10分钟上手:如何在 ComfyUI 中跑通 Minimax-h3-Singularity-V2-Pruned-GGUF 文生视频工作流

原创2026-11-12 15:03:57816 阅读
文章标签:人工智能媒体生成视频模型量化本地部署大模型

10分钟上手:如何在 ComfyUI 中跑通 Minimax-h3-Singularity-V2-Pruned-GGUF 文生视频工作流

Minimax-h3-Singularity-V2-Pruned-GGUF 是一组针对 MiniMax-H3 视频大模型做的 GGUF 量化压缩版,专门优化了 ComfyUI 中的文生视频工作流,让你的显存需求从 34GB 级别降到 12GB 起步就能跑。本文用 10 分钟带你完成从下载模型到出片的全流程。

📦 这个仓库里有什么?

这个仓库提供 4 个不同量化精度的模型文件,外加一个 LoRA 兼容所需的曲线基文件,全部围绕 ComfyUI-GGUF 生态优化:

文件 大小 量化类型 推荐显存
Minimax-h3-Singularity-ref2va-v2-Pruned-Q3_K_M.gguf 8.9 GB Q3_K_M(3-bit) 12–16 GB,低显存首选
Minimax-h3-Singularity-ref2va-v2-Pruned-Q4_K_M.gguf 11.6 GB Q4_K_M(4-bit) 16–24 GB,性价比甜点档
Minimax-h3-Singularity-ref2va-v2-Pruned-Q5_K_M.gguf 14.1 GB Q5_K_M(5-bit) 24 GB 以上,高保真
Minimax-h3-Singularity-ref2va-v2-Pruned-Q6_K.gguf 16.7 GB Q6_K(6-bit) 接近无损画质
adaln_affine.safetensors 很小 曲线基 保障 LoRA 兼容,务必一起下载

💡 不知道选哪个?16–24 GB 显存直接选 Q4_K_M,官方标注的 Sweet Spot,质量和显存平衡最好。

⚡ 10 分钟上手:三步跑通工作流

第一步:克隆仓库并拉取模型文件

模型文件通过 Git LFS 托管,普通 clone 只会下载占位文件,务必带上 LFS:

git clone https://gitcode.com/hf_mirrors/Abiray/Minimax-h3-Singularity-V2-Pruned-GGUF

然后进入目录同步大文件:

cd Minimax-h3-Singularity-V2-Pruned-GGUF
git lfs pull

⚠️ 注意:4 个量化版加起来超过 50 GB,只需要下载你选中的那一个版本和 adaln_affine.safetensors,其余版本不用拉。

第二步:把模型放进 ComfyUI 指定目录

把选好的 .gguf 文件放入 ComfyUI 的 diffusion_models 文件夹:

ComfyUI/models/diffusion_models/

同时把 adaln_affine.safetensors 也放到对应的 LoRA/基文件目录(按你工作流要求的位置),保证与 H3 Pruned LoRA、PowerLoRA 生态 100% 兼容。

第三步:在 ComfyUI 中搭建文生视频工作流

  1. 加载模型:在工作流中使用 UnetLoaderGGUF 节点(来自 ComfyUI-GGUF 扩展),选中你放入的 GGUF 文件;
  2. 接上文本编码器:搭配 Qwen3-VL 文本编码器节点处理你的提示词;
  3. 接上 VAE:同时挂载 MiniMax-H3 的 Video VAE 和 Audio VAE(这个模型是视频+音频双模态输出);
  4. 接上 KSampler、CLIPTextEncode 等常规节点,按文生视频工作流串好后点击 Queue Prompt 即可出片。

整个流程的核心节点就一句话:UnetLoaderGGUF 加载模型 + Qwen3-VL 编码文本 + H3 双 VAE 解码视频音频。

🔧 为什么 Pruned 版值得用?

这份量化不是简单粗暴的压缩,README 里列了几个工程亮点(见 README.md):

  • Curve-Pruned AdaLN 架构:把原 34GB 权重中 51 个未剪枝的 AdaLN 调制模块投影到 rank-8 Ref2VA 子空间,砍掉 130.3 亿参数,节省约 26 GB 磁盘空间;
  • 无损精度保护:所有归一化层(RMSNorm、LayerNorm)、时间步嵌入和模态输入输出头都保留 FP32 无损,画质关键部位不缩水;
  • ConvRot 去旋转:INT8 源权重用 float64 精度精确还原后再做 K-量化,消除了量化伪影和色偏问题;
  • LoRA 生态兼容:自带标准 adaln_affine.safetensors 曲线基,可直接挂社区 H3 LoRA 和 PowerLoRA。

简单说:剪枝省显存,FP32 保底精度,LoRA 生态全兼容,这正是新手最容易踩坑的三个点,它全替你处理好了。

✅ 常见问题速查

Q1:12 GB 显存能跑吗? 可以,选 Q3_K_M(8.9 GB 文件),这是官方标注的低显存方案(12–16 GB 区间)。

Q2:生成的视频有偏色,是量化问题吗? 基本不用怀疑。这个版本已经做了 Hadamard 去旋转处理,专门针对量化色偏做了修正,如果仍有异常先检查 VAE 是否接对。

Q3:能加载社区 LoRA 吗? 能。只要同时部署了 adaln_affine.safetensors,就与 ComfyUI 的 H3 Pruned LoRA / PowerLoRA 生态完全兼容。

Q4:工作流节点提示找不到 UnetLoaderGGUF? 说明没装 ComfyUI-GGUF 扩展,先在 ComfyUI Manager 中安装该扩展并重启即可。

🏁 写在最后

Minimax-h3-Singularity-V2-Pruned-GGUF 把 MiniMax-H3 的门槛拉到了消费级显卡:12 GB 显存选 Q3_K_M,16–24 GB 选 Q4_K_M,24 GB 以上追求画质上 Q5/Q6。配合 UnetLoaderGGUF 节点和 Qwen3-VL 编码器,10 分钟就能搭好你的第一条文生视频工作流,剩下的时间就留给创意吧。

登录后查看全文
Minimax-h3-Singularity-V2-Pruned-GGUF