ComfyUI 对 MiniMax H3 的支持

ComfyUI 已实现了对 MiniMax H3 的首日支持，这是一款开源权重的全模态视频模型，能够生成高达 2K 分辨率并集成立体声音频的高分辨率视频。通过重大的机器学习优化，该模型可以在包括 RTX 3060 在内的消费级 GPU 上运行。

MiniMax H3 的核心能力

MiniMax H3 是一款第三代视频模型，它将多种生成任务合并到一个单一的全模态框架中。它可以处理文本、图像、视频和音频输入，以生成长达 15 秒的视频片段。

多模态上下文理解

该模型的主要优势在于其解析不同输入模态之间关系的能力。用户可以提供图像、音频和视频的组合，并附带描述这些元素如何关联的提示词，模型会自动处理跨模态合成。

原生立体声音频

与许多在后期处理中添加音频的视频模型不同，MiniMax H3 在生成视频的同时原生生成立体声音频。这确保了声音是生成场景的基本属性，而非后期叠加的音轨。

生成模式

Text-to-Video: 基于纯文本提示词生成视频。
Image-to-Video: 将静态图像动画化为视频片段。
First-and-Last-Frame: 允许用户定义起始帧和结束帧，由模型在两者之间进行运动插值。
Reference-to-Video: 使用参考图像、视频或音频来保持片段中主体、动作或声音的一致性。这在动作迁移（motion transfer）中特别有用，其中参考视频提供摄像机运动或表演，而主体和风格则单独定义。

ComfyUI 中的本地推理优化

为了让 MiniMax H3 能够在消费级硬件上运行，ComfyUI 应用了多项工程优化，以降低模型巨大的显存需求。

权重剪枝与查找表

工程师们发现，模型总参数量的约 40%——特别是调制权重（modulation weights）——可以被剪枝并替换为功能等效的查找表。这种权重的减少是在不损失输出质量的情况下实现的。

量化与 VRAM 管理

ComfyUI 利用 int8 convrot 量化和自定义内核来降低峰值 VRAM 使用量。结合动态 VRAM 卸载（offloading），这些优化将总显存占用减少了 66%，从全精度下的 123.6 GB 降至最小模型变体下的 42.5 GB。

社区见解与性能表现

早期采用者和社区成员注意到，与之前的先进（SOTA）模型相比，质量有了显著飞跃，尽管仍存在一些局限性。

硬件性能

用户报告显示，生成时间因硬件而异：

"Im running this on my 4070ti super (16 gb vram), and it takes 10 minutes for a 10-seconds 480p video. but the results are spectacular."

其他用户报告称，可以在几分钟内生成 10 秒钟、半百万像素的视频，这标志着比 WAN 等早期模型在速度上的提升。

定性反馈

虽然 "Reference-to-video" 模式因能够实现更精确的电影感和场景拼接而受到称赞，但一些用户指出，在某些特写镜头中（例如打开饮料罐时），仍然可以看到 "AI smoothening"（AI 平滑）效果。此外，一些用户观察到，模型在处理 "weirder concepts"（更奇特的概念）或非标准场景时可能会遇到困难，即场景的物理规律或逻辑可能会崩溃。

实现指南

要在 ComfyUI 中使用 MiniMax H3，用户必须更新到版本 0.30.0 或使用 Comfy Cloud。具体流程包括：

将 ComfyUI 更新至 v0.30.0。
从 Comfy-Org 模板库下载特定的工作流（T2V, I2V, 或 R2V）。
从 Comfy-Org/MiniMax-H3 Hugging Face 仓库下载模型权重并将其放入指定的模型目录。