ComfyUI 跑视频生成，MiniMax-H3 该下哪几个文件？按显存选型的完整实操指南
【免费下载链接】MiniMax-H3项目地址: https://ai.gitcode.com/hf_mirrors/Comfy-Org/MiniMax-H3
把一条 MiniMax-H3 视频生成工作流拖进 ComfyUI，点下"Queue Prompt"之后，新手最常遇到的第一道坎往往不是节点接错，而是一句显存不足。问题多半出在选型环节：显卡装不下你加载的那组文件。
Comfy-Org 社区整理发布的这套 MiniMax-H3 模型文件集合里，一共铺了六类材料：扩散模型、文本编码器、VAE、turbo LoRA、ControlNet 补丁和预设 embeddings。这篇文章只以显存为出发点，把三件事讲完：每个文件负责什么、三档显存各配哪组文件、装完之后如何验证跑通。
一次视频生成背后的三种角色、六个目录
一次完整的视频生成，由三个部件接力完成：
- 扩散模型是产线上的主工序，逐帧画面在这里被"生产"出来。仓库里
diffusion_models/下的 12 个文件全部属于它，按任务分成 FL2VA 与 REF2VA 两个系列； - 文本编码器是译员，把提示词翻译成产线能执行的向量指令。MiniMax-H3 采用 Qwen3-VL-32B 架构，
text_encoders/下提供三种精度版本； - VAE是潜空间与像素之间的翻译器：把潜向量压缩、再还原成屏幕上的画面。
vae/目录下共有 3 个文件。
两个扩散模型系列对应的任务不同：FL2VA 系列负责图像转视频（I2V）与文本转视频（T2V）；REF2VA 系列负责参考转视频（R2V），即模仿一段参考素材的视觉风格做风格化生成。
仓库里还有三个目录，初看时很容易被忽略，但各有用途：
| 目录 | 文件数 | 用途 |
|---|---|---|
loras/ | 3 | turbo 系列加速 LoRA，用于大幅压缩采样步数 |
model_patches/ | 4 | Fun ControlNet Union 补丁，含 2.0 版与普通版，均为 bf16 与 int8_convrot 两种精度 |
embeddings/ | 10 | 预设提示词 embeddings，在提示词节点里按文件名调用 |
只搭最基础的 I2V / T2V / R2V 链路，前三个目录就够用；LoRA 和 embeddings 属于后续提速与玩法扩展。
看懂文件名：六种精度后缀与官方选型建议
同一类模型之所以铺出这么多文件，本质只有一句话：拿精度换显存。bf16 画质最好、显存压力最大；pruned 修剪部分参数，画质接近原版；int8 / fp8 / w6a8 则进一步压缩权重，用少量画质换显存空间。
前五个后缀都出现在扩散模型文件名里，最后一个nvfp4_awq只用于文本编码器：
| 后缀 | 精度形态 | 显存压力 | 定位 |
|---|---|---|---|
bf16 | 全精度 | 高 | 画质上限，留给 24GB+ |
pruned_bf16 | 修剪 + 全精度 | 中 | 画质与省显存的折中 |
int8_convrot | int8 量化 | 低 | 低显存主力 |
fp8_scaled | fp8 量化 | 较低 | int8 用不了时的后备 |
w6a8 | pruned 量化变体 | 较低 | 另一种低显存选项 |
nvfp4_awq | nvfp4 量化（AWQ 转换） | 最低 | 仅文本编码器，普通显卡可用 |
两条选型建议官方 README 里说得很直接，值得原样记下：
扩散模型如果能在 cu130 环境下跑 pytorch，优先使用
int8_convrot；fp8_scaled只建议在int8_convrot不可用时才使用。
也就是说，低显存场景下扩散模型的第一顺位是 int8_convrot，fp8_scaled 不是"另一档"，而是后备方案。另外 README 同时注明：文本编码器的 nvfp4_awq 版本不要求 Blackwell 显卡，普通 GPU 也能加载。
顺带补两点：int8_convrot 在扩散模型里既有 pruned 版本，也有未修剪版本（如minimax_h3_fl2va_int8_convrot.safetensors），想要量化又不想动参数结构时可以选后者；三个部件之间不要求同系列，"pruned_bf16 扩散模型 + int8 文本编码器"就是常见的混合搭配，不必把所有文件凑成同一个后缀。
三档显存的文件组合
没有最好的文件，只有匹配你显存的文件。按个人用户常见的显存分布，分三档给出组合：
| 显存档位 | 扩散模型 | 文本编码器 | VAE |
|---|---|---|---|
| 24GB+ | minimax_h3_fl2va_bf16.safetensors与minimax_h3_ref2va_bf16.safetensors | qwen3vl_32b_minimax_h3_bf16.safetensors | minimax_h3_video_vae_fp16.safetensors |
| 12GB–24GB | *_pruned_bf16系列，如minimax_h3_fl2va_pruned_bf16.safetensors | qwen3vl_32b_minimax_h3_int8_convrot.safetensors | minimax_h3_video_vae_fp16.safetensors |
| 12GB 以下 | minimax_h3_fl2va_pruned_int8_convrot.safetensors或minimax_h3_fl2va_pruned_fp8_scaled.safetensors | qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors | minimax_h3_video_vae_fp16.safetensors |
