MiniMax H3 本地部署避坑指南两个分支下哪个、要下多少文件、怎么不翻车【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 是能生成最长 15 秒、最高 2K、带原生立体声音频视频的生成系统本地开源部分H3-Base默认出 768p。但第一次打开模型下载页的人大多会先卡在这里FL2VA/、Ref2VA/两个分支目录每个目录里 text_encoder 又是十几个分片仓库根目录还摊着一份 diffusers 格式的文件——到底该拉哪些装完直接报错算谁的本文只回答三个问题下哪些文件、选哪个版本、哪里会翻车。为什么 MiniMax H3 必须整包下载单捡最大的那个文件没用把一个下载页想成开一家奶茶店光买一台封口机没用你还得配菜单、操作台、原料和包装袋缺一样都开不了张。MiniMax H3 是同一回事——它一次同时生成画面 立体声每个环节由不同组件负责谁都不能缺席。打开任一分支目录FL2VA/或Ref2VA/结构完全一致组件职责部署时意味着什么model_index.json整包配料单声明各组件的加载方式与版本入口文件缺它框架不知道该怎么组装text_encoder/输入理解基于 Qwen3-VL-32B 的全量权重取第 50 层隐状态供主干使用十几个分片、体积最大的一块之一只下主干漏掉它 店没开成transformer/33B 参数的 H3-Omni-Transformer同时预测视频与音频 latent整个系统最重的权重但它是最后一环缺别的组件它空转video_vae/视觉编解码16× 空间、4× 时间压缩、24 通道 latentf16t4d24把主干输出解回你能看的画面audio_vae/音频编解码32 kHz 立体声 ↔ 40 Hz 速率的 latent没有它出来的片是哑的tokenizer/、processor/输入切分与预处理文件小但硬依赖两点必须当场记住tokenizer 必须用 H3 仓库里这份。H3 在 tokenizer 配置里加了自己的特殊 token如d直接换 Qwen3-VL 原版的 tokenizer 和 config输入会缺字段。视频与音频走的是两套独立 VAE所以音频 VAE 可以省这种想法不成立——要么画面没有、要么声音没有、要么干脆起不来。FL2VA 还是 Ref2VA按你的输入素材对号入座MiniMax H3 本地开源给出的是两套任务专属 checkpoint各自包含独立的 Omni Transformer 权重加全套配套组件processor、tokenizer、text encoder、video VAE、audio VAE精度均为 BF16且是 CFG-distilled 后的权重。H3-Base-FL2VAH3-Base-Ref2VA支持任务t2va文生音视频fl2va首/尾帧生音视频ref2va参考生音视频输入上限0 / 1 / 2 张图0 张纯文本1 张首帧或尾帧2 张首尾帧补中间图 ≤ 9 张参考视频 ≤ 3 段每段 2–15 秒总时长 ≤ 15 秒参考音频 ≤ 3 段每段 2–15 秒总时长 ≤ 15 秒跨类型文件总数 ≤ 12定位从文本或帧从零生成照着参考素材的风格、人物、声线做二创判断条件给得很直白没有参考素材、从文字或首尾帧出发→ 只下FL2VA/。要复刻特定人物、风格、声音做二创→ 只下Ref2VA/。两者权重不互通不能混装也不需要贪心全下——下载时按分支过滤见下一节。跑起来之前四条最可能翻车的线症状对号入座以下四条覆盖了本地部署阶段绝大多数报错的来源建议下载前过一遍。把两个分支的权重混装在一起症状启动直接报错或输出和预期任务完全对不上。原因FL2VA 与 Ref2VA 各配各的 Omni Transformertransformer/权重是任务专属的跨分支挪动等于给奶茶店换了一套不匹配的封口机。处理一个分支一个目录只拉你跑的那个任务想两种玩法都要就维护两份独立目录谁也别动谁的transformer/。原始格式与 diffusers 格式混搭症状某组件加载失败或报不认识的组件类型。原因仓库同时提供两种打包格式——原始 checkpointFL2VA/、Ref2VA/目录供 SGLang、vLLM 使用和 diffusers 格式供 diffusers 等框架使用两套结构不通用。处理先定框架再定清单。diffusers 用户甚至不用手动下载ModularPipeline.from_pretrained(MiniMaxAI/MiniMax-H3)会自动按需拉取对应组件。显存装不下 BF16 原版权重症状加载阶段显存爆掉或多卡环境才勉强启动。原因33B 的 Omni-Transformer 加上 32B 的 text encoderBF16 全精度对消费级显卡压力很大官方 SGLang 示例也直接按 4 卡配置。处理显存档位分级应对——24GB 以上单卡或多卡上 BF16 原版权重跑满 768p、长时长16GB 级RTX 4070 Ti Super 级别选社区量化版有实测能跑8GB 级量化版 降规格480P 短时长可出片单条要等几分钟属正常现象。以为本地就能直接出 2K症状对着2K的宣传图找本地参数找不到然后怀疑自己装错了。原因本地 H3-Base 默认且只出 768p短边 7682K 由 H3-Regenerate-2K 模块负责——把 768p 结果连同原始上下文再喂回 H3 重新生成该模块尚未开源。H3-Context-IR上下文理解与指令精炼模块同样未开源官方提供 API 复现其行为也可按官方 Prompting Guidance 自建。处理把本地部署的定位就定在768p 基础出片需要 2K走官方本地 H3-Base Context-IR / Regenerate-2K API的组合工作流别在本地参数里空找。选型行动清单按显存档位抄表附一条最稳起步路线你的情况下载什么本地能到什么规格备注24GB 单卡或多卡高频出片所选分支全量 BF16 原版768p、最长 15 秒、24 FPS、32 kHz 立体声输出宽高比支持 16:9、9:16、4:3、1:1、21:9 等16GB 级显卡日常玩社区量化版768p 可跑量化 官方权重的压缩打包按框架要求对应格式8GB 级显卡先体验社区量化版480P、短时长慢但链路先跑通偶尔尝鲜不常驻官方网页版 / API官方规格含 2K不占本地资源新用户通常有免费额度要做参考驱动二创人物 / 风格 / 声线Ref2VA分支同上行参考文件越多、越长显存与耗时越高只做文生 / 图生 / 首尾帧FL2VA分支同上行最轻量的本地部署选择下载时只拉一个分支别把几百 GB 全量往硬盘里怼# 只下 FL2VA 分支SGLang / vLLM 等用原始 checkpoint 的框架 hf download MiniMaxAI/MiniMax-H3 --include model_index.json FL2VA/* --local-dir MiniMax-H3 # Ref2VA 用户把 FL2VA/* 换成 Ref2VA/* 即可diffusers 用户不用手动下载框架会自动拉取所需组件。新手最稳的起步路线先用网页版 / API 把效果体验到位、把 prompt 调通可对照 参考视频提示词指南→ 确认自己真的需要本地无限次出片后再动手 → 按上表只下载一个分支、整包不混搭 → 首跑用最便宜的规格验证链路4–8 秒、768p→ 需要 2K 时再走官方 API 的 Regenerate-2K 流程。最后把问题抛回给你本地部署省的是单次出片成本付的是一堆下载、显存和格式的折腾API 省的是时间花的是预算。你的场景更看重无限次免费出片还是单条画质拉满如果你已经在本地跑起来了评论区说说最后卡住你的是显存、下载清单还是 prompt 本身【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
