MiniMax H3 8G 最低配：我们从装到出片跑完的全流程

网上已经有 MiniMax 的「保姆级」了。这篇不重复那条路。

这篇只干一件事：8G 显存最低配，我们从头到尾跑完的全流程。
机器是 RTX 3060 Ti 8GB + 56GB 内存。能出什么规格、要等多久、开到哪一档会撞墙——全是这台机器上的实测，不是官方推荐表抄下来的。

MiniMax H3 是画面和声音一次生成的视频模型：环境音、音效、配乐和画面在同一次前向传播里一起算，口型和动作天生跟声音对齐。ComfyUI 已原生支持本地跑。

先看成品。 下面这条 10 秒是纯文字生成的，没有任何输入素材：画面、雨声、海浪声、配乐、结尾那行中文字，全是模型一次出的。（记得开声音）

结尾的土豆哥 IP 是后期合成的，原因在后文。

目录

1. 先看懂几个词
2. 8G 最低配：我们这台机器
3. 装 ComfyUI
4. 下模型（4 个文件，39.6 GB）
5. ⚠️ 我踩的坑：下载器骗了我
6. 跑通第一条视频
7. 两条硬规则：帧数和分辨率
8. 提示词的三字段格式
9. 给结尾加自己的品牌
10. 全部实测耗时
11. 常见报错速查
12. 脚本和工作流

1. 先看懂几个词

不看这几个词，后面的报错你会看不懂。

• ComfyUI — 跑 AI 生成模型的免费开源工作台。界面是节点连线式的，看着复杂，但你不需要自己连：官方模板都做好了，你只改参数。
• 工作流（Workflow） — 一张连好线的节点图，相当于配方。加载模板 = 打开现成配方。
• 权重 / 模型文件 — 模型本体，后缀 「.safetensors」 的大文件。H3 需要 4 个：DiT（画画）、文本编码器（读提示词）、视频 VAE、音频 VAE（把内部数据翻译成像素和声波）。
• 量化 — 把模型压小的技术。「bf16」 是全精度原版，「int8」、「nvfp4」 是压缩版，画质损失很小、显存需求大降。本地部署基本都用量化版。
• T2V / I2V / R2V — 三种生成模式：纯文字生成、给图片让它动起来、给参考素材锁定角色或风格。这篇讲 T2V。
  

2. 8G 最低配：我们这台机器

• CPU：Intel i7-10700F @ 2.90 GHz
• 显卡：NVIDIA GeForce RTX 3060 Ti，8 GB（本篇的「最低配」指这档显存）
• 内存：56 GB
• 硬盘：4.56 TB（开始下载时剩 223 GB）
  后面所有耗时、能不能跑、开到哪一档会撞墙，都是这台 8G 卡上的边界——不是 24G / 48G 机器的体验。

关于配置，只说一件真正重要的事：内存比显存更是门槛。

H3 的四个模型文件加起来 39.6 GB。ComfyUI 启动时会打这一行：

DynamicVRAM support detected and enabled

它的做法是把权重全部常驻系统内存，计算时按层流式换入显存。跑起来之后日志会告诉你分配了多少：

约 40.5 GB 全部躺在内存里。 所以：

• 内存 32 GB 是底线，64 GB 才舒服。 内存不够会直接卡死在加载阶段。
• 权重一定放固态。 机械盘上每次生成都要多等好几分钟——分层加载是要反复读盘的。
• 显存决定的是「能开多大规格、等多久」，不是「能不能跑」。8G 最低配也能跑通，具体能开到哪一档见第 10 节。

3. 装 ComfyUI

版本必须 ≥ 0.30.0。 H3 的原生节点是 2026 年 8 月才合并进 ComfyUI 的，旧版任何工作流都跑不起来。

全新安装（推荐）：去 ComfyUI 官网下桌面版安装包，双击一路默认。Python、PyTorch、CUDA 依赖它自己处理——这是桌面版对新手最友好的地方。

已有 ComfyUI：桌面版在菜单里检查更新；手动 git 部署的进目录 「git pull」，再 「pip install -r requirements.txt」。

