AI

MiniMax H3 8G Минимальный комплект: мы выполняем весь процесс от монтажа до выпуска фильма

Учебные пособия MiniMax «на уровне няни» уже есть в Интернете, и в этой статье не повторяется этот путь.В этой статье делается только одна вещь: с минимумом 8G графической памяти, от [...]

10 Август, 2026108 прочтений19 мин. чтение
Статьи

Учебные пособия MiniMax «на уровне няни» уже доступны в Интернете, и в этой статье не повторяется этот путь.

В этой статье делается только одна вещь: MiniMax H3 с минимальной 8G графической памяти от начала до конца.Машина RTX 3060 Ti 8GB + 56GB памяти.Какие спецификации можно выпустить, сколько времени нужно ждать, на какую передачу будет врезаться в стену - все это фактические испытания на этой машине, а не официальная таблица рекомендаций.

MiniMax H3 - это видео и звук.Создание одного разаМодель видео: окружающий звук, звуковые эффекты, звуковой музыки и изображения рассчитываются вместе в одном и том же направлении передачи, а стихи и движения уста естественно выровнены с звуком. ComfyUI поддерживает локальную работу.

Сначала посмотрите на готовую продукциюСледующее 10-секундное видео - это просто текстовое создание, без каких-либо входных материалов: картинки, дождь, волны, саундтрек, текст в конце строки - все моделировано одновременно. (Помните, что голоса).

Содержание

  1. Сначала поймем несколько слов.
  2. Минимальная 8G: наша машина
  3. Установка ComfyUI
  4. Нижняя модель (4 файла, 39,6 ГБ)
  5. Я ступил на яму: загрузчик обманул меня️
  6. Побег с первым видео.
  7. Два жестких правила: число кадров и разрешение
  8. Трехполевой формат подсказок
  9. Добавить свой бренд в конце.
  10. Время измерения всего
  11. Быстрая проверка ошибок
  12. Сценарии и рабочие потоки

1.Сначала поймем несколько слов.

Если не посмотрите на эти слова, вы не поймете ошибки, которые следуют.

ComfyUI Бесплатный рабочий стол с открытым исходным кодом для создания моделей AI.Интерфейс связан с узлами и выглядит сложным, ноВам не нужно самостоятельно сопровождаться.Официальный шаблон готов, вы только изменили параметры.

* * Рабочий поток (Workflow) * * - это схема узлов, соединенная линиями, эквивалентная формуле.Загрузка шаблона = Открытие готовой формулы.

Файл веса / моделиБольшой файл с суффиксом «. safetensors», содержащий тело модели. H3 требует четырех: DiT (рисунок), текстовый кодер (читание подсказок), видео VAE, аудио VAE (перевод внутренних данных в пикселы и звуковые волны).

Количественная оценкаЭто технология, которая уменьшает модель.«bf16» является оригинальным версией с полной точностью, «int8» и «nvfp4» являются сжатыми версиями, с очень небольшими потерями качества изображения и значительно уменьшенными потребностями в графической памяти.Локальное развертывание в основном использует количественную версию.

Т2В / I2V / R2VЭто простое создание текста, движение изображения, блокировка ролей или стилей для справочного материала.В этой статье говорится только о T2V.

2.Минимальная 8G: наша машина

  • ЦП: Intel i7 - 10700F @ 2,90 ГГц
  • Графические картыNVIDIA GeForce RTX 3060 Ti,8 ГБ
  • память: 56 ГБ
  • Жесткий диск4,56 Тбайт (223 ГБ на начале загрузки)

Все время, что нужно за спиной, бегство, то, на какую передачу он врезается в стену, это границы этой карты 8G.Это не опыт 24G / 48G-машин.

Что касается конфигурации, то только одно действительно важное:Порог памяти - гораздо больше, чем показатель.

