【免费下载链接】minimax-h3-fused-turbo-int8-convrot项目地址https://ai.gitcode.com/hf_mirrors/MATLOWAI/minimax-h3-fused-turbo-int8-convrot点击查看免费下载MiniMax-H3 Fused TurboINT8 ConvRot 版是一个为 ComfyUI 准备的单文件扩散模型约 21 GB 的 minimax_h3_fused_refdelta_r1024_turbo8_mystic07_int8_convrot.safetensors内置蒸馏 turbo LoRA 与运动平滑 LoRA4 步即可生成带同步音频的文生视频 / 图生视频 / 参考图生视频。很多用户第一反应是文件名叫 turbo8是不是要跑 8 步答案是——建议跑 4 步。本文用同 prompt、同 seed42、1152x640 × 243 帧10 秒、SLA 稀疏注意力的受控实验把 4 / 6 / 8 / 25 步的耗时与效果一次讲清。 4/6/8/25 步实测耗时与效果差异在一张 96 GB 显卡RTX PRO 6000上仅改变采样步数其他条件完全一致测得结果如下数据来自 README.md管线步数实际耗时预览文件reference 单次生成476 s01_reference_4step_sla.mp44 4 de-rope 两遍4 4~374 s02_derope_4plus4_sla.mp44 4 de-rope DyRoPE warm3754 4~374 s03_derope_dyrope_pb3049_warm375.mp4reference 单次生成680 s04_reference_6step_sla.mp4reference 单次生成8103 s05_reference_8step_sla.mp4reference 单次生成25292 s06_reference_25step_sla.mp4结论很直接4 步 vs 8 步只多花 27 秒画面几乎没有可感知的提升4 步 vs 25 步25 步让画面细节略锐一点但音轨完全不变耗时却是 4 步的 3.8 倍换句话说turbo 蒸馏 LoRA 的价值就是少步数出成品步数越多越是在浪费蒸馏成果。 为什么8步turbo反而要跑4步这个文件合并的是 lightx2v 的FL2VA Turbo 8-step v1.0LoRA按 1.0 强度离线合并进权重但它本质上是一个4-or-8 NFE噪声函数调用次数模型蒸馏训练时就按 4 步或 8 步的调度做的适配4 步已经落在它的舒适区内。README 原话是it says 8, run it at 4——名字里的 8 指训练来源不代表推理要跑 8 步。更关键的场景是de-rope4 4 两遍管线第二遍只对抖动预言机标记出的问题帧花步数所以两遍加起来的成本约等于一次 25 步生成但静止保留区域反而更干净。这是在 4 步档位上跑这套模型的最大收益所在。⚙️ 4步出成品的关键配方参数步数不是唯一影响质量的旋钮。同一 seed 下只改一个参数的对照实验验证了两个更值钱的设置见 README.md采样器选 res_multistep不要选 eulerlightx2v 官方示例图用的是 euler但实测res_multistep在 4 步下音频质量更好。随附工作流已按此配置采样器res_multistep/ 调度器simple/ denoise 1 /BasicGuider无 CFG可直接拖入 01_reference_4step_sla.json 使用。SLA 稀疏注意力听得出来H3SLAAttentionsparsity 0.90、block 64不只是快同样的权重下dense 注意力的音轨更闷更平SLA 能恢复高频细节而且速度快约 40%。没有稀疏节点包时用 dense 也能跑只是音频会更柔和。 随附工作流清单从4步到参考图生视频workflows/下每个图都提供 ComfyUI 界面版.json和 API 版.api.json顶部一个 PROMPT 框统一驱动所有阶段工作流用途01_reference_4step_sla.json4 步单次生成本文主角02_derope_4plus4_sla.json44 两遍 de-rope静止区更干净03_derope_dyrope_pb3049_warm375.jsonde-rope DyRoPE warm375 运动适配器04_i2v_fl2v_4step_sla.json图生视频 / 首尾帧插值05_ref2va_4step_sla.json参考图生视频同一文件免换 transformer低显存用户workflows/lowvram/ 提供加了MiniMaxChunkFeedForward分块 FFN 节点的同套图实测 16 GB 卡上峰值 VRAM 约 11 GiB、4 步 59~65 s 出片且输出与标准图逐位一致bit-identical。AMD / ROCm 用户workflows/rocm/ 是同一套图、SLA 节点换成 ROCm 构建H3SLAAttentionROCM低显存 ROCm 版在 workflows/lowvram/rocm/。