minimax-h3-image-pdmd-2step ComfyUI双方案配置指南:40GB单文件vs2GB LoRA路径怎么选,量化权重也能跑

原创2026-11-18 09:35:331,409 阅读
文章标签:人工智能深度学习媒体生成模型蒸馏LoRA大模型

minimax-h3-image-pdmd-2step ComfyUI双方案配置指南:40GB单文件vs2GB LoRA路径怎么选,量化权重也能跑

minimax-h3-image-pdmd-2step 是为 MiniMax-H3-Image 文生图模型打造的 2 步加速方案:把 pDMD 2 步 LoRA 注入官方 33.1B 图像 Transformer,将原本固定 6 步的去噪压缩到 2 步,让 ComfyUI 出图提速 2~3 倍,且原生支持 4096×4096(16MP)分辨率。本文讲清两条 ComfyUI 配置路径——40GB 单文件合并版 与 2GB LoRA + 基座模型,量化权重(int8_convrot / w4a8)也能走 LoRA 路径跑起来,新手照着选不踩坑。

Minimax-H3-Image pDMD 2步ComfyUI 4096×4096样本网格图

先看效果:为什么 2 步必须靠这个 LoRA

官方 MiniMax-H3-Image 的蒸馏调度固定为 6 步,强行只跑 2 步时图像还处在"半去噪"状态——构图能认出来,但整体偏软、对比度低、细节没落地:

Minimax-H3-Image 原版模型2步渲染对比效果(偏软、低对比度)

左侧即原版 2 步效果。加载 pDMD 2 步 LoRA 后,同样的 2 次去噪就能把构图、纹理和细节一次做完整(见开头 2 步网格图)。

实测速度(H200,bf16):

方案 4096×4096 出图耗时 说明
原版 6 步 PDD ~25.1 s 无法再减少步数
pDMD 2 步 ~17.4 s 快 1.4×,ComfyUI 下 2048² 约 20 s

提示词迭代、调种子时,2~4MP 尺寸下 2 步模式接近"准实时"体验,这是原版模型做不到的。

双方案怎么选:一张表看懂

对比项 方案 A:40GB 单文件 方案 B:2GB LoRA
核心文件 minimax_h3_image_pdmd_2step_bf16.safetensors(约 40 GB) minimax_h3_pdmd_2nfe_comfyui.safetensors(约 2 GB)
存放位置 ComfyUI/models/diffusion_models/ ComfyUI/models/loras/
节点需求 直接加载,无需 LoRA 节点 插入 LoraLoaderModelOnly,强度固定 1.0
量化基座(int8_convrot / w4a8) ❌ 不能(量化/旋转权重无法做预合并) ✅ 唯一可行路径
已有 Comfy-Org 版 MiniMax-H3-Image 基座 需另下 40GB 大文件 ✅ 直接保留,只加 LoRA
现成工作流 workflows/minimax-h3-image-pdmd-2step-t2i.json workflows/minimax-h3-image-pdmd-2step-lora-t2i.json

💡 一句话决策:全新装 ComfyUI 求省事 → 方案 A;已有基座模型、显存有限或用的是量化权重 → 方案 B。

方案 A:40GB 单文件一步到位(新手最省事)

这是 Comfy-Org 剪枝 bf16 检查点与 pDMD LoRA 的预合并版(208 个增量以 fp32 数学合并,基础元数据完整保留,合并脚本见 merge_comfy.py),已在原版 ComfyUI 验证加载与出图零报错。

1. 放置模型文件

前提:把 ComfyUI 更新到最新 master(工作流依赖 MiniMaxH3SigmaShift 等新节点)。

文件 存放目录
minimax_h3_image_pdmd_2step_bf16.safetensors(~40 GB) ComfyUI/models/diffusion_models/
文本编码器 qwen3vl_32b(int8 或 nvfp4 版) ComfyUI/models/text_encoders/
VAE minimax_h3_image_vae_fp16.safetensors ComfyUI/models/vae/

2. 加载现成工作流

把 workflows/minimax-h3-image-pdmd-2step-t2i.json 拖进画布即可,其余接线全部完成。手动组图的参考接线:

  • 模型:Load Diffusion Model → MiniMaxH3SigmaShift(shift_video 12,shift_audio 3)→ Basic Guider
  • 文本:Load CLIP(type 选 minimax)→ CLIP Text Encode(只写正向提示词,无 CFG、无需负向)
  • 潜空间:EmptyHunyuanLatentVideo,1 帧视频潜空间即图像;尺寸取 32 的倍数,4096×4096 为原生 16MP
  • 采样:SamplerCustomAdvanced + RandomNoise(自定义种子)+ KSamplerSelect euler + BasicScheduler simple + steps 2 + denoise 1.0 → VAE Decode → Save Image