Вместе четыре файла модели H3 составляют 39,6 ГБ.При запуске ComfyUI выводится:

DynamicVRAM support detected and enabled

Он придерживается подхода, который заключается в том, что все весомостиСистематическая памятьПри расчетах перемещаются в графическую память.Когда вы запустите, журнал покажет вам, сколько выделено:Всего около 40,5 ГБ лежит в памяти.

Таким образом, 32 ГБ памяти является нижней чертой, 64 ГБ удобны; недостаточно памяти может застрять непосредственно на этапе загрузки.Весы должны быть твердыми, и каждый генератор на механическом диске ждет несколько минут, потому что многоуровневая загрузка требует повторного чтения дисков.

Решающее - это «как долго и как долго можно запускать», а не «как можно бежать».Минимальная конфигурация 8G также может пробежать, в какой передаче можно выйти см. раздел 10.

3.Установка ComfyUI

* * Версия должна быть ≥0.30.0. * *Нативные узлы H3 были объединены в ComfyUI только в августе 2026 года, поэтому ни один рабочий процесс не будет работать на старых версиях.

Новая установка рекомендуется прямо перейти на официальный сайт ComfyUI для установки пакета настольной версии, дважды щелкнуть по умолчанию. Python, PyTorch, CUDA зависят от самой работы, что является наиболее дружественным для новичков местом для настольных версий.

ComfyUI уже есть, настольная версия проверяет обновления в меню; Ручное развертывание git в каталоге выполнения git pullПовторное исполнение pip install -r requirements.txt。

Открытие браузера после запуска. http://127.0.0.1:8188Посмотрите, как выглядит «Контейс».Подтвердить версию: Настройки (нижняя левая передача) → О, номер версии ≥ 0.30.0.

Обновляйте ниже этой версии, не пытайтесь.Наиболее часто встречающаяся ошибка «Недостаток узла MiniMaxH3ImageToVideo» - это ошибка версии в 99% случаев.

Наконец, моя среда была: ComfyUI 0.31.0 / Front End 1.48.7 / torch 2.12.1 + cu130 / Python 3.13.12 / CUDA 13.0.

Первая загрузка позволит вам выбрать рабочий процесс стартера, и MiniMax H3 является рекомендуемым.Обратите внимание на то, что здесь. ~ 53 ГБ не разрешенДля T2V / I2V требуется 4 файла.39.6 GB。Дополнительная дюжина ГБ - это отдельный набор весов для R2V, который вы можете использовать только для «справочного видео».

4.Нижняя модель: 4 файла, 39,6 Гбайт

Модели размещены на складе «Comfy-Org / MiniMax-H3» Hugging Face.Не клонировать весь склад-- Оригинальный склад имеет несколько сотен ГБ, все версии с различной точностью в нем, вам нужно всего 4 файла.

Оба VAE должны быть ниже: видео VAE выводится изображение, аудио VAE выводится из звука - без аудио VAE, вы получите бессвуковое видео.

Выбор также прост: вышеприведенная группа является официально рекомендованной комбинацией универсальных, любая видеокарта сначала использует ее.Текстовый кодер выбрал «nvfp4» вместо более крупной версии «int8», потому что она на 10 ГБ меньше -На компьютерах с ограниченной памятью экономить 10 ГБ памяти гораздо важнее, чем экономить немного вычислений.

При загрузке внутри страны можно ссылаться на ссылку huggingface.co Замена на hf-mirror.comСкорость отличается на одну величину.Большие файлы размером 20 ГБ должны использоваться инструментами, поддерживающими передачу точек прерывания.(IDM, aria2 или сценарий в конце текста), не нужно начинать снова.

Так должна быть и структура каталога.Примечание для пользователей на настольных компьютерах: каталог моделей может находиться по пути, выбранному во время установки, и настройка подтверждения путей поиска модели.

5.Я ступил на яму: загрузчик обманул меня️

Этот раздел является самой ценной частью этой статьи, потому что он заставляет вас задаться вопросом, не ошибаетесь ли вы где-то.