验证装好了：启动后浏览器打开 「http://127.0.0.1:8188」，看到节点画布就行。确认版本：设置（左下角齿轮）→ 关于，版本号 ≥ 0.30.0。

低于这个版本就去更新，别硬试。「缺少 MiniMaxH3ImageToVideo 节点」这个最高频报错，99% 是版本问题。

我的环境最后是：ComfyUI 0.31.0 / 前端 1.48.7 / torch 2.12.1+cu130 / Python 3.13.12 / CUDA 13.0。

首次启动会让你挑一个 starter workflow，MiniMax H3 就在推荐位。

注意那里标的 ~53 GB 不准。 T2V / I2V 真正需要的是 4 个文件、39.6 GB。多出来的十几 GB 是 R2V 那套单独的权重，只有你要做「参考生视频」才用得到。别被那个数字吓退。

4. 下模型（4 个文件，39.6 GB）

模型托管在 Hugging Face 的 「Comfy-Org/MiniMax-H3」 仓库。

别 clone 整个仓库——原始仓库有几百 GB（各种精度的版本全在里面），你只要 4 个文件：

两个 VAE 都必须下。 视频 VAE 出画面，音频 VAE 出声音——少了音频 VAE，你会得到一条无声视频。

关于选型，两句就够： 上面这组是官方推荐的通吃组合，任何显卡都先用它跑通。文本编码器选 「nvfp4」 而不是更大的 「int8」 版，是因为它小 10 GB——在内存吃紧的机器上，省 10 GB 内存比省一点计算重要得多。

下载方式：国内把链接里的 「huggingface.co」 换成 「hf-mirror.com」，速度差一个量级。20 GB 的大文件务必用支持断点续传的工具（IDM、aria2，或文末那个脚本），断了不用重来。

放完目录结构应该是这样：

桌面版用户注意：模型目录可能在安装时自选的路径下，设置里搜 model paths 确认。

5. ⚠️ 我踩的坑：下载器骗了我

这一节是这篇最值钱的部分。因为它会让你怀疑是不是自己哪里装错了。

我用桌面版内置的下载器下，进度条跑完，Downloads 面板四个全绿勾、全部显示「完成」。

盯着面板看第二眼才发现不对：

• DiT 显示 3.13 GB，应该是 19.53 GB
• 文本编码器显示 2.67 GB，应该是 14.61 GB
  下载中断之后，下载器没有报错，直接把截断的文件标成了完成。

点 Run，报错是这个：

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

这行错误极具误导性。 它看起来像模型版本不匹配、像 ComfyUI 有 bug、像量化格式不支持。你会想去重装 PyTorch、换量化版、翻 issue。

它的真实含义只有一个：「.safetensors」 文件被截断了。 header 里声明某个张量的形状是 「[151936, 5120]」（文本编码器的 embedding，151936 × 5120），但文件里实际只剩 149999876 个元素，一读就炸。

怎么确认文件完整

方法一（够用）：文件大小对照上面那张表，或者对照 Hugging Face 页面上标的字节数。另外每个下载好的模型旁边都有一个 「.safetensors.dl-meta」 的小 JSON，里面写着权威的 「expectedSize」 和 sha256——信这个，别信面板上的绿勾。

方法二（严格）：解析 safetensors 的 header，把所有张量 「data_offsets」 的末尾取最大值，加上 header 长度，和文件实际大小对比，必须严格相等：

这个检查能在你浪费两小时之前告诉你答案。

怎么修：续传，别重下

19.5 GB 重下一遍太蠢。用 HTTP Range 断点续传，只补缺的字节。核心就是 curl：

curl -L –fail –retry 8 –retry-delay 5 –retry-all-errors \

 --continue-at - --progress-bar -o "$path" "$url"

