Hugging Face's logo

sekkit
/
MiniMax-H3-INT8-CONVROT

Model card Files
xet
 Community
MiniMax-H3-INT8-CONVROT / README_CN.md
sekkit's picture
sekkit
Duplicate from Gluttony10/MiniMax-H3-INT8-CONVROT
9e65b39
preview code
|
Raw
History Blame Contribute Delete
23.4 kB

ComfyUI-RH-MiniMax-H3

English documentation

RunningHub 的 MiniMax-H3 ComfyUI 音视频扩散节点。DiT、Qwen3-VL 文本/多模态 编码器以及视频/音频 VAE 全部在 ComfyUI 进程内运行，不依赖 SGLang 服务，也不 调用 Diffusers Pipeline。

当前任务感知路径已覆盖 T2VA、FL2VA（首/尾帧生成视频与音频）和 Ref2VA（有序 图片/音频/视频参考）。三条路径均已完成本地合同、打包、采样器、媒体预处理、 节点静态检查和单元测试。Ref2VA 已用完整发布权重完成真实 CUDA 端到端验证。 FL2VA 与 T2VA 共用 FL2VA 分区及同一套编码/采样合同；上线前建议再做一次本地 CUDA smoke。

安装 

cd ComfyUI/custom_nodes
git clone <repo-url> ComfyUI-RH-MiniMax-H3
pip install -r ComfyUI-RH-MiniMax-H3/requirements.txt

装好后需重启 ComfyUI：节点定义只在进程启动时读取一次。

节点清单

全部节点注册 ID 带 RHMiniMaxH3 前缀，归入 RunningHub/MiniMax H3 分类。 节点 ID 是工作流里保存的 class_type / type，显示名是画布上看到的标题。

RunningHub/MiniMax H3/loaders

Node ID Display name
RHMiniMaxH3DirectModelLoader RunningHub MiniMax H3 Model Loader (Direct)
RHMiniMaxH3DirectTextEncoderLoader RunningHub MiniMax H3 Qwen3-VL Loader (Direct)
RHMiniMaxH3DirectVAELoader RunningHub MiniMax H3 Dual VAE Loader (Direct)
RHMiniMaxH3FL2VAModelLoader RunningHub MiniMax H3 FL2VA Model Loader (Direct)
RHMiniMaxH3FL2VATextEncoderLoader RunningHub MiniMax H3 FL2VA Qwen3-VL Loader (Direct)
RHMiniMaxH3FL2VAVAELoader RunningHub MiniMax H3 FL2VA Dual VAE Loader (Direct)
RHMiniMaxH3Ref2VAModelLoader RunningHub MiniMax H3 Ref2VA Model Loader (Direct)
RHMiniMaxH3Ref2VATextEncoderLoader RunningHub MiniMax H3 Ref2VA Qwen3-VL Loader (Direct)
RHMiniMaxH3Ref2VAVAELoader RunningHub MiniMax H3 Ref2VA Dual VAE Loader (Direct)

RunningHub/MiniMax H3/conditioning

Node ID Display name
RHMiniMaxH3T2VATarget RunningHub MiniMax H3 T2VA Target
RHMiniMaxH3T2VATextEncode RunningHub MiniMax H3 T2VA Text Encode
RHMiniMaxH3UnsupportedConditioning RunningHub MiniMax H3 Legacy Unsupported Conditioning (Migration Error)

RunningHub/MiniMax H3/fl2va

Node ID Display name
RHMiniMaxH3FL2VAFirstFrameCondition RunningHub MiniMax H3 FL2VA First / First+Last
RHMiniMaxH3FL2VALastFrameCondition RunningHub MiniMax H3 FL2VA Last Only
RHMiniMaxH3FL2VATarget RunningHub MiniMax H3 FL2VA Target
RHMiniMaxH3FL2VAEncode RunningHub MiniMax H3 FL2VA Encode

