ComfyUI 中的 MiniMax H3 支援

ComfyUI 已針對 MiniMax H3 實施了首日支援，這是一款開源權重的全模態影片模型，能夠生成包含整合立體聲音訊的高解析度（最高達 2K）影片。透過顯著的機器學習優化，該模型可在包含 RTX 3060 在內的消費級 GPU 上執行。

MiniMax H3 的核心能力

MiniMax H3 是一款第三代影片模型，將多種生成任務整合進單一的全模態框架中。它可以處理文字、圖像、影片和音訊輸入，以生成長達 15 秒的片段。

多模態上下文理解

該模型的主要優勢在於其解析不同輸入模態之間關係的能力。使用者可以提供圖像、音訊和影片的組合，並搭配描述這些元素如何關聯的提示詞，模型便會自動處理跨模態合成。

原生立體聲音訊

與許多在後處理階段才附加音訊的影片模型不同，MiniMax H3 在生成影片的同時，原生生成立體聲音訊。這確保了聲音是生成場景的基本屬性，而非僅是疊加層。

生成模式

Text-to-Video: 基於純文字提示詞生成影片。
Image-to-Video: 將靜態圖像動畫化為影片片段。
First-and-Last-Frame: 允許使用者定義起始與結束幀，由模型在兩者之間進行動作插值。
Reference-to-Video: 使用參考圖像、影片或音訊來維持片段中主體、動作或聲音的一致性。這對於動作轉移（motion transfer）特別有用，例如透過參考影片提供鏡頭運動或表演，同時分別定義主體與風格。

ComfyUI 中的本地推論優化

為了讓 MiniMax H3 能在消費級硬體上執行，ComfyUI 應用了多項工程優化，以降低模型龐大的記憶體需求。

權重剪枝與查找表

工程師發現，模型總參數中約 40%（特別是調製權重）可以被剪枝並替換為功能等效的查找表（lookup table）。這種權重的減少是在不損失輸出品質的前提下完成的。

量化與 VRAM 管理

ComfyUI 利用 int8 convrot 量化與自定義核心（kernels）來降低峰值 VRAM 使用量。結合動態 VRAM 卸載（offloading），這些優化將總記憶體佔用從全精度（full precision）下的 123.6 GB 降低至最小模型變體（variants）的 42.5 GB，降幅達 66%。

社群洞察與效能表現

早期採用者與社群成員指出，品質與先前的 SOTA 模型相比有顯著提升，儘管仍存在一些限制。

硬體效能

使用者報告顯示，根據硬體不同，生成時間有所差異：

"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."

其他使用者報告稱，可以在幾分鐘內生成 10 秒、半百萬像素的影片，這比早期的 WAN 等模型在速度上有顯著進步。

定性回饋

定性回饋顯示，雖然「Reference-to-video」模式因能實現更精確的電影感與場景拼接而受到讚譽，但部分使用者指出，在某些特寫鏡頭（例如開啟飲料罐）時，仍可見到「AI 平滑化」效果。此外，部分使用者觀察到模型在處理「較怪異的概念」或非標準場景時可能會遇到困難，此時場景的物理或邏輯可能會崩潰。

實作指南

要在 ComfyUI 中使用 MiniMax H3，使用者必須更新至版本 0.30.0 或使用 Comfy Cloud。流程如下：

將 ComfyUI 更新至 v0.30.0。
從 Comfy-Org 範本庫下載特定的工作流（T2V, I2V, 或 R2V）。
從 Comfy-Org/MiniMax-H3 Hugging Face 儲存庫下載模型權重，並將其放置在指定的模型目錄中。