我把它包成了一个脚本（文末附），带大小和 SHA256 双校验，加 「-Mirror」 参数走国内镜像，中途断了重跑同一条命令会自动接着下。

我要补的是 28.34 GB。四行全绿，这一步才算真的过了。

6. 跑通第一条视频

顶部菜单 工作流 → 浏览模板 → 视频，搜 「MiniMax H3」。

会出来 6 个，认清楚别点错：本地版三个（Text to Video / Image to Video / Reference to Video），「api_」 开头的三个是调云端的、要充值。

从 Text to Video 开始。加载后画布上有一串节点，你只需要认识这几个：

• UNETLoader — 选 DiT 权重
• 文本编码器加载节点 — 选 「qwen3vl_32b_…」
• 两个 VAE Loader — 分别选视频 VAE 和音频 VAE
• ResolutionSelector — 控制输出分辨率
• 提示词框 — 写你要的内容
• 时长输入 — 决定视频长度
• SaveVideo — 输出 MP4 的终点
  

如果哪个模型下拉框是空的或红的，说明那个文件没下完，回第 5 节。

我第一条的参数：ResolutionSelector 的 Megapixels 设 0.3 → 736×416，时长 5 秒，点 Run。

结果：292 秒。 时间去哪了，日志说得很清楚：

出来的是一条带声音的 MP4。「ffprobe」 验过：H.264 + AAC，32000 Hz、双声道，和官方标的「32 kHz 立体声」一致。

两件正常现象，别慌

一、进度条会长时间停在模型加载阶段。 约 34 GB 要从磁盘进内存，小显存卡还要反复换入换出，这一段慢是正常的。

二、控制台刷这行不是报错：

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

这是部分层回退到标准 attention 的提示，不影响生成。

怎么判断跑到哪了

看队列面板里 「SamplerCustomAdvanced」 的百分比，这个工作流是 20 步。

别看那个 Estimated to finish in——样本少的时候它会算出荒谬的值。我见过它在已经跑了 31 分钟的任务上显示「约 1 秒后完成」。也别只看 「Total: xx%」，那是整图的节点级进度，不等于采样进度。

7. 两条硬规则：帧数和分辨率

这两条不是经验之谈，是工作流里写死的。

规则一：帧数必须落在 17k+5 网格

模板里那个数学表达式节点长这样：

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

翻译一下：帧数必须满足 「n % 17 == 5」，不合法的值会被静默向上吸附——不报错、不提示。

官方标的输出时长是 4–15 秒 @ 24fps。实用换算：

填 60 秒也只会得到 15 秒左右。 更长的内容要分镜头生成再剪辑。

规则二：原生画布是短边 768

官方说明里写的是默认短边 768 像素，支持 21:9 / 16:9 / 4:3 / 1:1 / 3:4 / 9:16。ComfyUI 模板自带的档位对照表：

• 0.2：608×352
• 0.3：736×416
• 0.4：864×480
• 0.5：960×544
• 1.0：1344×768（原生画布）
  我的建议：用 0.3（736×416）反复试提示词，定稿再考虑往上抬。 为什么不是一步到原生画布，第 10 节有我的实测答案。

8. 提示词的三字段格式

这是从「能跑」到「能用」的分界线。H3 的提示词是官方定义的结构化格式，不是散文。三个字段，顺序固定：

integrated_multimodal_description: [Shot 1] …

overall_soundscape: …

non_diegetic_music: …

几条容易踩的：

• 后两段没内容就写 「N/A」。
• 除对白和画面内文字保留原语言外，全部用英文写。
• 「[Shot 1]」 开头交代整体风格 + 初始构图，不带时间戳。风格词像 「Cinematic」 / 「live-action」 / 「2D-animated」 / 「3D CG」 / 「watercolor」 / 「vintage film」。
• 后续镜头带严格递增的时间戳：「[Shot 2] At 00:03.500, the camera cuts to …」
• 运镜写成镜头内自然的英文句子，别在句尾堆标签：

  The camera pushes in with small amplitude at slow speed toward the phone in his hands.

The camera holds a static shot as the wave slides toward the lens.