Я использовал встроенный загрузчик для настольной версии, строка прогресса заканчивается, Панель DownloadsЧетыре полностью зеленых знака, все показывают «Завершено».。Второй взгляд на панель, чтобы увидеть неправильно: Дит-дисплей 3.13 GBдолжно быть 19,53 ГБ; отображается текстовым кодером 2.67 GBОбъем его составляет 14,61 Гб.

Это означает,После прерывания загрузки загрузчик не сообщает об ошибке и сразу же помечает обрезанный файл как завершенный.

Нажмите Run, сообщение ошибок:

RuntimeError: shape '[151936, 5120]' is invalid for input of size 149999876

Эта ошибка вводит в заблуждение.Это выглядит как несовместимость версии модели, как ошибки ComfyUI, как квантированный формат не поддерживается, и вы можете легко переустановить PyTorch, изменить квантированную версию, переустановить проблему.

Но в действительности это означает только одно: * *.safetensors Документ был вырезан. * *В header указывается, что форма тензора является [151936, 5120](вставка текстового кодера 151936 × 5120), но в файле фактически осталось всего 149999876 элементов, что при чтении взрывается.

Существует два способа проверки полноты документа.Первый самый простой: размер файла сопоставляется с количеством байтов объекта загружаемой страницы.Рядом с каждой загруженной моделью есть еще один. .safetensors.dl-meta JSON, в котором написаны авторитеты. expectedSize и sha256 -Поверь этому, не верь зеленым штриху на панели.

Второй тип более строго: анализировать заголовок safetensors, вставить все тензоры data_offsets В конце брать максимальное значение, плюс длину заголовка, а затем сравнить с фактическим размером файла,Они должны быть строго равны.。Этот тест может дать вам ответ, прежде чем вы потеряете два часа.

Не думайте во время ремонта, продолжите прямо.Точка прерывания HTTP Range передает только недостающие байты, основная часть:

curl -L --fail --retry 8 --retry-delay 5 --retry-all-errors \
     --continue-at - --progress-bar -o "$path" "$url"

Я упаковал его в скрипт с двойной проверкой размера и SHA256, плюс -Mirror Параметры выходят из внутреннего зеркала.Перерыв в середине выполнения той же команды, автоматически продолжится.

В заключение я добавил, 28.34 ГБ。Четыре линии полностью зеленые, этот шаг является реальным.

6.Побег с первым видео.

Главное меню Рабочий процесс → Просмотр шаблонов → ВидеоПоиск "MiniMax H3".Текст в видео (Text to Video / Image to Video / Reference to Video)api_ Первые три - это облака, которые должны быть пополнены.

от Text to Video Начать.После загрузки на холсте есть ряд узлов, вам нужно знать только несколько: UNETLoader отвечает за выбор веса DiT; текстовый кодер загружает узлы qwen3vl_32b_...; два VAE Loader выбирают VAE для видео и VAE для аудио соответственно; ResolutionSelector управляет разрешением вывода; флажок подсказки записывает содержимое; ввод продолжительности определяет длину видео; SaveVideo является конечным пунктом вывода MP4.

Если в раскрывающемся окне модели пусто или красное, это означает, что файл не был загружен, вернитесь к разделу 5.

Мой первый параметр - ResolutionSelector Megapixels = 0,3 → 736 × 416, длительность 5 секундПоказать Run.

Результаты: 292 секунд.

И вышел один.MP4 с звуком。ffprobe Проверено: H.264 + AAC,32000 Гц, двойной каналЭто соответствует официальному стандарту «32 кГц».

Есть два нормальных явления.Во-первых, строка прогресса останавливается на длительное время во время загрузки модели: около 34 ГБ нужно загружать с диска в память, а небольшие графические карты должны быть заменены снова и снова, это медленное время нормально.Во-вторых, консольная чистка этой строки не сообщает об ошибке:

Input tensors must be in dtype of torch.float16 or torch.bfloat16, using pytorch attention instead

Это подсказка для частичного возвращения слоя к стандартному вниманию, без влияния на создание.

