1. MiniMax H3 模型本地部署與測試概覽 [1]

thumbnail 本節介紹 MiniMax H3 模型在本地部署時的選擇考量、測試方法與硬體配置。

1.1. MiniMax H3 模型測試背景與方法 [1]

  1. MiniMax H3 模型開放權重後，ComfyUI 迅速跟進原生工作流 [0]
    1. 許多使用者關心如何選擇多種權重、不同解析度下的畫質差異，以及生成 8 秒影片所需時間 [1]
  2. 本次測試耗時近 48 小時，完成本地部署並生成 36 條影片 [2]
    1. 總耗時超過 15,000 秒，旨在提供 MiniMax H3 部署、模型選擇、解析度效益及所需電腦配置的數據與畫面參考 [3]
  3. 測試以 FL2VA 模型為主，Reference 2 Audio Video 模型生成時間可同步參考 [4]
    1. MiniMax H3 發布兩款模型：FL2VA（文本生成影片和圖像生成影片）和 Reference 2 AV（參考生成影片） [4]
  4. 為確保變數一致，測試在純文本影片模式下進行 [6]
    1. 不連接首尾幀，使用相同的提示詞和隨機種子，僅改變模型和解析度 [6]
  5. 測試涵蓋 3 個常用 FL2VA 模型、3 種文本生成影片案例及不同解析度 [3]
    1. 共生成 3x3x4 = 36 個影片，每條 8 秒並帶同步音訊 [3]
    2. 三個模型分別為：32G 完整 INT8、16G 裁剪 FP8、16G 裁剪 INT8 [7]
  6. 測試硬體與軟體配置 [8]
    1. 硬體：NVIDIA RTX 5090 32G 顯存顯示卡、128GB DDR5 記憶體、Intel i9-14900KF 處理器 [8]
    2. 軟體：ComfyUI 版本 0.3.0.0，統一使用 Multistep 採樣器，25 步採樣調度器，denoise 值為 1.0 [9]
    3. 影片設定：所有影片均為 192 幀、24 FPS，精確生成 8 秒，並輸出 H264 畫面及 32K 赫茲雙聲道 AAC 音訊 [11]
    4. 四檔解析度：0.3 百萬像素 (736x416)、0.5 百萬像素 (960x544)、0.7 百萬像素 (1152x640)、1.0 百萬像素 (1376x768) [13]
    5. 耗時計算：從 ComfyUI API 提交開始，到 MP4 檔案保存完成結束，包含提示詞編碼、擴散、影片和音訊 VAE 解碼，以及最終影片的封裝輸出 [15]

2. MiniMax H3 模型速度與效果評測 [16]

thumbnail

本節分析不同 MiniMax H3 模型在不同解析度下的生成速度、畫面效果及應用建議。

2.1. 不同模型與解析度的生成速度比較 [16]

  1. 裁剪 INT8 模型在低解析度下速度優勢明顯 [17]
    1. 0.3 檔：裁剪 INT8 僅需 125.5 秒，完整 INT8 為 163.3 秒，裁剪 INT8 快約 23% [17]
    2. 0.5 檔：裁剪 INT8 平均 257.4 秒，完整 INT8 為 274.5 秒，裁剪 INT8 仍較快 [19]
  2. 高解析度下，兩種 INT8 模型速度差異縮小 [20]
    1. 0.7 檔：兩種 INT8 模型幾乎持平，約 446 秒 (7 分 26 秒) 生成一條 8 秒影片 [20]
    2. 1.0 檔：裁剪 INT8 平均 829.3 秒，完整 INT8 為 833.4 秒，差距不到 1% [21]
    3. 這表示在高解析度下，主要瓶頸在於整體擴散和解碼計算，模型檔案大小減少 13G 並不會線性提升速度 [22]
  3. 裁剪 FP8 模型在 RTX 5090 上未展現速度優勢 [24]
    1. 在 0.5、0.7、1.0 檔，裁剪 FP8 比裁剪 INT8 慢約 18%、11% 和 8% [25]
    2. 結論：單看速度，裁剪 INT8 是最適合作為預設模型的選擇版本 [25]

2.2. 裁剪 INT8 模型不同解析度的效果與應用建議 [26]

  1. 0.3 檔 (約 2 分鐘) [26]
    1. 適合檢查提示詞構圖主體和鏡頭方向，但畫面較模糊，手指、手柄和複雜機械結構容易融合 [26]
    2. 更像草稿，而非最終成品 [26]
  2. 0.5 檔 (約 4 分 17 秒) [27]
    1. 清晰度明顯改善，速度可接受 [27]
    2. 若需嘗試大量提示詞，0.5 檔是效率最高的日常選擇 [28]
  3. 0.7 檔 (約 7 分 26 秒) [29]
    1. 在細節、運動連貫性、提示詞事件覆蓋及時間成本上最均衡，為最推薦的生成檔位 [29]
  4. 1.0 檔 (約 13 分 49 秒) [30]
    1. 比 0.7 檔慢約 86%，會增加紋理和局部細節，但不會自動修復錯誤的手指、物體關係或事件序列 [30]
    2. 不應將高解析度理解為所有問題都會消失 [31]
  5. 建議的工作流程 [32]
    1. 先用 0.3 檔驗證方向 [32]
    2. 再用 0.5 檔批量篩選 [32]
    3. 最後用 0.7 檔輸出最終版本 [32]
    4. 僅在特別需要局部紋理或後期裁剪時，才考慮 1.0 檔 [33]

