ml-resources/MiniMax-H3-16G-HiFi

Mirror of l1ngzi/MiniMax-H3-16G-HiFi from ModelScope, a repack of MiniMax-H3. All credit to the original authors. Not an official release from them. Distributed under the MiniMax H3 Community License; use is subject to its terms, including its regional restrictions.

🎉 感谢大家的使用!

更新

8月23日: 同时支持FL2VA和Ref2VA双模式权重和对应基础工作流, 请注意区分

接下来

ComfyUI官方的Sol-attn: 暂时还处于实验性阶段, 我们将跟进并在其表现稳定之后更新基础工作流

Minimax Regenerate 2K / Minimax 稀疏注意力: 官方还未开源

遇到问题?

如果您没有技术基础, 请仔细阅读模型卡, 并按照使用指南进行配置

请移步讨论区, 大家反馈很积极, 您的问题很可能其它用户也遇到了, 目前所有技术问题已经全部有详细解答

如果找不到已有的解决方案, 请随时新建讨论或Issue, 我们都会尽快回复😀. 大家的回复实在太多, 请您直接新建讨论或Issue, 避免在旧帖子下留言, 我们可能找不到

---

目标硬件环境

• 16GB 30/40/50系 消费级显卡（安全余量 2GB）——没有使用 NVFP4 量化, 无需最新的(Blackwell架构)显卡也可以正常运行
• 32GB 内存（安全余量 10GB）
• NVMe 固态硬盘——理论上我们的权重不会卸载到磁盘, 但仍推荐固态

使用说明

本量化为质量保守型, 旨在保画质而非通过量化提速(尽管如此, ComfyUI会自动处理ConvRot INT8的层, 使用w8a8提供局部的2x加速, 我们的权重端到端提供相对原生BF16的约20%加速). 推荐的基础加速工作流也是经实测对精度损失肉眼难辨的保守型加速（2.2x）

我们的量化体积经过规划, 不会有权重卸载到磁盘上, 在如上的硬件条件下, 可获得接近原生 BF16 的高精度体验

尽管我们完全支持最高画质的 15s 视频生成, 但在 16GB 消费级显卡的算力限制下, 这会带来约2 小时/条的生成耗时（以 5070Ti 为例）, 即使使用了我们的基础加速工作流, 也需要 50–60 分钟/条

因此推荐使用 960×544 及以下分辨率 + 10s 及以下时长的设置进行生成和快速迭代（预估可接受的生成耗时为最多约 10 分钟/条）

请根据您自身的使用情况和对单条视频生成耗时的需求调整合适的分辨率和时长组合

快速开始

生成模式	需要下载的 DiT	配套基础加速工作流(可选)
Ref2VA（参考图模式）	diffusion_models/minimax_h3_ref2va_dit_16g.safetensors(原minimax_h3_dit_16g.safetensors)	workflow_ref2va_fast.json
FL2VA（首尾帧模式）	diffusion_models/minimax_h3_fl2va_dit_16g.safetensors	workflow_fl2va_fast.json

1. 根据上方表格选择所需模式, 只下载对应的一个 DiT 权重(除非您想两个都试试); text_encoders/ 和 vae/ 为两种模式共用
2. 将下载的 diffusion_models/, text_encoders/, vae/ 三个目录原样并入 ComfyUI/models/
3. （可选） 通过我们的基础加速工作流一站式启动——Ref2VA 使用 workflow_ref2va_fast.json, FL2VA 使用 workflow_fl2va_fast.json

环境：ComfyUI ≥ 0.31、PyTorch cu130。使用本仓库的基础加速工作流，还需下载 ComfyUI-sol-attn-main.zip，解压到 ComfyUI/custom_nodes/，确认路径为 ComfyUI/custom_nodes/ComfyUI-sol-attn-main/__init__.py，然后完整重启 ComfyUI。