不想用预合并文件README 里给了实时 LoRA 堆叠等效方案同 seed 8 步同耗时同画面但显存峰值要多约 21 GB47.8 GB vs 68.9 GB显存紧张时更推荐这个单文件。✅ 总结4步是这套turbo模型的正确打开方式三句话带走名字里的 8-step 来自蒸馏 LoRA 的训练来源推理跑4 步即可8 步只多花 27 秒且画面几乎不变步数加到 25 只会让画面略锐一点音频纹丝不动耗时 292 s 完全没意义想要更好的静止区域表现走 4 4 的 de-rope 两遍管线总成本 ≈ 一次 25 步质量却更高。配合res_multistep采样器 SLA 稀疏注意力这套 21 GB 单文件就是目前动画向 turbo 混合里很能打的一档——记住口号it says 8, run it at 4。⚠️ 许可说明模型遵循 MiniMax H3 社区许可协议LICENSE含 NOTICE 要求合并的 turbo LoRA 为 Apache-2.0LICENSE-APACHE商用前请自行确认条款。赞分享【免费下载链接】minimax-h3-fused-turbo-int8-convrot项目地址https://ai.gitcode.com/hf_mirrors/MATLOWAI/minimax-h3-fused-turbo-int8-convrot点击查看免费下载相关推荐Axolotl继续预训练指南流式数据从配置到启动的完整实操Axolotl继续预训练指南流式数据从配置到启动的完整实操 领域语料比显存还大时先整体分词再训练的老路在预处理阶段就会卡死训练根本跑不起来。AxoloAMD ROCm 用户看过来MiniMax-H3 Fused Turbo 在 patientx ComfyUI 分叉上的 4 步快速部署指南AMD ROCm 用户看过来MiniMax H3 Fused Turbo 在 patientx ComfyUI 分叉上的 4 步快速部署指南 MiniMaxMiniMax-H3-Acc-LoRAs-ComfyUI 是什么8步生成音视频的PDD加速LoRA完全指南MiniMax H3 Acc LoRAs ComfyUI 是什么8步生成音视频的PDD加速LoRA完全指南 MiniMax H3 Acc LoRAs Comf上一篇ShareJS未来发展方向从ShareJS到ShareDB的演进下一篇TypeIt与竞品对比为什么它是打字机效果库的终极选择创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 【免费下载链接】minimax-h3-fused-turbo-int8-convrot项目地址https://ai.gitcode.com/hf_mirrors/MATLOWAI/minimax-h3-fused-turbo-int8-convrot点击查看免费下载MiniMax-H3 Fused TurboINT8 ConvRot 版是一个为 ComfyUI 准备的单文件扩散模型约 21 GB 的 minimax_h3_fused_refdelta_r1024_turbo8_mystic07_int8_convrot.safetensors内置蒸馏 turbo LoRA 与运动平滑 LoRA4 步即可生成带同步音频的文生视频 / 图生视频 / 参考图生视频。很多用户第一反应是文件名叫 turbo8是不是要跑 8 步答案是——建议跑 4 步。本文用同 prompt、同 seed42、1152x640 × 243 帧10 秒、SLA 稀疏注意力的受控实验把 4 / 6 / 8 / 25 步的耗时与效果一次讲清。 4/6/8/25 步实测耗时与效果差异在一张 96 GB 显卡RTX PRO 6000上仅改变采样步数其他条件完全一致测得结果如下数据来自 README.md管线步数实际耗时预览文件reference 单次生成476 s01_reference_4step_sla.mp44 4 de-rope 两遍4 4~374 s02_derope_4plus4_sla.mp44 4 de-rope DyRoPE warm3754 4~374 s03_derope_dyrope_pb3049_warm375.mp4reference 单次生成680 s04_reference_6step_sla.mp4reference 单次生成8103 s05_reference_8step_sla.mp4reference 单次生成25292 s06_reference_25step_sla.mp4结论很直接4 步 vs 8 步只多花 27 秒画面几乎没有可感知的提升4 步 vs 25 步25 步让画面细节略锐一点但音轨完全不变耗时却是 4 步的 3.8 倍换句话说turbo 蒸馏 LoRA 的价值就是少步数出成品步数越多越是在浪费蒸馏成果。 为什么8步turbo反而要跑4步这个文件合并的是 lightx2v 的FL2VA Turbo 8-step v1.0LoRA按 1.0 强度离线合并进权重但它本质上是一个4-or-8 NFE噪声函数调用次数模型蒸馏训练时就按 4 步或 8 步的调度做的适配4 步已经落在它的舒适区内。