MiniMax H3 已开放模型权重,也开始出现对应的 ComfyUI 工作流。
如果不熟悉 Python、CUDA 和模型目录,可以直接让 Codex、Claude Code 等 AI 编程工具协助部署:
安装 ComfyUI → 下载 H3 → 配置视频工作流 → 根据显卡调整参数 → 配置加速方案。
MiniMax H3 主要解决什么问题?
MiniMax H3 是一个开放权重多模态模型,支持文本、图片、视频和音频等输入。
在视频方向,更值得关注的是文生视频以及参考素材驱动的视频生成能力。

不过本地部署真正需要考虑的是:
- 显卡显存;
- 系统内存;
- 模型占用空间;
- ComfyUI 节点兼容性;
- 生成分辨率和速度。
因此,不建议直接照搬别人的模型配置。
可直接复制的部署提示词
|
|
这段提示词最重要的一点,是要求 AI 先检测硬件,再决定模型和参数。
为什么不能直接按显存下载?
MiniMax H3 模型规模较大,本地运行不能简单理解成:
8GB 显存用一个版本,12GB 用另一个版本,24GB 就能满血运行。
实际还受到模型精度、CPU Offload、系统内存、分辨率和 ComfyUI 实现方式影响。
因此部署前至少应该先检查:
|
|
确认显卡和显存,再决定具体方案。
四步 LoRA 加速要注意什么?
目前社区已经出现 MiniMax H3 的四步和其他加速工作流,但这些方案不应直接理解成 H3 官方标准配置。
减少推理步数通常可以提升速度,但也可能影响:
- 视频细节;
- 动作稳定性;
- 提示词遵循度;
- 整体画质。
更合理的方法是同时保留:
|
|
这样可以自己比较速度与质量。
本地运行是不是只需要电费?
本地运行后,通常不再需要按照每条视频支付 API 或平台生成费用。
但并不是完全没有成本,还包括:
- 显卡和电脑硬件;
- 电费;
- SSD 存储;
- 下载流量;
- 环境维护时间。
所以更准确的说法是:
部署完成后,主要运行成本来自本地硬件和电力,不再按生成次数单独付费。
是否值得部署?
如果本身有 NVIDIA 大显存显卡,而且经常生成 AI 视频,MiniMax H3 值得关注。
如果显存较小,只是偶尔生成视频,那么云端平台可能更省事。
本地部署最大的优势不是“完全免费”,而是可以自己控制模型、工作流和生成次数。
总结
MiniMax H3 开放模型后,可以通过 ComfyUI 搭建自己的本地 AI 视频生成环境。
比较合理的流程是:
检查硬件 → 安装 ComfyUI → 下载 H3 → 配置原版工作流 → 再测试四步加速。
不熟悉环境配置的话,可以直接把上面的提示词交给 Codex 或 Claude Code,让 AI 辅助完成安装和排错。
参考资料
- MiniMax H3 官方项目
- MiniMax H3 官方 Hugging Face
- ComfyUI 官方项目
- MiniMax H3 社区 ComfyUI 工作流