中等幅度、正常速度直接省略不写。想要构图绝对稳定，别用「小幅度推近」——直接锁静态并把要保留在画面内的东西列出来，我实测 10 秒零漂移：

• 有对白的话，给会出声的角色分配稳定 ID 「(S1)」、「(S2)」，台词包在 「[语言] … 」 里，一字不改、不翻译。身份和语气描述放标签外面：
  The young woman with a quiet voice (S1) says: [English] I get off at seven.

一个意外：中文字它写对了

我在结尾那一镜让它渲染一行中文标语，写法是把原文放在英文双引号里、不翻译：

我本来做好了糊掉、错字、缺笔画的心理准备——视频模型渲染汉字普遍不行。结果一个字都没错，笔画完整、居中、稳稳停到结尾。上面那条成品视频里就是。

9. 给结尾加自己的品牌

标语模型能写对，但你的专属 IP 形象它画不出来——它只会画一个「它以为的」东西。这个别指望提示词。

正确做法是生成完之后用 ffmpeg 精确合成。 把 logo（和需要的文字）预渲染成一张带 alpha 的 PNG，叠上去淡入：

「-c:a copy」 直接复制音轨，模型生成的那条立体声一点不动。

三个实操细节，都是我试出来的：

一、logo 原图四角如果是黑的（RGB 没有 alpha 通道），直接叠会出一个黑方块。得先按圆形（或原始轮廓）范围做一个抗锯齿的 alpha 遮罩。

二、位置要看成片再定。 我一开始放底部居中，结果发现画面主体最后正好停在下方中央，logo 压在上面；放中部也挡主体。最后放顶部——那片天空是空的，加一层顶部渐变压暗保证白字可读。先抽末帧试三个位置，比直接猜省事。

三、停留时间要靠冻帧买，不是靠提前淡入。 只提前淡入会吃掉表演时间。让演出完整演完，然后冻住最后一帧：

[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]

视频克隆末帧停 1.8 秒，音频同步补齐并在最后 0.9 秒淡出。配合提前 2.2 秒开始淡入，片尾总露出约 4 秒——足够视觉停留，又不损失任何画面内容。

10. 全部实测耗时（8G 最低配）

一张表，都是 RTX 3060 Ti 8GB 上真跑出来的。

两个可以直接用的结论：

一、I2V 不比 T2V 贵。 同规格下几乎同价，多一张输入图不额外收费。

二、时长维度是超线性的。 5 秒 292 秒、10 秒 773 秒——时长翻倍，耗时 2.6 倍。这符合 attention 对 token 数的复杂度。

那次撞墙

跑通 736×416 只花 5 分钟，我当时想：像素多一点应该也就十几二十分钟。于是按 Megapixels 1.0（1344×768）、10 秒点了 Run。

31 分钟后，采样器进度：5%。

20 步里刚做完 1 步。一步 20 分钟，20 步约 10 小时。我停掉了。

关键是这个反差：像素涨 3.4 倍、帧数涨 2 倍，计算量总共涨 6.7 倍，而耗时涨了约 125 倍。

差出这 20 倍不是算力不够，是内存墙。回到第 2 节那句话——权重是流式换入显存的，剩给激活值的余量本来就薄。而激活值和 attention 的工作集是随「像素 × 帧数」涨的：撑破那点余量之后，每一步都要把约 20 GB 权重重新从内存搬进显存，从「算得慢」变成「几乎全程在等 PCIe」。

这是个断崖，不是平滑变慢。 所以：

• 在你的机器上先找到甜点区，别想当然往上推。 方法很简单——开一档，跑 2 分钟，看采样器百分比推进了多少，反推总时长。不对劲立刻停。
• 别指望加速节点救这个。 Cache 类节点省的是计算和步数，而这是显存带宽问题——省下来的那点时间在这个量级面前没有意义。
• 画质不够就在提示词和构图上找，别硬拉分辨率。 736×416 在手机上看已经够用，而拉到原生画布的代价你看到了。
  如果你的卡显存更大，上限自然更高；这张表是 8G 最低配 的边界，方法可以照搬。