RunningHub/MiniMax H3/ref2va

Node ID Display name
RHMiniMaxH3Ref2VAImageReference RunningHub MiniMax H3 Ref2VA Image Reference
RHMiniMaxH3Ref2VAAudioReference RunningHub MiniMax H3 Ref2VA Audio Reference
RHMiniMaxH3Ref2VAVideoReference RunningHub MiniMax H3 Ref2VA Video Reference
RHMiniMaxH3Ref2VATarget RunningHub MiniMax H3 Ref2VA Target
RHMiniMaxH3Ref2VAEncode RunningHub MiniMax H3 Ref2VA Encode

RunningHub/MiniMax H3/latent

Node ID Display name
RHMiniMaxH3EmptyAVLatent RunningHub MiniMax H3 Empty AV Latent
RHMiniMaxH3SeparateAVLatent RunningHub MiniMax H3 Separate AV Latent
RHMiniMaxH3CombineAVLatent RunningHub MiniMax H3 Combine AV Latent
RHMiniMaxH3EncodeVideoAVLatent RunningHub MiniMax H3 Encode Video → AV Latent

RunningHub/MiniMax H3/sampling

Node ID Display name
RHMiniMaxH3FrameRate RunningHub MiniMax H3 Frame Rate (Experimental)
RHMiniMaxH3DualSigmaSampler RunningHub MiniMax H3 Dual Sigma Sampler

RunningHub/MiniMax H3/decode

Node ID Display name
RHMiniMaxH3DecodeAV RunningHub MiniMax H3 Decode Video + Audio

迁移旧工作流

节点 ID 加了 RH 前缀，双 VAE loader 的 vae_path 也拆成了两个输入，因此更早 保存的工作流会报 Node type not found。用迁移工具转换，不必手工重建：

python3 tools/migrate_workflow.py 旧工作流.json --in-place

前端格式与 API 格式都支持。工具会改节点 ID、拆分 VAE 输入、按当前签名补齐缺失的 widget；下拉里已不存在的旧模型名会替换成当前默认值，并逐条打印替换记录供你复核。 --in-place 会留一份 .bak 备份。

环境要求

  • ComfyUI 0.27 或更高版本（建议 0.28+）
  • 与 ComfyUI 匹配的 PyTorch CUDA、Triton 和 comfy-kitchen
  • Ref2VA 视频/音频参考需要系统 PATH 中存在 ffmpeg、ffprobe （Encode / Video Reference 在节点加载期软探测；真正跑媒体计划时缺失会 fail-closed）
  • 另行下载 MiniMax-H3 权重；本仓库不包含模型权重
  • 安装 requirements.txt 中的 Python 依赖（transformers>=4.57.0,<=5.8.1）

该模型规模很大。INT8 主要降低权重磁盘占用和搬运成本，并不会把 H3 变成小模型。 BF16 DiT 的 layerwise offload 为 auto（对齐官方 auto_dit_layerwise_offload， 优化基准为单卡 24GB）：当可用显存 ≥ 整模权重 + DIT_INFERENCE_RESERVE 时自动关闭、 走整模驻留；放不下时非 block 模块常驻 GPU、transformer block 按层预取。开关见 h3_settings.py 的 ENABLE_DIT_LAYERWISE_OFFLOAD（False=强制整模）/ DIT_LAYERWISE_PREFETCH。INT8 仍可走 Comfy MixedPrecisionOps 的 partial/streaming offload。两种路径都需要较大的主机内存和高速磁盘。

