摘要

把 MiniMax-H3 视频模型接到本地 ComfyUI,并与平台创作工坊打通:记录权重选型、显存约束、参考图模板匹配,以及一次「不报错但参考图条件静默失效」的排查过程。

关键指标

输出分辨率768×1344(9:16)
单任务帧数约 124 帧 / 4 步
显存红线跑 H3 前须停本地 LLM 服务
草稿档NVFP4 量化,画质有损

部署方法

部署方法:在宿主运行 ComfyUI(systemd 用户服务),后端平台通过适配器提交工作流 JSON,产物回传到媒体目录。

  • 环境:ComfyUI 0.42,宿主机 :8188,显卡 RTX 5060 Ti(16GB 显存)。
  • 权重盘:diffusion_models 分 fl2va / ref2va 两种条件布局,textencoders 走 Qwen3VL,vae 走 minimaxh3 视频 VAE。
  • 运行约束:跑 H3 前先停掉占约 10GB 显存的本地 LLM 服务,否则直接 OOM。

正文

背景

平台需要一个可控的本地视频生成后端,用来做剧本分镜的成片与试片,避免每次都走云端计费接口。MiniMax-H3 是当前质量与速度折中的选择,但它的部署有若干反直觉的坑。

目标

  • 本地稳定跑通文生视频(t2va)与参考图生视频(ref2va)。
  • 与平台创作工坊打通:任务提交、进度轮询、产物回传。
  • 把权重与启动参数固化,保证重建后仍可复现。

方案

权重按用途分盘:定稿用 int8 高画质档,草稿用社区量化的 NVFP4 速度档。启动参数固定为关闭智能内存管理、关闭预览、启用 Triton 后端,以减轻 WSL 下的显存驻留。

平台侧用一个适配器把业务参数翻译成 ComfyUI 工作流 JSON,进度从 /history 与 /queue 两个接口推算。

踩坑

坑一:参考图条件静默失效。 H3 同一套网络结构有两种条件布局——fl2va 只吃文本/音频/视频条件,ref2va 才有参考图块。用 fl2va 权重跑参考图工作流,任务不会报错,但参考图输入被静默忽略,出来的画面根本不受参考图约束。

坑二:模板切换代价很高。 i2va 与 ref2va 用的是不同权重主干,切换要重新加载约 20GB,同集任务如果混用模板会反复重载,建议按模板分组提交。

坑三:显存被其它进程吃掉。 16GB 卡在跑 H3 前必须停掉常驻的本地 LLM 服务(约 10GB),否则视频任务直接被内核 OOM。

结论

本地 H3 链路可稳定出片,关键是把「权重类型必须匹配条件布局」做成显式校验,而不是依赖运行时是否报错。这个教训直接促成了平台上「模板-权重自动校验 + 不匹配时告警回落」的实现。

数据来源

2 条

局限性与适用边界

本实录只覆盖单一显卡、单机部署的场景,未验证多卡与集群。量化档(NVFP4)画质有损失,仅建议用于草稿/试片。视频时长受显存与模板切换重载成本约束,长片需分块。

返回报告列表