3. 关键参数速查

参数 取值 备注
steps 2 想更稳可改 3~4,同一配方、不是另一种模式
denoise 1.0 —
采样器 euler + simple —
shift_video 12 pDMD 的运行点,勿随意改
CFG 无 已做 guidance 蒸馏

Minimax-H3-Image 2步pDMD多宽高比16MP分辨率展示网格

同一 2 步配方在官方 16MP 各宽高比(21:9 到 9:16)下均可直出,无需额外调参。

方案 B:2GB LoRA + 现有基座(量化用户必选)

已装好 Comfy-Org 版 MiniMax-H3-Image?基座保留,只补一个 2GB 的 LoRA:

1. 下载 2GB LoRA

把 minimax_h3_pdmd_2nfe_comfyui.safetensors 放进 ComfyUI/models/loras/。它是 ComfyUI 原生布局的转换版(融合 QKV、SwiGLU 半区已换回 [gate; value] 顺序),可直接被 ComfyUI 的 LoRA 节点识别。

2. 插入 LoRA 节点

用 workflows/minimax-h3-image-pdmd-2step-lora-t2i.json 时节点已接好;手动接线则:

  • 在 Load Diffusion Model 与 MiniMaxH3SigmaShift 之间插入 LoraLoaderModelOnly
  • 强度 strength 必须为 1.0——其他数值会等比缩放蒸馏增量,等于破坏 2 步训练好的工作点
  • 其余与方案 A 完全一致(euler / simple / steps 2 / shift 12)

3. 量化权重为什么只能走这条路

int8_convrot 与 w4a8 等旋转/量化检查点无法做 LoRA 预合并,所以量化基座用户想用 2 步模式,LoRA 路径是唯一选择——而且省下的显存红利照样保留:一边是量化基座省显存,一边是 2 步省算力,两者叠加。

进阶:给 2 步草稿加"细节通道"(可选)

2 步出图偏"整体到位、微细节稍欠"时,可用官方验证过的轻量细节通道,不需要任何额外文件:

  1. 半尺寸跑 2 步草稿 → VAE Decode
  2. 像素级放大(lanczos)到目标尺寸 → VAE Encode
  3. 二次采样:3 步、denoise = σ₀(起始 sigma 才是旋钮,不是"低 denoise")
σ₀(denoise) 效果
0.4 ~ 0.55 细节抛光、构图稳定,编辑类任务推荐
0.7 细节更多,但画面可能漂移、平坦区域出现噪点

现成工作流:workflows/minimax-h3-image-pdmd-2step-detail-t2i.json(含草稿保存,方便对比阶段效果)。

ComfyUI细节通道效果对比:草稿、denoise 0.5、denoise 0.7与纯2步渲染

毛发、岩石与塔楼等细节在 denoise 0.5~0.7 档位明显落地;若只想看 100% 放大对比,可参考项目内的 refine_zoom_comparison.jpg 草稿/精修局部对照。

常见问题

Q:steps 能改吗? 能。2 步是默认工作点;个别提示词上 2 步略有偏差时,同配方提到 3~4 步会更接近完全收敛的效果。

Q:支持什么尺寸? 32 的倍数、约 4MP 起即可;4096×4096(16MP)是原生甜点尺寸,4736×3552、5472×3072、6272×2688 等官方比例也支持。

Q:提示词要写多长? MiniMax-H3-Image 偏爱完整、细化的视觉描述(场景级长句)。本项目的全部网格图均按提示词原文直出,未做任何改写。

Q:LoRA 强度可以调吗? 不建议。1.0 是蒸馏工作点,调低等于稀释 2 步效果。

写在最后

回到开头的问题:没有"更好"的路径,只有更适合的路径。40GB 单文件胜在拖进来就能出图,适合首次部署;2GB LoRA 胜在轻量灵活,是量化基座和已有模型用户的唯一解,也是显存紧张时的推荐选择。两条路径跑出来的都是同一套 2 步配方——euler + simple + shift 12 + steps 2,细节不够再加一次 σ₀ 细节通道即可。更多技术细节(diffusers 用法、渲染脚本、许可证说明)可查阅仓库 README.md。

登录后查看全文
minimax-h3-image-pdmd-2step