MiniMax-H3-Comfy-NPU 权重下载清单66GB 模型文件一次配齐不踩坑含 INT8 低显存方案【免费下载链接】MiniMax-H3-Comfy-NPU项目地址: https://ai.gitcode.com/Ascend-SACT/MiniMax-H3-Comfy-NPU 本文是MiniMax-H3-Comfy-NPUComfyUI 昇腾 Ascend NPU 多卡适配的权重下载清单MiniMax-H3 支持文本/图片生成音视频FL2VA、Ref2VA本文帮你一次配齐全部模型文件并给出INT8 低显存方案与避坑建议。一、为什么要提前备齐权重MiniMax-H3 的模型体积非常可观。官方 README.md 说明首次任务需要读取约 66.3 GB 的 BF16 DiT和约 51.5 GB 的文本编码器并建立各 rank 的模型拓扑与缓存。两项合计就超过117 GB再加上 VAE 与 LoRA全套下载量更大。提前备齐权重的直接好处✅ 首次运行不再卡在加载端到端耗时只算在生成上✅ 避免下载途中网络中断导致任务失败✅ 一次下载多卡/单卡BF16 或 INT8都能覆盖⚠️ 提示下载渠道分为官方 Hugging Face 模型库Comfy-Org/MiniMax-H3DiT、文本编码器、ai.gitcode.com的 hf_mirrors 镜像Video/Audio VAE以及larryvrh/MiniMax-H3-Turbo-LoraTurbo LoRA国内环境优先走镜像源速度差异明显。二、权重下载清单BF16 / INT8 全对照表下表来自 README.md 的官方下载清单按场景选文件即可不需要全部下载分类文件名BF16 / 4 卡文件名INT8 / 低卡说明FL2VA DiTminimax_h3_fl2va_bf16.safetensorsminimax_h3_fl2va_int8_convrot.safetensors文本/首帧/首尾帧 → 音视频Ref2VA DiTminimax_h3_ref2va_bf16.safetensorsminimax_h3_ref2va_pruned_int8_convrot.safetensors参考图/视频 → 音视频注意 INT8 用pruned版Text Encoderqwen3vl_32b_minimax_h3_bf16.safetensorsqwen3vl_32b_minimax_h3_int8_convrot.safetensorsQwen3-VL 32B 文本编码器Video VAEminimax_h3_video_vae_fp16.safetensors—同 BF16视频解码Audio VAEminimax_h3_audio_vae_fp32.safetensors—同 BF16音频解码Turbo LoRAminimax_h3_turbo_v4_step600_ema.safetensors—同 BF164~8 步快速降噪推荐Turbo LoRA备选minimax_h3_turbo_v4_step600.safetensors—同 BF164 步大运动场景可选 v1 系最小下载组合4 卡标准方案BF16 DiT BF16 文本编码器 两个 VAE EMA LoRA低显存方案INT8prunedDiT INT8 文本编码器 两个 VAE EMA LoRA三、权重放置方法默认目录与 extra_model_paths.yamlComfyUI 默认从${COMFY_HOME}/models/下的分类目录扫描权重见 README.md目录放什么diffusion_models/FL2VA / Ref2VA DiTtext_encoders/Qwen3-VL 文本编码器vae/Video VAE、Audio VAEloras/Turbo LoRAmodel_patches/模型补丁如果权重放在共享存储可以合并 additional_files/extra_model_paths.yaml 到${COMFY_HOME}/extra_model_paths.yaml把base_path改为容器内可访问的权重路径minimax_h3: base_path: /path/models diffusion_models: diffusion_models text_encoders: text_encoders vae: vae loras: lora修改后重启服务从启动日志确认出现Adding extra search path即生效。四、INT8 低显存方案适合谁、快多少优先选 INT8 的情况单卡运行官方成功性基线单卡 INT8 480P 15 秒多卡但显存吃紧想降低峰值占用Ref2VA 场景必须优先使用 pruned INT8 DiT这是官方明确推荐性能对比4 卡、768P来自 README.md场景权重输出端到端FL2VA Turbo 8 步BF16768P / 5 秒212.33sFL2VA Turbo 8 步INT8768P / 5 秒113.51sRef2VA Turbo 8 步BF16768P / 15 秒495.79sRef2VA Turbo 8 步pruned INT8768P / 15 秒454.77sFL2VA 场景 INT8 比 BF16快近一倍113s vs 212s是低显存部署的首选。五、权重与工作流的搭配速查下载完权重后配套工作流已随项目归档在 additional_files/workflows/minimax-h3/由 install_deps_minimax_h3.sh 一键导入。推荐搭配如下场景工作流权重组合FL2VA 日常出片fl2va_8steps_lora.jsonBF16 FL2VA BF16 TE EMA LoRARef2VA 4 卡ref2va_8steps_lora.jsonBF16 Ref2VA BF16 TE EMA LoRARef2VA 低显存同上pruned INT8 Ref2VA INT8 TE EMA LoRA质量对照ref2va_21steps.jsonBF16 Ref2VA BF16 TERef2VA 的输入素材示例项目内置测试图可在LoadImage节点直接使用⏱️LoRA 与步数选择Turbo LoRA 推荐v4_step600_ema版本降噪步数保持在4~8 步、strength 保持 1.0。6~8 步画面明显优于 4 步超过 8 步不再有收益反而可能出现过锐化伪影。仅在4 步 大运动场景才考虑旧版 v1 检查点。六、权重相关的 4 个常见疑问1️⃣ 权重加载为什么这么慢首次任务需从存储读取 66GB 的 DiT 和 51.5GB 文本编码器并构建各 rank 模型拓扑、CPU 热缓存和 NPU residency属于一次性开销后续复用热缓存会快很多。2️⃣ 四卡显存为什么仍然很高当前 DiT 是序列并行不是参数分片每张卡都需要完整模型的权重地址空间四卡加速的是 token/attention 计算单卡权重显存不会除以四。3️⃣ OOM 之后直接重跑可以吗不建议。先读取 restart-v1.sh 输出的runtime/*.log中第一条异常确认队列为空后用该脚本重启以清理进程级 allocator 状态。4️⃣ 启动日志里的警告要紧吗ModuleNotFoundError: No module named skimage和xFormers not available都属于与 MiniMax-H3 无关的提示不影响运行以MultiNPUParallelConfig和 MiniMax Turbo 节点是否成功导入为准。七、总结一张清单跑完全流程下载按上文对照表选择 BF16 或 INT8 组合Ref2VA 低显存记得选 pruned INT8放置放入models/对应分类目录或用extra_model_paths.yaml指向共享存储导入工作流运行 install_deps_minimax_h3.sh 自动导入 Turbo 自定义节点与 6 套工作流校验Multi-NPU Parallel Config节点卡数与实际卡数一致仅支持 1/2/4按清单配齐 66GB 级模型文件后你就可以在 ComfyUI 页面上直接选择对应权重、拖入参考图开跑从文生视频到图生视频一次不踩坑 【免费下载链接】MiniMax-H3-Comfy-NPU项目地址: https://ai.gitcode.com/Ascend-SACT/MiniMax-H3-Comfy-NPU创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