采样热路径优化默认启用（均可在 h3_settings.py 单独关闭以便回滚）： OPT_SDPA_PRECOMPUTED_BOUNDS（预计算 attention bounds，消除每层 CUDA→CPU 同步）、 OPT_PREPARED_STRUCTURE（RoPE/结构张量 session 缓存）、 OPT_INPLACE_EULER_UPDATE（原位更新 target rows，避免每步整序列 clone）、 OPT_ADALN_SEGMENT_BROADCAST（adaLN 按连续段广播 in-place，避免每层 index_select 物化整序列调制张量）、 OPT_ADALN_PRECOMPUTE / OPT_ADALN_RELEASE_WEIGHTS（采样前预计算全部 timestep 的 adaLN 并释放约 40% DiT 权重；缓存设备由 OPT_ADALN_CACHE_DEVICE 控制：auto/ram/vram）、 OPT_PREBUILT_TIMESTEPS（预生成连续 sigma/timestep 张量）、 OPT_DYNAMIC_ACTIVATION_RESERVE（按画布/序列估算激活预留并分档 full/layerwise/partial/reject；采样输出带 residency_mode）。

生命周期与缓存（均可在 h3_settings.py 关闭）：

  • OPT_RESIDENCY_LEASE + RESIDENCY_POLICY（safe/balanced/resident）： 推理后 DiT 租约驻留（gpu-resident / layerwise-warm），TTL 后冷卸载；
  • OPT_ENCODE_CACHE：文本 / 多模态 Qwen / VAE 条件 rows 共用 LRU（CPU，按字节上限）；
  • OPT_VAE_RESIDENCY：VAE offload 后跳过 soft_empty_cache，便于连续任务回载；
  • FORCE_ABSOLUTE_MODEL_ROOTS：True 时 loader COMBO 一律写绝对路径；默认 False， 按 ComfyUI 目录型模型的约定显示相对搜索路径的短名（如 MiniMax-H3），解析时按 folder_paths 搜索路径顺序取首个命中；
  • OPT_WRITE_SIDECAR：Decode 在 Comfy output/ 写 JSON（任务/几何/驻留/telemetry + env：plugin commit / GPU / torch / Comfy）；
  • 降档链：16:9 为 1344x768→1024x576→832x480→640x352（runtime/downscale.py）。

结构治理（公开节点 class 名不变）：

  • nodes.py 薄 facade → api/{loaders,targets,conditioning,sampling_nodes,decode,_shared}.py
  • contracts/ → constants / target / conditioning / components / fingerprints（+ _impl）
  • sampling.py → runtime/sampler_core.py
  • runtime/ 下 packing / qwen_encoder / media_conditioning / model_loader / vae_adapter / components / dit 均已分包
  • DiT 工具：runtime/attention.py、runtime/prepared_structure.py

基准与可观测性

  • OPT_TELEMETRY：采样/解码写入阶段耗时、每步 P50/P95、峰值显存；sidecar 带 telemetry
  • 24GB 主矩阵：benchmarks/matrix.json + 采集说明 benchmarks/BASELINE_24GB.md
  • 汇总：python3 benchmarks/run_matrix.py --sidecars <Comfy output> --out benchmarks/results
  • latent golden：python3 benchmarks/compare_golden.py --ref a.pt --cand b.pt（默认 accel=off）

模型目录

权重分两处存放：官方分片 release 留在 models/diffusers（或 models/minimax_h3）下，单文件转换产物放进专属根 ComfyUI/models/MiniMax-H3。

models/MiniMax-H3/                              # 扁平单文件权重（转换产物）
├── MiniMax-H3-FL2VA-int8_convrot.safetensors
├── MiniMax-H3-Ref2VA-int8_convrot.safetensors
├── qwen3-vl-32b-int8_convrot.safetensors
├── MiniMax-H3-video_vae.safetensors
└── MiniMax-H3-audio_vae.safetensors

models/diffusers/MiniMax-H3/                    # 官方分片 release
├── FL2VA/
│   ├── transformer/                  # 官方 BF16 DiT（分片）
│   ├── text_encoder/                 # 官方 Qwen3-VL（分片 + tokenizer/processor）
│   ├── video_vae/
│   └── audio_vae/
└── Ref2VA/
    └── ...                           # 组件结构相同