文件

文件	大小	内容
diffusion_models/minimax_h3_ref2va_dit_16g.safetensors	26.5 GB	Ref2VA DiT 主模型
diffusion_models/minimax_h3_fl2va_dit_16g.safetensors	26.5 GB	FL2VA DiT 主模型
text_encoders/qwen3vl_text_encoder.safetensors	30.6 GB	Qwen3-VL 文本/图像编码器, 量化精度损失小于1%
vae/minimax_h3_video_vae_fp16.safetensors	4.9 GB	视频 VAE
vae/minimax_h3_audio_vae_fp32.safetensors	0.6 GB	音频 VAE
workflow_ref2va_fast.json	—	推荐工作流（可选, 参考图生视频, 加速已配置）
workflow_fl2va_fast.json	—	推荐工作流（可选, 首尾帧生视频, 加速已配置）

常见量化版比较

指标是池化 relative L2（越低越好）, 速度是无其他加速手段下的, 权重原生提供的加速. Ref2VA 和 FL2VA 分别以对应任务的官方 BF16 权重为基准

除了综合视频/音频误差, 我们还着重优化了最大单点误差以及不同输入, 时间步之间的误差波动, 以 FL2VA 为例, 相比全层 INT8 ConvRot：

1. 视频/音频最大单点误差由 13.99% / 6.93% 降至 6.81% / 5.99%, 分别降低 51.3% / 13.6%
2. 视频/音频单点误差方差由 9.48 / 1.30 降至 2.34 / 1.06, 分别降低 75.3% / 18.5%

多步生成会将前一步的偏差带入后续计算, 因此, 使用我们的权重时, 生成轨迹更不容易被某一步的量化误差尖峰带偏, 出品更加稳定, 也更不容易出现明显劣化的次品

Ref2VA

方案	体积	视频误差	音频误差	说明	速度(估计)
官方 BF16 原版	61.7 GB	基准	基准	适用于算力充裕的环境, 例如有5090/Pro 6000或更好的显卡	1.0x
本仓库 Ref2VA	26.5 GB	2.42% （cos 0.99971）	4.23% （cos 0.99911）	本仓库目标硬件条件下最优	1.2x
全层 INT8 ConvRot（官方 pruned int8 同配方）	21 GB	3.25%	6.05%	广泛适用	1.4x
全层 NVFP4（社区 ~11.7G 档同规格）	11.7 GB	14.1%	23.0%	适用于硬件更受限的环境	仅对于50系显卡更快, 其余反而更慢
全层 INT4 ConvRot（社区 W4A4 档同规格）	9.0 GB	21.2%	41.8%	适用于硬件极端受限的环境	20/30/40系更快, 50系仍约等于INT8档(1.4x)

FL2VA

方案	体积	视频误差	音频误差	说明	速度(估计)
官方 BF16 原版	61.7 GB	基准	基准	适用于算力充裕的环境, 例如有5090/Pro 6000或更好的显卡	1.0x
本仓库 FL2VA	26.5 GB	2.92%	3.80%	本仓库目标硬件条件下最优	1.2x
全层 INT8 ConvRot（官方 pruned int8 同配方）	21 GB	3.99%	3.93%	广泛适用	1.4x
全层 NVFP4（社区 ~11.7G 档同规格）	11.7 GB	17.33%	26.64%	适用于硬件更受限的环境	仅对于50系显卡更快, 其余反而更慢
全层 INT4 ConvRot（社区 W4A4 档同规格）	9.0 GB	25.44%	45.14%	适用于硬件极端受限的环境	20/30/40系更快, 50系仍约等于INT8档(1.4x)

速度

时长和分辨率的影响都是超线性的：token 数随时长/画幅线性增长, 耗时按 token^1.48 增长（实测拟合）

时长翻倍约 2.7 倍耗时——出一条 15 秒样片的时间够出五条 5 秒样片. 所以调参抽卡建议用 960×544 + 5 秒短片（视您实际情况而定）, 满意后再上原生分辨率出正片

完全支持自行配置的 LoRA 加速节点