README 原话是it says 8, run it at 4——名字里的 8 指训练来源不代表推理要跑 8 步。更关键的场景是de-rope4 4 两遍管线第二遍只对抖动预言机标记出的问题帧花步数所以两遍加起来的成本约等于一次 25 步生成但静止保留区域反而更干净。这是在 4 步档位上跑这套模型的最大收益所在。⚙️ 4步出成品的关键配方参数步数不是唯一影响质量的旋钮。同一 seed 下只改一个参数的对照实验验证了两个更值钱的设置见 README.md采样器选 res_multistep不要选 eulerlightx2v 官方示例图用的是 euler但实测res_multistep在 4 步下音频质量更好。随附工作流已按此配置采样器res_multistep/ 调度器simple/ denoise 1 /BasicGuider无 CFG可直接拖入 01_reference_4step_sla.json 使用。SLA 稀疏注意力听得出来H3SLAAttentionsparsity 0.90、block 64不只是快同样的权重下dense 注意力的音轨更闷更平SLA 能恢复高频细节而且速度快约 40%。没有稀疏节点包时用 dense 也能跑只是音频会更柔和。 随附工作流清单从4步到参考图生视频workflows/下每个图都提供 ComfyUI 界面版.json和 API 版.api.json顶部一个 PROMPT 框统一驱动所有阶段工作流用途01_reference_4step_sla.json4 步单次生成本文主角02_derope_4plus4_sla.json44 两遍 de-rope静止区更干净03_derope_dyrope_pb3049_warm375.jsonde-rope DyRoPE warm375 运动适配器04_i2v_fl2v_4step_sla.json图生视频 / 首尾帧插值05_ref2va_4step_sla.json参考图生视频同一文件免换 transformer低显存用户workflows/lowvram/ 提供加了MiniMaxChunkFeedForward分块 FFN 节点的同套图实测 16 GB 卡上峰值 VRAM 约 11 GiB、4 步 59~65 s 出片且输出与标准图逐位一致bit-identical。AMD / ROCm 用户workflows/rocm/ 是同一套图、SLA 节点换成 ROCm 构建H3SLAAttentionROCM低显存 ROCm 版在 workflows/lowvram/rocm/。不想用预合并文件README 里给了实时 LoRA 堆叠等效方案同 seed 8 步同耗时同画面但显存峰值要多约 21 GB47.8 GB vs 68.9 GB显存紧张时更推荐这个单文件。✅ 总结4步是这套turbo模型的正确打开方式三句话带走名字里的 8-step 来自蒸馏 LoRA 的训练来源推理跑4 步即可8 步只多花 27 秒且画面几乎不变步数加到 25 只会让画面略锐一点音频纹丝不动耗时 292 s 完全没意义想要更好的静止区域表现走 4 4 的 de-rope 两遍管线总成本 ≈ 一次 25 步质量却更高。配合res_multistep采样器 SLA 稀疏注意力这套 21 GB 单文件就是目前动画向 turbo 混合里很能打的一档——记住口号it says 8, run it at 4。⚠️ 许可说明模型遵循 MiniMax H3 社区许可协议LICENSE含 NOTICE 要求合并的 turbo LoRA 为 Apache-2.0LICENSE-APACHE商用前请自行确认条款。赞分享【免费下载链接】minimax-h3-fused-turbo-int8-convrot项目地址https://ai.gitcode.com/hf_mirrors/MATLOWAI/minimax-h3-fused-turbo-int8-convrot点击查看免费下载相关推荐Axolotl继续预训练指南流式数据从配置到启动的完整实操Axolotl继续预训练指南流式数据从配置到启动的完整实操 领域语料比显存还大时先整体分词再训练的老路在预处理阶段就会卡死训练根本跑不起来。AxoloAMD ROCm 用户看过来MiniMax-H3 Fused Turbo 在 patientx ComfyUI 分叉上的 4 步快速部署指南AMD ROCm 用户看过来MiniMax H3 Fused Turbo 在 patientx ComfyUI 分叉上的 4 步快速部署指南 MiniMaxMiniMax-H3-Acc-LoRAs-ComfyUI 是什么8步生成音视频的PDD加速LoRA完全指南MiniMax H3 Acc LoRAs ComfyUI 是什么8步生成音视频的PDD加速LoRA完全指南 MiniMax H3 Acc LoRAs Comf上一篇ShareJS未来发展方向从ShareJS到ShareDB的演进下一篇TypeIt与竞品对比为什么它是打字机效果库的终极选择创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考