专属根只放权重、不带任何 sidecar：组件类型与分区一律由文件名判定 （MiniMax-H3-<分区>-<格式> / qwen3-vl-32b-* / MiniMax-H3-{video,audio}_vae）， 不符合命名规范的文件会被忽略而不是猜类型。config.json、source/config.json、 tokenizer、preprocessor_config.json 仍然从 model_root 指向的分片 release 读取， 因此两处都要有：release 提供结构，专属根提供张量。

model_root 选官方 release 根。FL2VA 节点只解析 FL2VA 分区，Ref2VA 节点只解析 Ref2VA 分区。每个任务有三个显式组件加载节点，每个下拉只列出对应类型的模型：

  • ... Model Loader (Direct)：transformer_path 只列 DiT，且按分区过滤；
  • ... Qwen3-VL Loader (Direct)：text_encoder_path 只列文本/多模态编码器；
  • ... Dual VAE Loader (Direct)：拆成 video_vae_path 与 audio_vae_path 两个下拉，一次性选择并加载 24 通道视频 VAE 和 32 通道音频 VAE。

节点不会在 BF16 和 INT8 之间静默切换。请按模型名选择，例如：

  • DiT INT8（单文件）：MiniMax-H3-FL2VA-int8_convrot.safetensors / MiniMax-H3-Ref2VA-int8_convrot.safetensors
  • DiT BF16（分片）：逻辑名 MiniMax-H3-FL2VA / MiniMax-H3-Ref2VA
  • TE INT8（单文件）：qwen3-vl-32b-int8_convrot.safetensors
  • TE BF16（分片）：逻辑名 qwen3-vl-32b
  • VAE 单文件：MiniMax-H3-video_vae.safetensors / MiniMax-H3-audio_vae.safetensors
  • VAE 分片/原始包：逻辑名 MiniMax-H3-video_vae / MiniMax-H3-audio_vae

扁平单文件没有 quant_meta.json，分区凭证就是文件名：把 Ref2VA 的 DiT 选进 FL2VA 节点会直接报错。选中的单文件路径会折进组件 fingerprint，换掉权重会立刻 被下游校验发现。

旧工作流里的目录名（如 transformer_int8_convrot / vae）以及 release 内的合并 双 VAE 包仍可解析；但旧的单 vae_path 输入已被 video_vae_path + audio_vae_path 取代，含 VAE Loader 的旧工作流需要重连该节点。

加载 Qwen processor 时会校验官方 preprocessor_config.json / video_preprocessor_config.json（短边/长边像素、patch/merge、mean/std）。 通用 Qwen3-VL 或错误硬编码像素阈值会直接报错，避免条件 embedding 静默偏移。

FL2VA 工作流

支持首帧、尾帧、首帧+尾帧三种合法条件签名。条件图像与语义帧位置会作为整体 传递，并在采样前再次校验。

  1. 使用 ComfyUI LoadImage 加载图片；
  2. 使用 RunningHub MiniMax H3 FL2VA First / First+Last（或 Last Only）构造关键帧；
  3. 分别使用三个 FL2VA Loader 加载 DiT、Qwen3-VL 与 VAE；
  4. 创建 FL2VA Target，再执行 FL2VA Encode；
  5. 将同一个 target 接到 Empty AV Latent；
  6. 依次连接 Dual Sigma Sampler、Decode Video + Audio、CreateVideo、 SaveVideo。

三种签名各一个工作流： fl2va_first_frame.json · fl2va_last_frame.json · fl2va_first_last_frame.json。 运行前请替换其中的占位输入图片名。

Ref2VA 工作流

Ref2VA 的参考素材有严格顺序。添加每一个图片、音频、视频或带音轨视频时，应将 上一个节点的 references 输出接到下一个参考节点；改变链路顺序会改变多模态提示 和条件行的顺序。

