warm-voiced woman (S1) says: <d>[Chinese] 早上好。</d> [Shot 2] At 00:03.000, the camera cuts to a close-up of ripples spreading across the water.
overall_soundscape: Gentle water lapping against the pier, distant birds, wooden planks creaking under footsteps.
non_diegetic_music: Soft ambient piano.

• 不要写负面词。 ComfyUI里的H3用 cfg 1，没有负面分支。“不要什么”的清单只会把那些东西加进去。写画面里应该有什么。
• 剪辑点 用一个时间码，At 00:03.500, the camera cuts to…，不要写一段范围。
• 画面上的字 用英文双引号，按字面写，用字本身的语言。

从图片和从参考出视频

I2V。 模板 MiniMax H3 I2V 在节点 MiniMaxH3ImageToVideo 里接收首帧和尾帧，运动在两帧之间生成。首帧会被拉到画布上，不保留比例；尾帧按中心裁切。模板以1:1、640×640打开，马上改成你图片的比例，否则会变形。

R2V。 模板 MiniMax H3 R2V 只能配Ref2VA，最多9张图、3段视频、3段音频。提示词里参考叫 <Picture 1>、<Video 1>、<Audio 1>，每一项都要写它锁定什么：脸、风格、运动、镜头或声音。

• 视频参考按每秒24帧读取，其他帧率先转好。
• 音频传的是音色，不是词。要说什么，写在提示词里。
• 要像，保持20到25步。turbo LoRA在4步时参考几乎用不上，脸和姿势会漂。

怎么加快MiniMax H3

办法	加速	代价
Turbo LoRA（turbo_mode）	T2V和I2V用8步而不是20步，R2V用4步	运动和声音更软，参考更弱
FastH3 8-step V2	8步，自带蒸馏模型	只有T2V和I2V，步数不能改，ComfyUI 0.36+
Sage Attention	大约2倍	INT8上片子结尾可能有瑕疵
Sparse attention sol-attn	长片计算更少	实验性，ComfyUI 0.35+

声音比画面更晚稳住：台词和音色要从12步起，8步时弱的通常是音频。Turbo LoRA减的是步数，不是每步的时间：4步LoRA如果跑20步，时间和基础模型一样。

Sage Attention按你的PyTorch和CUDA版本装wheel，再用KJNodes的节点 Patch Sage Attention KJ 接在 UNETLoader 和 BasicGuider 之间，或加标志 --use-sage-attention。控制台里有些层退回普通attention的警告是正常的。

带参考的加速版FastH3-Omni在2026年10月20日发布。细节见新闻FastH3-Omni：带声音和参考的MiniMax H3开放权重。

怎么得到2K和超过15秒的片子

放大。 官方2K不能在本地用。ComfyUI文档建议用非官方的latent upscaler：把 minimax_h3_latent_upscaler_3d_conv_v1_bf16 放到 models/latent_upscale_models/，节点 Minimax H3 Latent Upscaler (3D) 接在草稿后面（缩放1到4，默认2），再按目标尺寸用 denoise 0.1到0.5做精修。这条路省时间，不省显存：精修按全尺寸跑。精修不碰到声音，声音就不会变。

时长。 节点最多收3600帧，但模型是按5到15秒训练的。更长就接龙：模板 video_minimax_h3_i2v_continuation 取上一段的最后一帧。误差会堆积，脸的质感最先掉；切成短镜头。

MiniMax H3的LoRA和微调

• 风格LoRA 和参考抢位置：在R2V里把强度放在0.5左右。
• 剪枝构建和完整构建。 在完整构建上训练的LoRA，到剪枝构建会丢掉一部分权重（adaln），ComfyUI会默默跳过。Turbo LoRA两种都能用。
• 自己的LoRA。 MiniMax在miles-diffusion里写了FL2VA的微调，但参照机器是8 × H200，这一步编码器大约占70GB内存。家用电脑做不到。

ComfyUI里MiniMax H3的常见错误

现象	原因和办法
没有H3模板或节点	ComfyUI低于0.30.0，先更新
参考不影响片子	接在T2V或I2V模板上，模板会默默忽略；要用R2V模板
R2V不工作	载入的是FL2VA，不是Ref2VA
I2V的图被拉变形	首帧按画布硬套、不保比例，改成图片自己的比例
片子比设定略长	按17k+5网格取整：5秒 = 124帧
声音弱、台词听不清	步数不够：至少12步，8步的turbo会掉
结尾融化，Sage下文字坏了	attention做了INT8量化；改用 pruned_bf16 和Comfy Kitchen attention
Comfy Kitchen attention起不来	它不能配 int8_convrot 构建，只能配bf16
显存不够	换更小的构建，0.4MP和5秒，再一次只加一项

MiniMax H3能商用吗

权重可以免费下载和运行。结果能不能商用，看国家和营收。按ComfyUI文档：

• 在美国、欧盟、英国和韩国以外，年营收低于2000万美元， 免费的MiniMax H3社区许可覆盖商用。要标注“Powered by MiniMax H3”，地域规则也包括片子在哪里播放。
• 在美国、欧盟、英国、韩国，或年营收超过2000万美元， 需要付费许可：Professional从每月5000美元起，Enterprise另议。出售方是唯一官方经销商Comfy。
• 在Comfy Cloud里， 商用权利已经包含。

MiniMax提醒许可可能变更：有法律效力的是权重页面上的文本。

什么时候不必在本地安装MiniMax H3

本地H3适合你有强显卡、需要隐私，或者大批量生成、不按条付费的时候。如果今天就要结果，不想下42GB、也不想挑构建，MiniMax H3在AI2Face生成器里就是Hailuo（海螺AI）。用卡或加密货币付款。片子的价格在开始前就能看到，注册后会给欢迎积分。和其他视频模型的对比，见AI视频生成的综述。

结论

在ComfyUI里用MiniMax H3，是拿到带声音的开放视频模型的最短路径：一个模板、42GB文件、20步。先用T2V、0.4MP、5秒确认能跑，再把分辨率提到1344×768。显存紧就用 pruned_w6a8 或INT8，草稿用turbo LoRA，成片回到20步。参考要单独的Ref2VA，还要更多步。要2K，或者没有自己的显卡也要成片，就用AI2Face的生成器。