MiniMax H3（ComfyUI 量化整合版）

MiniMax H3 是原生支持视频与音频联合生成的 packed-DiT 模型，在 ComfyUI 中已获原生支持。本仓库整理了在本地运行该模型所需的全部权重文件（量化版）与配套工作流。

模型特点

• 音画同生：单次推理同时生成视频画面与 32kHz 音轨，无需额外配音模型
• 三种生成模式：
  • t2va：纯文本提示词生成视频+音频
  • fl2va：指定首帧/尾帧生成视频+音频
  • ref2va：参考图 / 参考视频 / 参考音频驱动生成（本仓库权重即为此模式的精简版）
• 规格：24 fps；画布短边 768，最大面积约 768×1344

文件清单

Q4_K_M 与 Q5_K_M 为同一权重的不同量化等级：Q5_K_M 质量略高、显存占用更大，按显卡选择其一即可。

权重请平铺放入上表目录，不要挪进子文件夹、不要改名：工作流按裸文件名引用模型（如 qwen3vl_32b_heretic_minimax_h3_nvfp4.safetensors），放进子目录后文件名会变成 子目录/文件名，与工作流记录不一致，节点会报模型缺失。

使用方法

1. 更新 ComfyUI 至最新版（内置 MiniMax H3 相关节点：Empty MiniMax H3 AV Latent、MiniMax H3 Image to Video、MiniMax H3 Reference to Video 等）
2. 安装依赖的自定义节点：
   • 加速节点（未上架 Registry，需手动安装）：从本仓库 custom_nodes/ 目录下载两个 zip，解压到 ComfyUI/custom_nodes/
     • ComfyUI-Spectrum-MiniMax-H3.zip：采样加速（SpectrumApplyMiniMaxH3，减少采样时的 transformer 评估次数）
     • ComfyUI-sol-attn.zip：SoL 注意力内核补丁（MiniMaxH3ChunkFeedForward / FusedModulation / MemoryEfficientSolAttentionPatch），依赖 Triton：Windows 用户需安装 triton-windows（pip install triton-windows），Linux 用户 pip install triton
   • 常规节点（可通过 ComfyUI Manager 安装）：ComfyUI-GGUF（加载 GGUF 权重）、ComfyUI-KJNodes（SageAttention 补丁、图像缩放）、rgthree-comfy
3. 按上表将文件放入对应目录
4. 使用仓库附带的工作流：workflows/Vantage-Minimax-H3_Q4K_M_Ref2VA.json 或 workflows/Vantage-Minimax-H3_Q5K_M_Ref2VA.json

ref2va 提示词写法

参考素材按“图片 → 视频（含其音轨）→ 独立音频”的固定顺序进入模型，提示词中用 <Picture 1>、<Video 1>、<Audio 1> 引用对应素材。

注意事项

• 帧数建议保持在训练范围内（124~362 帧），更长时长未经验证
• 分辨率宽高需为 32 的倍数，超出最大面积会自动等比缩放
• 可选加速：配合 ComfyUI-Spectrum-MiniMax-H3 可减少采样时的 transformer 评估次数
• 工作流引用的示例素材（音频 / 视频 / 图片）为原作者的本地文件，加载工作流后请替换为自己的素材

声明

模型版权归 MiniMax 及原权重发布方所有，请遵守其模型许可协议使用。本仓库仅做量化格式整理与搬运。