MiniMax H3 本地部署完整指南文件到底下哪些、FL2VA 还是 Ref2VA、显存不够怎么救【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-H3MiniMax H3 开源了能本地生成最高 2K、带原生立体声音频的视频最长 15 秒。听起来很香但很多人一进下载页就懵了一二十个模型文件、两个大版本、还是 BF16 全精度直接克隆下来硬盘先红了。社区里最常见的吐槽就三句文件下错了几百 G白等一下午两个版本混着装跑起来直接报错全精度拉满显卡当场阵亡。这篇把文件清单、版本选型、翻车点一次性讲透照着抄就行。30 秒速览H3 是什么新手先做什么一句话H3 是个全模态剧组——你丢给它文字、图片、视频、音频任意组合它还你一段声画同步的视频。本地开源的部分是H3-Base能出 768p短边 768 像素、24 FPS、32kHz 立体声的音视频。整个系统其实分三块H3-Context-IR把人话需求翻译成模型听得懂的上下文。这块是官方托管的没开源走 APIH3-Base本地真正干活的主力出 768p 片子开源H3-Regenerate-2K把 768p 结果再高清重做成 2K目前未开源也走 API。新手的第一课不是下载是先想清楚自己要哪种任务凭空生成选 FL2VA照着参考素材二创选 Ref2VA权重不能互换。想清楚这一步下面的坑就避开一大半。逐个拆解这一堆文件各是厨房里的什么角色把 H3-Base 理解成一家餐厅最直观。每个 checkpointFL2VA 或 Ref2VA都是一个自包含的后厨目录里这几位各司其职text_encoder/文本编码器门口的翻译领班。它基于 Qwen3-VL-32B负责把你说的话和图意转成模型内部能懂的表示。少了它报组件缺失主干根本收不到指令。transformer/Omni-Transformer 主干灶台主厨33B 参数的稠密模型画面和声音都是它一起算出来的。少了它整个厨房停摆。vae/ 和 audio_vae/视频 VAE 音频 VAE装盘点。模型内部处理的是压缩过的 latentVAE 负责解压成你能看的画面、能听的双声道声音。少了它只有一堆数字出不了片。tokenizer/、processor/、scheduler/ 和 audio_scheduler/下单小票和节奏控制。小文件但缺一不可尤其 tokenizer 带 H3 专属的特殊 token 配置别拿别家 Qwen 的配置文件替代。model_index.json整张人员花名册。框架就是照着它去逐个组件加载的路径下错一个都对不上。下载清单看这一条就够了官方仓库里原始格式和 diffusers 格式并存用哪个框架就只下哪个清单别全拉hf download MiniMaxAI/MiniMax-H3 --include model_index.json FL2VA/* --local-dir MiniMax-H3版本怎么挑一张表直接抄作业选型原则一句话按任务定版本按显存定精度2K 别指望纯本地。FL2VA 和 Ref2VA 是两套独立权重各装各的谁也别想串台。你的需求推荐版本/方案硬件与成本门槛纯文字生成视频T2VAFL2VABF16 全精度社区示例是 4 卡起跑小显存等量化版一张图动起来首帧/尾帧FL2VA同上最多喂 2 张图首尾两张图、脑补中间FL2VA同上参考图/视频/音频做二创Ref2VARef2VA参考素材越多序列越长显存和时长需求更高想要 2K 成片H3-Base 本地出 768p 官方 Regenerate-2K API 重制本地显存 少量 API 费用只想看效果、不想装环境网页版 / 官方 API零显卡成本另外提醒Ref2VA 的输入是有额度的——最多 9 张图、3 段参考视频、3 段参考音频所有参考文件加起来不超过 12 个。高频翻车实录这 5 个坑占了一半求助帖1. 文件下不全缺胳膊少腿。现象加载时报某个子目录或组件找不到。原因只看了主干多大就只下了最大的那个。解决办法以model_index.json为准processor、tokenizer、text_encoder、transformer、vae、audio_vae 一个都不能少。2. 两种格式混搭装。现象框架初始化报错、组件对不上。原因仓库里原始格式给 SGLang、vLLM 用和 diffusers 格式并存你从两边各抄了一半。解决办法框架定了就只下对应清单diffusers 用户甚至不用手动下ModularPipeline.from_pretrained会自动拉它要的那几个组件。3. 显存直接爆掉。现象加载到一半 OOM。原因文本编码器 32B、主干 33B都是 BF16 全精度单卡消费级显卡基本塞不下。解决办法多卡并行部署官方示例就是 4 卡 ulysses 并行或者等社区量化版本再上。4. 白等 2K结果本地只有 768p。现象跑出来的片子比预期糊怀疑自己环境有问题。原因2K 靠的是 Regenerate-2K 模块这块官方明说还没开源。解决办法接受本地 768p API 重制 2K的组合拳官方 README 里就给了端到端的 2K 工作流脚本参考见 scripts/readme/。5. 提示词一长就崩参考视频被吃掉。现象Ref2VA 效果远不如演示视频。原因参考素材没经过 Context-IR 整理直接塞给 Base 属于把菜单直接扔进后厨。解决办法先用官方 Context-IR API 把上下文结构化再下发或按 官方提示词指南 自己写。收尾H3 把声画同步视频生成从云端搬回了个人电脑这一步本身就够有分量了。剩下的事只有一个你愿意为了本地无限次出片去配多卡、蹲量化版还是直接充 API 把算力外包出去评论区聊聊你的选择也欢迎丢出你踩过的坑。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
