MiniMax H3本地部署要多少显存？一张科室清单讲透下载、选型与2K真相

MiniMax H3本地部署要多少显存？一张科室清单讲透下载、选型与2K真相

【免费下载链接】MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解，并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计，H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力，能够出色地执行复杂的多模态指令。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-H3

整仓拉下来 300GB 多，单卡 24GB 跑 FL2VA 直接 OOM 崩掉，好不容易出片一看：768p，根本不是宣传里的 2K。这大概是本地部署 MiniMax H3 最常见的三个翻车现场。今天把版本区别、下载清单和显存门槛一次讲透，照着走，不用重复交学费。

先想清楚你要做什么，再去找零件

选型顺序很重要：先定用途，再挑版本。H3 开源了两个任务家族，仓库里是两个并排的目录：

• FL2VA：接文字，或 0~2 张图。不喂图就是文生视频，喂 1 张就是首帧/末帧动画，喂 2 张就是补中间过程（fl2va）。
• Ref2VA：接参考素材，最多 9 张参考图 + 3 段参考视频 + 3 段参考音频，所有输入文件总数不超过 12 个。参考视频每段 2~15 秒，总时长不超过 15 秒。

两个家族的主干权重不通用，装错家族直接报错。另外记住一条硬规格：本地默认出短边 768p、4~15 秒、24 FPS、32kHz 立体声；2K 增强模块 H3-Regenerate-2K 官方明确写着"暂未开源"，靠官方 API 提供。所以"本地直接出 2K"这件事，目前不成立。

零件地图：一套医院科室，少一个都拍不出片

把整个仓库看成一家医院，每个文件夹就是一个科室，你下单的"片子"必须全科协作才出得来：

科室	路径	干什么	类型
总检专家	text_encoder/（14 个分片）	Qwen3-VL-32B（320 亿参数），负责读懂你的文字和图片指令，取第 50 层隐状态送进主干	核心件
主刀团队	transformer/（14 个分片）	33B 参数的 H3-Omni-Transformer，真正预测视频和音频潜变量（latent，AI 大脑里的压缩表示）	核心件
影像重建组	vae/（3 个分片）	空间压缩 16 倍、时间压缩 4 倍，把潜变量还原成你看得见的视频	核心件
听诊组	audio_vae/（1 个分片）	把 40Hz 的音频潜序列还原成 32kHz 立体声	核心件
入院登记处	tokenizer/	把文字切成 token（词元，文字的最小处理单位），文件很小，缺了就罢工	核心件
影像预处理台	processor/	图片预处理配置，配合 tokenizer 使用	核心件
麻醉节奏师	scheduler/+audio_scheduler/	控制视频、音频各自的采样节奏	小件

两个家族共用同一套 text_encoder、VAE 和调度器，真正不同家的只有 transformer。Ref2VA 比 FL2VA 多一块transformer_ref/（14 个分片），那是参考任务的专用主干。

还有个关键细节：仓库同时放了两种打包格式——原始 checkpoint（FL2VA/、Ref2VA/两个目录，给 SGLang、vLLM 用）和 diffusers 格式（仓库根目录的text_encoder/、transformer/、vae/等，给 diffusers、ComfyUI 用）。框架和格式必须配套，混着加载就是高频报错的第一来源。

选型决策路径：2K 与显存的账怎么算

三条判断句，对号入座：

• 如果你只输入纯文字或首尾帧图片 →FL2VA。
• 如果你要喂参考图/参考视频/参考音频做二创 →Ref2VA，且它比前者更吃显存。
• 如果你坚持要 2K → 本地 H3-Base 先出 768p，再调官方 H3-Context-IR 和 H3-Regenerate-2K API 做增强，这一步绕不开。

硬件账：官方部署示例是 4 张卡、--ulysses-degree 4、BF16 全精度。光 text_encoder（约 64GB）加 transformer（约 66GB）两块权重就 130GB 出头，单张 24GB 消费级卡连装都装不下。官方仓库只发 BF16 权重，量化文件不在仓库里，需要去社区找现成方案。

需求	版本	资源建议
文生视频 / 首帧或首尾帧动画	FL2VA	官方口径 4 卡 BF16；单卡需社区量化版
参考图/视频/音频二创	Ref2VA	4 卡起步，比 FL2VA 更吃显存
768p 出片 + 2K 增强	本地 H3-Base + 官方 2K API	本地跑 768p，2K 走 API
只想体验不想折腾	官方网页版 / API	0 显存

下载时别整仓拉。官方推荐只下自己用的任务族，磁盘按150GB 余量规划：

hf download MiniMaxAI/MiniMax-H3 --include "model_index.json" "FL2VA/*" --local-dir MiniMax-H3

跑服务时最小可用命令长这样（完整参数看 SGLang 文档）：

sglang serve --model-path MiniMax-H3 \ --num-gpus 4 --ulysses-degree 4 \ --performance-mode speed --model-variant fl2va

运行前、中、后自查清单 ✅

运行前

• 磁盘空余 ≥ 150GB，且只拉了自己任务族的文件
• text_encoder和transformer分片数对得上：各 14 个
• vae/是 3 个分片，audio_vae/是 1 个
• 确认格式：SGLang/vLLM 用FL2VA/或Ref2VA/，diffusers/ComfyUI 用根目录
• 多卡机器已配好--ulysses-degree且卡数一致

运行中

• 显存不持续增长到爆；单卡 OOM 属于配置问题，别硬等
• 首条 5 秒短片能正常跑完，再上 15 秒长任务
• 日志无缺权重、格式不匹配的报错

运行后

• 成片 4~15 秒、24 FPS、短边 768p
• 有 32kHz 立体声音频，且声音和画面对得上
• 想要 2K：把 768p 成片交给官方 H3-Regenerate-2K API

收尾

把"先定用途 → 按清单下载 → 对着清单自检"这三步走完，本地部署 H3 的翻车率能砍掉大半：768p 出片在 4 卡 BF16 或量化配置下是稳定可复现的，2K 就交给 API 补刀。省下的不是显存焦虑，是几百 GB 的无效下载时间。

最后一个问题，评论区聊聊：你会为了出片质量一步到位上多卡全精度，还是先用量化版把流程跑通、再谈升级？

【免费下载链接】MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解，并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计，H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力，能够出色地执行复杂的多模态指令。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-H3