企业官网建设流程全解析

MiniMax-H3 Fused Turbo (INT8 ConvRot) 是一个面向 ComfyUI 的单文件文生视频 / 图生视频模型：只需一个 21 GB 的权重文件，4 个采样步就能产出一段 10 秒、音画同步的 1152x640 视频。它把蒸馏加速（Turbo）与运动平滑 LoRA 直接烘焙进权重，并对核心层做了 INT8 ConvRot 量化，无需任何自定义加载节点。本文带你从零配置到跑通全部 5 个内置工作流。

📦 它到底是什么：一个文件顶一套组合

这个仓库的核心只有一件事——把"基座模型 + Turbo LoRA + 平滑 LoRA"合成一个可直接拖进 ComfyUI 的 diffusion model：

主模型文件位于 diffusion_models/minimax_h3_fused_refdelta_r1024_turbo8_mystic07_int8_convrot.safetensors。

💡为什么选"合并"而不是实时挂两个 LoRA？ComfyUI 加载 LoRA 时会保留每层未打补丁的原始权重备份，200 个核心层打满后这份备份约等于再存一份 21 GB 模型。实测：烘焙版峰值 47.8 GB / 常驻 42 GB，实时挂 LoRA 版峰值 68.9 GB / 常驻 64 GB，而生成时长完全相同。合并版帮你省下约 21 GB 显存；代价是无法随时调整 LoRA 强度（需要的话可改走实时 LoRA 路径，效果等价）。

⏱️ 为什么 4 步就够了：官方耗时实测

同一个 prompt、seed 42、1152x640 × 243 帧（10 秒）、SLA 稀疏注意力，单张 96 GB 显卡，仅采样步数不同：

两个要点：

• 合并进来的 Turbo 虽然叫"8-step"，但它其实是4-or-8 NFE 模型，官方建议直接按 4 步跑；
• 步数从 4 加到 25 只是画面稍微锐利一点点，音轨完全不变——所以 4 步就是甜蜜点，76 秒 vs 292 秒，性价比一目了然。

🛠️ 环境准备：装好这 5 样东西即可开跑

第 1 步：克隆仓库

git clone https://gitcode.com/hf_mirrors/MATLOWAI/minimax-h3-fused-turbo-int8-convrot

第 2 步：放置主模型

将 diffusion_models/minimax_h3_fused_refdelta_r1024_turbo8_mystic07_int8_convrot.safetensors 复制到ComfyUI/models/diffusion_models/。

第 3 步：补齐配套文件（工作流默认按各 models 文件夹根目录找文件，放子目录需到加载节点里重选）：

第 4 步：安装两个节点包：ComfyUI-MAINodes（de-rope、DyRoPE 与音频节点）和 SLA 稀疏注意力节点包（提供H3SLAAttention节点）。

第 5 步：AMD / ROCm 用户改用 workflows/rocm/ 下的图——SLA 节点被替换为 ROCm 构建的H3SLAAttentionROCM（sparsity 0.9 / block 64 / min_seq 8192 / protect audio 开），需配合 patientx 的 ComfyUI ROCm fork 使用；CUDA 图与 ROCm 图互不通用。

🎬 5 个内置工作流：拖进 ComfyUI 就能用

workflows/ 目录下每个管线都提供两种格式：.json（直接拖进 ComfyUI 界面）和.api.json（API 调用格式）。每张图顶部只有一个PROMPT输入框，同时喂给所有阶段（pass 1 和 pass 2 读同一段文字），把占位文字替换成你自己的 prompt 即可。

🔑 工作流 05 正是"融合单分区"基座的卖点：同一个文件做 ref2v，无需换 transformer。

🎛️ 关键参数配方：决定音质的两处设置

01_reference_4step_sla.api.json 的完整配方如下，其中加粗的两项对音质影响最大：

⚠️ 两处容易踩坑（均为同 seed 单变量对照实测）：

1. 4 步下res_multistep优于euler（虽然 lightx2v 的示例图写的是 euler）——音轨明显更好；
2. SLA 稀疏注意力是"听得出来"的：同权重下稠密注意力音轨更闷、更平，SLA 恢复了高频细节，且快约 40%。没有稀疏节点包也能跑稠密注意力，但音轨会更软。

🐘 低显存指南：16 GB 显卡也跑得动

好消息：当前 ComfyUI 的模型管理会按需加载/卸载 transformer、文本编码器和 VAE，标准工作流实测 16 GB 卡即可运行（峰值 11.0 GiB，10 秒视频 65 秒出片），21 GB 的文件通过 RAM 流式读入，不需要整卡常驻。

如果仍然在SamplerCustomAdvanced中 OOM（"Currently allocated 7.8 GiB, requested 6.6 GiB, free 0"），按顺序尝试：

1. 换 workflows/lowvram/ 版本——加载器后多一个 KJNodesMiniMaxChunkFeedForward（chunks 4，seq 阈值 4096），把 FFN 中间张量按序列分块，结果位级一致（实测峰值 10.9 GiB，仅慢 6 秒）；
2. 降到 16:9 @ 0.5 MP（960x544，8 步 LoRA 的训练分辨率）；
3. 减少帧数；de-rope 的用户把H3TimeSmear的 dilation 从 4 调到 2（pass 2 采样的是膨胀后的片段，token 量 2–3 倍）；
4. ROCm 用户直接使用 workflows/lowvram/rocm/ 下的图。

❌ 注意：官方故意没有引入 KJNodes 的MiniMaxLowVRAMAttention——它与 SLA 同链时会改变画面（与参考相差 17 dB）且不降峰值。

🏃 运动适配器：先看完再上

de-rope 的 pass 2 支持挂运动适配器 LoRA（如 03 工作流里的 warm375 =temporal_expansion_step375_r16）。用于风格化内容前要知道两件事：

• 它们会用一点画风换动感：2D 动画 prompt 会被拉向摄影式打光，步数越大偏得越明显（warm375 > warm100）；
• warm375 风格更强但"纪律"更差，在静止保持区域可能复制出主体（官方预览里出现过镜像老鼠）；想要平滑收益又怕重影，选 warm100 或不挂适配器。

没有特殊需求时，02_derope_4plus4_sla就是安全默认。

📄 许可与署名

• 主模型遵循MiniMax H3 Community License Agreement（见 LICENSE），并附带 NOTICE 要求的署名，请注意该许可证的地域适用范围；
• 已合并的 Turbo LoRA 为 Apache-2.0（LICENSE-APACHE），署名信息见 NOTICE；Mystic LoRA 的许可允许衍生与重新授权；
• 详细技术说明与完整出处见 README.md。

小结：一个 21 GB 文件、4 步采样、76 秒出片——MiniMax-H3 Fused Turbo (INT8 ConvRot) 用"合并 + 单次量化"的思路把文生视频的音画同步质量、显存占用和等待时间三者同时压到了极致，是目前 ComfyUI 生态里跑 10 秒音画同步视频性价比最高的一条路。