11. 常见报错速查

Q：提示缺少 「MiniMaxH3ImageToVideo」 等节点
A：ComfyUI 版本低于 0.30.0，升级。这是最高频的问题。

Q：「RuntimeError: shape ‘[…]’ is invalid for input of size …」
A：模型文件被截断了，不是版本或量化问题。对照第 5 节查大小、续传补全。

Q：爆显存 / CUDA out of memory
A：按顺序排——① 确认用的是量化版（「pruned_int8」 + 「nvfp4_awq」），别误下了 「bf16」；② 关掉其他吃显存的程序，包括浏览器（硬件加速会占 1–2 GB）；③ 内存拉到 32 GB 以上。注意：降分辨率救不了爆显存，因为显存大头是模型本身。（但降分辨率能救「跑不动」，见第 10 节——这是两件不同的事。）

Q：输出视频没有声音
A：两个 VAE 都要加载，并确认工作流里音频 VAE 和 SaveVideo 之间的链路完整。用官方模板一般不会错，自己改过工作流最容易漏掉这条线。

Q：视频时长和我填的不一样
A：帧数被吸附到 17k+5 网格了，见第 7 节。从合法帧数表里直接抄。

Q：控制台刷 dtype 警告
A：正常现象，部分层回退到标准 attention，不影响生成。

Q：进度条不动，是不是卡死了？
A：看队列面板里 「SamplerCustomAdvanced」 的百分比，别看 Estimated to finish in（它会瞎报）。加载阶段本身就慢，模型放机械盘更慢。

12. 脚本和工作流

配套打包里有这些（需要的话评论区问我怎么拿）：

• 断点续传脚本 — 补全被截断的模型文件，带大小 + SHA256 双校验，「-Mirror」 走国内镜像
• 工作流 — T2V（5 秒 / 10 秒，736×416），参数都调好了
• 片尾合成脚本 — logo + 标语 + 冻帧停留，一条命令出成片

最后

8G 最低配能跑通，不代表什么规格都能开——甜点在 736×416，原生画布在这台机器上是断崖。

本地真正值钱的是试错阶段：一条 5 秒片走云端 API 要花钱，本地只有电费。反复改提示词、筛构图、试运镜，成本几乎为零。定稿后再考虑要不要用 API 出高分辨率，那笔账才划算。

有问题直接评论——8G 这档我们跑过的，我都能答。

土豆哥 | 一人公司手册系列

• 001 — 20 分钟注册域名
• 002 — GitHub Pages 建站
• 003 — 人在国内开美国银行卡
• 004 — 终身免费 Oracle VPS：4 核 24G，从申请到跑起来
• 005 — 全球免费的前后端部署平台
• 006 — 给 AI 装上腿，人在地铁 AI 在家跑
• 007 — 从 0 到 EIN，人在国内也能注册一家美国公司
• 008（上）— 独立站 GEO 实战：流量逻辑变了
• 008（中） — 独立站 GEO 实战：用 Reddit 做 SEO 和 GEO
• 008（下） — 独立站 GEO 实战：从 JSON-LD 到内容矩阵，10 步配置清单
• 009 — 有公司有账户，怎么用 Stripe 收第一笔钱
• 010 — Stripe 以外还有 Paddle，独立站收款怎么选
  

mousepotato（土豆哥）| 美国计算机全奖博士 | 硅谷 11 年技术管理 | AI · OPC · 产品 | X @iluciddreaming

关注我，获取 AI 前沿、技术、管理、产品、英语和硅谷生活见闻。

土豆哥 AI 交流群： OPC 一人公司 · AI 赋能 · 出海讨论 · 海外生活聊天吹水。加微信 tudou_peak 参与交流。
土豆哥 AI Notes 电报群：https://t.me/tudouge_ai_notes （免费）

---

来源：@iluciddreaming · 发布于 2026-08-09 13:34:36 · 原文链接