  1. 使用标准 LoadImage、LoadAudio 或 LoadVideo 加载素材；
  2. 使用对应的 RunningHub MiniMax H3 Ref2VA ... Reference 节点按顺序追加；
  3. 分别使用三个 Ref2VA Loader 加载 DiT、Qwen3-VL 与 VAE；
  4. 将最终 reference 链同时接到 Ref2VA Target 和 Ref2VA Encode；
  5. 依次连接 Empty AV Latent、Dual Sigma Sampler、 Decode Video + Audio、CreateVideo、SaveVideo。

三种参考形态各一个工作流： ref2va_image.json · ref2va_image_audio.json · ref2va_video_audio.json。 Ref2VA 的 Target 建议显式填 width/height；留空时按 aspect_ratio 默认解析到 1344×768，序列和耗时会大幅上升。 运行前请替换图片和音频占位文件名。

Ref2VA Encode 新增 ref_image_size，决定每张参考图解析到多大：

  • match（默认）：按生成画布的像素面积等比只缩不放；
  • max：参考管线独立的 2048 短边，identity 保真最好。

参考 token 每个采样步都参与注意力，同画布下 max 可能比 match 慢数倍。 此选项出现之前保存的工作流现在会按 match 运行；要精确复现旧结果请显式选 max。切换策略会重新编码，不会复用另一策略的缓存。

Ref2VA 视频参考按官方路径规范为 24 fps，Qwen 展示序列再从该序列按 2 fps 采样。 video_audio 类型必须包含实际音轨；参考音频会进入立体声/32 kHz 的音频 VAE 预处理路径。Comfy AUDIO 超过双声道且无 layout 时，会在 Reference 节点 / VAE 边界均值下混为 stereo；需要 ffmpeg 布局感知 -ac 2 时优先走文件/视频参考。

Target 与采样语义

  • 对外时长限制为 5–15 秒。运行时会把请求帧数向上对齐到 H3 的 17n+5 时间 边界，例如 24 fps 下请求 5.0 秒会解析为 124 帧；
  • FL2VA 的 auto 尺寸跟随关键帧素材；指定比例时使用官方 adapt_shape_v1 画布规则。Ref2VA 使用六个官方比例桶：21:9、16:9、4:3、1:1、 3:4、9:16，auto 默认解析为 16:9；
  • Ref2VA Target 也支持可选的 width、height：两者都为 0 时保持上述比例桶 策略；两者同时填写时以手动画布为准。尺寸必须为 32 的倍数、宽高比在 1:4–4:1 内，且不超过 H3 的像素上限；
  • Ref2VA 时长填 0 表示从唯一一个真实带音频 reference 推导。没有带音频参考或 存在多个带音频参考时，必须显式填写 5–15 秒；
  • 采样器分别创建视频、音频噪声。视觉条件行在每一步固定为 sigma 0.999，音频 参考行固定为 sigma 1.0。50 个 sigma 点对应 49 次 DiT forward；
  • 编码、采样、解码之间会校验 target、条件顺序、任务分区、release 和组件指纹。 FL2VA/Ref2VA 组件交叉连接会直接报错，不会继续生成未定义结果。

V2A（视频→音频，可选）

Dual Sigma Sampler 的 denoise_video=False：把 av_latent.video 整段冻结为 视觉条件（timestep floor 0.999），只去噪音频。当前要求 T2VA 布局（packed 无既有 visual condition）。

典型接线：

  1. T2VA Target + Empty AV Latent；
  2. Encode Video → AV Latent（VAE + 与 target 对齐的 IMAGE 帧序列）写入视频； 或用 Separate / Combine AV Latent 从已有 AV 壳拼出非空视频；
  3. T2VA Text Encode + Dual Sigma Sampler（denoise_video=false）；
  4. Decode Video + Audio（视频回传输入 latent，音频为新采样结果）。