Судья, куда бежал,Посмотрите на панель очереди. SamplerCustomAdvanced Процентная доля。Этот процесс состоит из 20 шагов.Не смотри. Estimated to finish in-- при небольшом количестве выборки он вычисляет абсурдные значения.Я видел задания, которые прошли 31 минуту, и они также показали «завершено примерно через 1 секунду».Total: xx% И не просто смотрите, это прогресс на уровне узлов всей картины, не равен прогрессу выборки.

7.Два жестких правила: число кадров и разрешение

Эти две статьи не являются опытом, они написаны в рабочем процессе.

Правило 1: Количество кадров должно находиться в сетке 17k + 5.

Математические выражения в шаблоне:

max(5, round(a*24)) + (5 - (max(5, round(a*24)) % 17)) % 17

Перевод:Количество кадров должно быть соответствующим n % 17 == 5Незаконные значения будут тихо поглощены вверх.-- без ошибок, без предупреждений.

Официальная продолжительность экспорта - 4-15 секунд при 24fps。Таким образом, заполнение 60 секунд также получит только около 15 секунд, более длинный контент должен быть разделен на кадры, чтобы создать новый клип.

* * Правило 2: Нативный холст имеет короткую сторону 768. * *Официальное описание по умолчанию короткие края 768 пикселей, поддержка 21: 9 / 16: 9 / 4: 3 / 1: 1 / 3: 4 / 9: 16.Шаблон ComfyUI имеет следующие параметры:

  • 0.2: 608×352
  • 0.3: 736×416
  • 0.4: 864×480
  • 0.5: 960×544
  • 1.0: 1344 × 768 (Народный холст)

Мое предложение: * * Попробуйте повторение с помощью 0,3 (736 × 416) подсказки, а затем рассмотреть вопрос о подъеме вверх. * *Почему не шаг к оригинальному холсту, в разделе 10 есть эмпирические ответы.

8.Трехполевой формат подсказок

Это разделительная линия от «можно бегать» до «можно использовать».Ссылка на H3 официально определенаСтруктурированный форматИ не просказывать.Три поля фиксированы в последовательном порядке:

integrated_multimodal_description: [Shot 1] ...

overall_soundscape: ...

non_diegetic_music: ...

Последние два пункта не написаны. N/A。За исключением диалогов и текста на картинке, все написанные на английском языке.

[Shot 1] В начале рассказыОбщий стиль + начальная композицияБез временных отметков.Стиль слова можно использовать. Cinematic / live-action / 2D-animated / 3D CG / watercolor / vintage film。

Последующие лентыСтрого увеличивающийся временной меток, например:

[Shot 2] At 00:03.500, the camera cuts to ...

Описание на английском языке, не в конце фразы тег:

Камера толкает с небольшой амплитудой на медленной скорости к телефону в его руках.

Камера держит статический снимок, когда волна скользится к объективу.

Средняя амплитуда, нормальная скорость прямо не записывается. * *Чтобы получить абсолютную стабильность композиции, не используйте опцию «Маленькое приближение» - просто блокируйте статику и укажите то, что нужно сохранить в картинке. * *Я измеряю нулевой дрейф 10 секунд.

При наличии диалога персонажам, которые могут говорить, присваивайте стабильный идентификатор, например, (S1)、(S2)Линия упакованы в <d>[语言] ... </d> В,Ни слова, ни перевода.。Идентификация и описание тона вне этикетки:

The young woman with a quiet voice (S1) says: <d>[English] I get off at seven.</d>

Еще одна авария:На китайском языке он написал правильно.