2.3. 不同解析度下的實際案例效果分析 [34]

  1. 案例一：咖啡師 [34]
    1. 提示詞設計為磨豆、萃取、拉花和成品四個連續事件 [35]
    2. 三個模型都能完成大致流程，暖色光影、蒸汽和金屬材質穩定 [36]
    3. 難點在於手和機械的接觸關係： [38]
      1. 0.3 檔：手、手柄和機械零件容易融合 [39]
      2. 0.7 和 1.0 檔：會增加咖啡粉、蒸汽和拉花紋理，但即使是 1.0 檔，解剖和物體關係錯誤仍可能出現 [39]
    4. 結論：高解析度提高的是細節上限，不等於提高邏輯正確率 [41]
  2. 案例二：海岸航拍 [42]
    1. 這是三組案例中最穩定的，礁石海浪、夕陽和紅帆船基本都能出現，鏡頭也能從低空繞過礁石，跟隨帆船再逐漸升高 [42]
    2. 0.3 檔：浪花較模糊 [43]
    3. 0.5 檔：已進入可用範圍 [43]
    4. 0.7 檔：海浪紋理、帆船識別度和運動連貫性最好 [43]
    5. 1.0 檔：局部紋理更細，但相對於 0.7 檔的視覺提升，耗時增長不明顯 [44]
    6. 結論：若內容主要為自然風景、環境鏡頭或大範圍運鏡，0.7 檔性價比最高 [45]
  3. 案例三：雨夜東京 [46]
    1. 測試虹濕地反射、快速移動主體遮擋和連續事件的時間，整體氛圍良好，雨面反射和霓虹顏色有質感 [46]
    2. 問題主要出現在事件覆蓋上： [47]
      1. 0.3 和 0.5 檔：有時會將最後的列車事件延後或弱化 [47]
      2. 0.7 檔：對自行車經過、鏡頭抬起、高架列車出現這條時間線的覆蓋最為可靠 [48]
      3. 1.0 檔：街道和燈光細節最多，但事件發生時間仍可能漂移 [49]
    3. 注意：招牌字體仍是典型的生成式偽字，不能當作真正的可讀字體使用 [50]

3. MiniMax H3 模型硬體需求與建議 [51]

thumbnail

本節探討 MiniMax H3 模型對硬體資源的實際佔用情況，並提供裝機建議。

3.1. 硬體資源佔用分析 [51]

  1. 顯存佔用 [51]
    1. 儘管模型檔案從 34G 縮小到 21G，但三種模型的運行峰值顯存都在 31.7G 左右，幾乎佔滿 RTX 5090 的 32G 顯存 [51]
  2. 系統記憶體佔用 [52]
    1. 裁剪模型主要節省系統記憶體：完整 INT8 峰值達 93.1G，裁剪 FP8 為 71.2G，裁剪 INT8 為 77.6G [52]
  3. GPU 利用率與功耗 [53]
    1. 高解析度生成時，GPU 利用率長時間接近滿載，峰值功耗約 580 瓦，最高溫度記錄為 91 度 [53]
    2. 這類工作負載不僅消耗顯存，也考驗電源、機箱風道和持續散熱能力 [55]
  4. 重要提醒 [56]
    1. 不建議僅因模型檔案為 21G 就判斷 24G 顯卡可無壓力運行，因為檔案體積、峰值顯存和系統交換是不同的概念 [56]

3.2. 裝機與模型選擇建議 [57]

  1. 穩定本地使用 H3 的顯存建議 [58]
    1. 若經常生成 0.7 或 1.0 百萬像素，32G 顯存是最省心的選擇 [58]
  2. 預算較低者的選擇 [59]
    1. 可考慮二手的 RTX 3090 (24G 顯存)，但需注意速度效率、二手風險、顯存溫度、電源和維修歷史，並準備足夠的系統記憶體 [59]
  3. 不建議低顯存顯卡直接運行 [60]
    1. 若僅有 16G 或更低顯存，不建議為 H3 的三個權重承諾穩定的本地化體驗 [60]
    2. 雖然更小量化、激進卸載或社區方案可能啟動運行，但速度和穩定性不在本次測試結論範圍內 [61]
    3. 更務實的選擇是先使用雲端或 API，或等待更成熟、更小體積的量化模型 (如 GGUF 版本) 發布 [62]
  4. 模型與解析度選擇總結 [63]
    1. 模型優先選擇 21GB 的裁剪 INT8 [63]
    2. 0.3 檔：用於打草稿 [63]
    3. 0.5 檔：用於批量篩選 [63]
    4. 0.7 檔：用於製作最終成品 [63]
    5. 1.0 檔：留給真正需要額外紋理和裁剪空間的鏡頭 [63]

3.3. 額外資源與未來測試展望 [64]

  1. 提供完整中文測評報告 [64]
    1. 包含 36 條逐條測試數據、硬體性能採樣、3 個案例對比圖及 4 個已合併的效果對比影片 [64]
    2. 其中一個 9.6 秒的總覽可連續查看三種模型在三個案例和四檔解析度下的差異 [66]
    3. 另外三個 8 秒的四宮格影片可直接同步比較同一案例的四種解析度 [66]
  2. 未來測試展望 [68]
    1. 若有需求，可繼續測試 H3 的首尾幀模式、參考圖模式，以及 RTX 4090、RTX 3090 和更小顯存顯卡的真實速度 [68]