Empty AV Latent 全零视频会直接报错；勿在 FL2VA/Ref2VA 既有 visual cond 布局上开 V2A。

帧率条件（实验性，可选）

RunningHub MiniMax H3 Frame Rate (Experimental) 对应 PR#15210 的实验能力，不是官方 训练契约，也不改 target.fps=24 时序格：

  • adaln=True：把 fps 的 sinusoidal 加到 TimeEmbedder（即使填 24 也非 no-op）； 与 adaLN 预计算兼容，会写入 modulation cache 键；
  • temporal_rope=True：按 24/fps 缩放视频行时序 RoPE 低频（可选 hard/linear/ smoothstep 频率与 sigma 剖面）；24fps 时缩放为 1。

接线：Model Loader → Frame Rate → Dual Sigma Sampler。换 fps 后若 DiT 已 释放 adaLN 权重，需重新加载模型。

单卡采样加速（可选）

开发/部署按单卡设计：不做多卡或 Ulysses 门禁。官方 4×H200 数字只作旋钮与 质量参考；单卡收益来自减少 DiT 次数（velocity-cache）或跳过 block 计算 （Cache-DiT）。默认 accel=off。

Dual Sigma Sampler 的 accel：

值 行为 单卡建议
off 关闭（可作 GT） 默认
auto 命中 1344×768/124f/50steps/shift12·3 时优先 velocity-cache 推荐试
minimax-h3-velocity-cache-v1 整步 velocity 复用 + Taylor（无额外依赖） 首选
minimax-h3-cache-v1 Cache-DiT DBCache（需 pip install cache-dit>=1.3.0） 备选
manual-velocity / manual-cache-dit 手调 stride 或 RDT/MC/warmup 调试

官方参考：velocity-cache 约 3.2×、Cache-DiT 约 2×（均为 4×H200 证据）。 近似加速，不要当 consistency GT。profile 在 minimax_h3_nodes/runtime/profiles/。采样结束会打实际/理论 DiT 次数日志； auto 未命中与 manual-* 也会记录当前 workload 并标明非 GT。

在 examples/workflows/ 任一工作流的采样器上 设置 accel 即可；导入前确认模型名与本地 INT8/VAE 选择一致。

与 accel 无关的两条融合 kernel 路径（均来自上游 PR#15224）：安装的 Comfy 暴露 了对应入口就自动启用，每进程探测一次并打日志；入口缺失（旧版 Comfy、没有 comfy-kitchen、非 CUDA 设备）则原样走现有 PyTorch 路径。

开关 Kernel 收益
OPT_INT8_FUSED_SWIGLU comfy.ops.linear_input_act INT8 MLP：swiglu 折进激活量化 kernel，省掉每层每步一次全尺寸中间张量
OPT_FUSED_QK_ROPE comfy.quant_ops.ck.rms_rope_split_half_ 注意力：per-head RMSNorm 与 split-half RoPE 一趟做完，就地写在 qkv 缓冲上

两者都在 minimax_h3_nodes/runtime/h3_settings.py； OPT_FUSED_QK_ROPE_CUDA_ONLY 让 RoPE kernel 在非 CUDA 设备上一律回退 （comfy-kitchen 没有对应实现）。带梯度时融合 RoPE 也会自动让路——它要就地改写 autograd 视图。

INT8 转换与 VAE 合并

必须按任务分区分别转换：

cd custom_nodes/ComfyUI-RH-MiniMax-H3
BASE=/path/to/ComfyUI/models/diffusers/MiniMax-H3

python3 tools/quantize_int8_convrot.py \
  --src "$BASE/FL2VA/transformer" --device cuda --verify
python3 tools/quantize_int8_convrot.py \
  --src "$BASE/Ref2VA/transformer" --device cuda --verify

python3 tools/quantize_text_encoder_int8_convrot.py \
  --src "$BASE/FL2VA/text_encoder" --device cuda --verify
python3 tools/quantize_text_encoder_int8_convrot.py \
  --src "$BASE/Ref2VA/text_encoder" --device cuda --verify

python3 tools/merge_vae.py --src "$BASE/FL2VA"
python3 tools/merge_vae.py --src "$BASE/Ref2VA"