В конце я попросил его отобразить строку китайского лозунга, вставляя оригинал в двойные кавычки, не переведя.Я был хорошо подготовлен к тому, что у меня будет клея, ошибка, отсутствие обводки - видеомодель обычно не сможет визуализировать китайские символы, и в результате ни одно слово было правильным, обвод был полным, в центре, стабильно остановился до конца.В этом видео выше есть продукция.

9.Добавить свой бренд в конце.

Модель лозунга может быть правильно написана,Но ваш эксклюзивный IP-изобраз он не рисует.Он рисует только то, что «думает».Не стоит ждать этого слова.

Правильный подход заключается в точном синтезе с помощью ffmpeg после создания.Предварительно визуализируйте логотип (и необходимый текст) в PNG-лист с альфами, накладывайте его и затемньйте;-c:a copy Копируйте аудиотреки непосредственно, и стерео, созданное моделью, остается неподвижной.

Вот три практических подробности.Во-первых, если четыре угла оригинального логотипа черные (RGB не имеет альфа-каналов), прямое сложение будет черным квадратом, необходимо сначала сделать альфа-маску по кругу или исходному контуру.

Во-вторых, местоположение должно быть заново определено.Сначала я поставил нижнюю часть в центре, и обнаружил, что основное изображение остановилось в центре ниже, логотип нажимался на нее, а центральная часть также блокировала основное тело.Наконец, поскольку небо пусто, добавьте еще один слой темного градиента, чтобы обеспечить чтение букв.Сначала выберите последний кадр и попробуйте три позиции, чем просто догадаться.

В-третьих, время пребывания следует покупать за счет купли, а не за счет заблаговременного запуска.Позвольте завершить представление, а затем заморозить последний кадр:

[0:v]tpad=stop_mode=clone:stop_duration=1.8[vp];
[0:a]apad=pad_dur=1.8,afade=t=out:st=<总长-0.9>:d=0.9[a]

Последние кадры клонирования видео останавливаются на 1,8 секунды, синхронизация аудиозаписей дополняется и исчезает на последние 0,9 секунды.на 2,2 секунды раньше,Всего на 4 секунды.- Достаточный визуальный пребывание, без потери каких-либо изображений.

10.Все измеренное время: 8G Минимальная

Все данные в таблице ниже - RTX 3060 Ti 8GB Действительно бежал.

Два вывода можно сделать прямо: * * Во-первых, I2V не дороже, чем T2V. * *При той же спецификации почти одинаковая цена, дополнительная вводная карта без дополнительной платы. * *Во-вторых, временное измерение является суперлинейным. * * 5 секунд 292 секунды, 10 секунд 773 секунды - длина удвоилась и заняла 2,6 раз, что соответствует сложности attention для числа токенов.

Реальное значение имела эта стена.

Пробег 736×416 занял всего пять минут, и я подумал: немного больше пикселей, это должно быть десять или двадцать минут.Нажмите «Run» на Megapixels 1.0 (1344 × 768) в течение 10 секунд.

Прогресс пробщика: 5% после 31 минуты.

Только один шаг из 20 шагов был завершен.Шаг длился 20 минут, 20 шагов примерно 10 часов, и я просто остановился.

Ключевым является этот контраст: пикселы увеличились в 3,4 раза, количество кадров увеличилось в два раза, вычислительная мощность увеличилась в 6,7 раза,Время выросло в 125 раз.

20 раз больше не недостаточно, аСтены памяти。Вернемся к разделу 2: веса передаются в графическую память, и остаток для значения активации уже очень мал.Рабочая коллекция активных значений и внимания увеличивается с «пикселями × число кадров».После того, как этот запас был преодолен, на каждом шаге приходилось перемещать около 20 ГБ из памяти в графическую память, что привело к переходу от «медленного вычисления» к «почти всему процессу ожидания PCIe».

Это обрыв, а не гладкое замедление.

Так что на вашей машине сначала найдите десертную зону, не принимайте ее вверх, как должно быть.Метод очень прост: выберите первую передачу, бежите в течение 2 минут, посмотрите, сколько процентов продвигается проблер, обратное время; что-то не так, остановить сразу.