三档各自的要点：
- 24GB+：不必在精度上做任何妥协，bf16 扩散模型（FL2VA 与 REF2VA 各一份）+ bf16 编码器 + fp16 视频 VAE，是能力最完整、画质最好的一组。
- 12GB–24GB：多数个人用户落在这一档。思路是 pruned_bf16 扩散模型保画质底线，int8 编码器省下的显存大头让给产线本身。
- 12GB 以下：目标只有一个字——"跑"。扩散模型选 pruned_int8 或 pruned_fp8，编码器直接上 nvfp4_awq。如果还想要 R2V 能力，REF2VA 系列同样有量化版本可对应，例如
minimax_h3_ref2va_pruned_int8_convrot.safetensors。
两个容易漏掉的细节：vae/里除了 fp16 视频 VAE，还有minimax_h3_video_vae_int8_convrot.safetensors，留给 fp16 版本都略紧的机器；minimax_h3_audio_vae_fp32.safetensors则只在生成带音轨的视频时才需要接进链路，纯画面的 I2V / T2V 只装视频 VAE 就够。
MiniMax-H3 安装目录映射与首次运行验证
文件选好后，部署分三步动作。
动作一：克隆仓库。模型文件单个体积就有数 GB 量级，网络不稳容易半途而废；磁盘紧张时可以只拉取需要的目录。
git clone https://gitcode.com/hf_mirrors/Comfy-Org/MiniMax-H3动作二：放进 ComfyUI 的models/对应子目录。映射关系一一对应，不需要重命名：
| 仓库目录 | ComfyUI 放置位置 |
|---|---|
diffusion_models/ | ComfyUI/models/diffusion_models/ |
text_encoders/ | ComfyUI/models/text_encoders/ |
vae/ | ComfyUI/models/vae/ |
loras/ | ComfyUI/models/loras/ |
model_patches/ | ComfyUI/models/model_patches/ |
embeddings/ | ComfyUI/models/embeddings/ |
动作三：重启并验证。放置完成后重启 ComfyUI，新模型会自动出现在节点下拉列表里。按任务挑对应工作流：I2V 接一张图走 FL2VA 链路；T2V 直接输提示词，走"文本编码器 → 扩散模型 → 视频 VAE"；R2V 喂参考视频，用 REF2VA 系列做风格迁移；要做带声音的视频，再把音频 VAE 接进输出端。第一次运行先出短时长、低分辨率的小样，确认显存占用与单帧耗时可接受，再逐步放大参数。
⚡ 提速与调味：turbo LoRA 与预设 embeddings 的用法
确认基础链路跑通之后，仓库里最值得用的两项"增值件"是 LoRA 和 embeddings。
loras/下的 3 个 turbo LoRA 对应两条链路：
minimax_h3_fl2v_turbo_4step_v1.0_768p_comfyui_bf16.safetensors（FL2V，4 步，768p）；minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors（FL2V，8 步）；minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16.safetensors（REF2V，4 步，v0.1）。
它们的作用是把采样步数大幅压缩、明显提升生成速度，主模型文件照常使用即可。低显存机器想兼顾速度，配上这几枚 LoRA 通常是最直接的改善。
embeddings/下的 10 个预设（如 bullet_time、truman_show、fire_breath 等）用法写在 README 里：在 CLIPTextEncode 节点中用embedding:前缀加文件名调用，例如embedding:minimaxh3_art_is_explosion，把文件名部分换成想要的预设即可复用对应的提示词效果。
✅ 部署完成前的自查清单与 ⚠️ 许可提示
以下五项逐条过完，才算真正部署完成：
- 文件按显存档位选取，12GB 以下的机器没有误装 bf16 全精度；
- 六个目录全部放进
models/对应子目录，没有文件放错位置； - 确认了当前 pytorch 是否 cu130（决定扩散模型是否优先 int8_convrot）；
- 短时长、低分辨率小样已通过，显存与耗时在可接受范围；
- 商用或分发前，已经读过许可条款。
许可方面需要注意：这套模型采用 MiniMax-H3 社区许可证（minimax-h3-community-license-agreement）。商用、二次分发之前务必先阅读完整条款；许可证全文可在 Hugging Face 的原始模型主页（MiniMaxAI/MiniMax-H3）以及仓库 README.md 中引用的 LICENSE 处查阅。
部署跑通之后，ComfyUI 官方文档与内置工作流模板库里还有 I2V、T2V、R2V、多帧参考、Fun ControlNet Union 等现成模板，与本仓库的文件一一对应，可以直接套用继续深入。
【免费下载链接】MiniMax-H3项目地址: https://ai.gitcode.com/hf_mirrors/Comfy-Org/MiniMax-H3
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