VAE 只做合并打包，不做 INT8 量化。即使文件名相同，也不要用一个分区的文件修补 另一个分区；转换前应先校验完整的官方下载权重。

工具输出的是组件目录（config.json + 单文件权重 + quant_meta.json）。要用 专属根的扁平布局，把其中的 .safetensors 挪到 models/MiniMax-H3/ 即可——文件名 已经带了模型/类型/量化格式，节点靠它判定类型与分区，配置继续从 $BASE 的分片 release 读：

FLAT=/path/to/ComfyUI/models/MiniMax-H3
mkdir -p "$FLAT"
mv "$BASE/FL2VA/transformer_int8_convrot/MiniMax-H3-FL2VA-int8_convrot.safetensors" "$FLAT/"
mv "$BASE/Ref2VA/transformer_int8_convrot/MiniMax-H3-Ref2VA-int8_convrot.safetensors" "$FLAT/"
mv "$BASE/FL2VA/text_encoder_int8_convrot/qwen3-vl-32b-int8_convrot.safetensors" "$FLAT/"
mv "$BASE/FL2VA/vae/video_vae/MiniMax-H3-video_vae.safetensors" "$FLAT/"
mv "$BASE/FL2VA/vae/audio_vae/MiniMax-H3-audio_vae.safetensors" "$FLAT/"

留在 release 里的组件目录（含 quant_meta.json）同样可用，两种形态都会出现在 对应类型的下拉里。

AdaLN 曲线表 DiT（可选，checkpoint 缩小约 40%）

DiT 每层的 adaLN 投影是 [96768, 2688]，50 层合计 26 GB——占 BF16 DiT 的 39%、 INT8 的 55%（adaLN 不参与量化）。而它的输入只是 silu(time_embedder(t)) 这条 一维曲线：把曲线投影到秩 k 的共享基后，基被折进每层权重（[96768, k]）， time embedder 由 adaln_t_table [grid, k] 采样表 + 线性插值取代。这就是上游 PR #15224 引入的 checkpoint 格式；加载器按 adaln_t_table 张量自动识别，两种 形态走同一套节点。

python3 tools/convert_adaln_curve.py \
  --src "$BASE/FL2VA/transformer" --verify           # BF16: 66.3 GiB -> 约 40 GiB
python3 tools/convert_adaln_curve.py \
  --src "$BASE/FL2VA/transformer_int8_convrot" --verify   # INT8: 47.0 GiB -> 约 21 GiB

产物写到 <src>_adaln_curve/，在 DiT 选择器里作为独立模型名出现。--verify 会在随机的非网格 timestep 上比对曲线路径与真实 adaLN 输出，低于 --cosine-floor（0.9999）直接失败——此时提高 --rank / --grid。默认 rank 64 / grid 1024。

与运行时 adaLN 预计算（原版 checkpoint 仍默认走它）的取舍：

  • 磁盘更小，无需预计算，不占调制缓存，任意 timestep 都可用。
  • adaLN 输入是秩 k 近似，而非精确值。
  • 实验性 Frame Rate 节点的 adaln 模式依赖 time embedder，曲线表 checkpoint 会 直接报错；temporal_rope 模式不受影响。

本地验证 

python3 -m compileall -q minimax_h3_nodes tools tests
python3 -m unittest discover -s tests -v

这些命令验证本地结构以及 CPU 可执行合同，不能代替使用完整发布权重的真实 CUDA 端到端运行。

许可证与上游

插件代码按本仓库 Apache-2.0 许可证发布。模型权重不包含在仓库中，仍受上游模型 许可证及条款约束。实现参考官方 MiniMax-H3 源码包。