И не ждите, что ускоренные узлы спасут это.У узлов класса кэш экономит вычисления и шаги, а здесь действительно застряет пропускная способность графической памяти, и сэкономленное время не имеет смысла перед этим порядком величины.Качество изображения недостаточно, найдите на подсказках и композиции, не тяньте к разрешению.736×416 достаточно смотреть на мобильном телефоне, а вы уже видели цену, которую вы заставляете вытянуть на нативный холст.

Если ваша карта больше памяти, верхний лимит, естественно, выше; эта таблица просто Минимальная 8G Границы, методы, которые можно скопировать.

11.Быстрая проверка ошибок

Q: Отсутствие сообщений MiniMaxH3ImageToVideo В ожидании?
A: ComfyUI версия ниже 0.30.0, обновление.Это самый частотный вопрос.

Q:RuntimeError: shape '[...]' is invalid for input of size ...？
Ответ: Файл модели обрезан, а не вопрос о версии или количестве.Проверка размера по разделу 5 и дополнение.

Q: CUDA out of memory?
А: в порядке: 1 подтверждение количественной версии (pruned_int8 + nvfp4_awqНе ошибайтесь. bf162) отключить другие программы, которые остаются,Включает браузер(аппаратное ускорение составляет 1 - 2 ГБ); 3 Отражает память до 32 ГБ или более.Примечание: уменьшение разрешения не спасет память, поскольку большая часть памяти - это сама модель; но уменьшение разрешения спасет «невозможность бегать» (см. раздел 10) - это две разные вещи.

Q: Выходное видео без звука?
Ответ: Загрузите оба VAE и убедитесь в том, что связь между VAE аудио и SaveVideo в рабочем процессе является целостной.Использование официальных шаблонов, как правило, не ошибается, и наиболее легко пропустить эту строку при изменении рабочего процесса.

Q: Длительность видео отличается от моей?
A: Количество кадров поглощено в сетке 17k + 5, см. раздел 7.Переписывайте прямо из таблицы законных кадров.

Q: Консоль расчистки dtype предупреждения?
A: Нормальное явление, часть слоя возвращается к стандартному вниманию, не влияет на генерацию.

Q: Прогресс не движется, застрял ли?
А: Посмотрите на панель очереди SamplerCustomAdvanced Процент, не смотреть. Estimated to finish inОн будет слепой.Фаза загрузки сама по себе медленна, а механическая загрузка модели медленнее.

12.Сценарии и рабочие потоки

В пакете есть три вещи:

  • Сценарий передачи точек прерывания: дополняет обрезанный файл модели с двойной проверкой размера + SHA256,-Mirror Внутреннее зеркало.
  • Рабочий процесс: T2V (5 секунд / 10 секунд, 736×416), параметры настроены.
  • Сценарий композиции конца: logo + лозунг + «остановить», одна команда выходит в пластик.

В комментариях спросите, как это сделать.

И наконец,

Минимальная конфигурация 8G может пробежать, это не означает, что любая спецификация может быть открыта - десерт в 736×416, натуральный холст на этой машине является обрывом.

Реальная стоимость локального интерфейса - это этапа проб и ошибок: пятисекундный интерфейс API в облаке стоит денег, а локальный интерфейс стоит только за электроэнергию.Повторное изменение подсказок, скрининговой композиции, испытательных зеркалов, стоимость почти нулевая.После окончания проекта, чтобы подумать о том, нужно ли использовать API для выпуска высокого разрешения, этот счет будет выгодным.

Есть вопросы прямого комментария -8G, который мы пробегали, я могу ответить на все.

В целом я делал три основных вещи:Объединение фрагментов, уменьшение ритма «одно предложение за пунктом», возвращение последовательных объяснений в один и тот же модуль информации。Технические данные, команды, сообщения об ошибках и ключевые выводы не были удалены.