MiniMax H3 Fused Turbo: Один файл 21 ГБ, видео и аудио за 4 шага

Запуск референса за один проход за 4 шага: 1152x640, 243 кадра (10 с с аудио), 76 секунд на одной RTX PRO 6000.

Что внутри файла

Процесс объединения начинается с урезанного трансформера fl2va, в который встроена SVD ранга 1024 дельты весов (ref2va - fl2va), поэтому один раздел обслуживает как условие первого/последнего кадра, так и условие референса одновременно. Дополнительно к этому:

Один проход квантования INT8 ConvRot выполняется ПОСЛЕ объединения: четыре тяжёлых линейных веса в каждом из 50 блоков (qkv_proj, out_proj, fc1, fc2) имеют формат INT8 с ConvRot (группа 256, по каналам) в нативном макете comfy_quant ComfyUI, всё остальное остаётся BF16/F32. Этот порядок важен: квантование объединённых весов предотвращает смещение квантованной базы с плавающими дельтами, а тесты с тем же семплом показали идентичность результата пути живых LoRA.

Почему объединить вместо наложения LoRA

Два файла LoRA вместе занимают около 540 МБ, поэтому адаптеры не являются проблемой. LoRA: это низкоранговая дельта, которую ComfyUI добавляет при загрузке; чтобы оставаться удаляемой, она хранит чистую копию каждого затронутого веса. Запатчить все 200 основных слоёв модели INT8 и эта резервная копия становится второй полной моделью в памяти. Измерено дважды за 8 шагов на том же семпле:

Тот же кадр, то же время выполнения, метрики аудио идентичны в пределах шума. Бейк просто убирает два загрузчика, один проход квантования туда-обратно и резервный патч ~21 ГБ. Если вам нужны регулируемые силы LoRA, README документирует эквивалентный путь живых файлов с общедоступными файлами.

Шаги: написано 8, запускаем на 4

Объединённое турбо — это 8-шаговый LoRA от lightx2v, но это модель с 4 или 8 NFE. Измеренная лестница на одной RTX PRO 6000 (96 ГБ), 1152x640, 243 кадра, SLA разреженное внимание:

Тот же кадр на 25 шагах: чуть более резкая прорисовка, 292 секунды вместо 76, саундтрек без изменений.

Де-ропе: причина использовать 4 шага; второй проход затрачивает шаги только на кадры, отмеченные детектором рывков, поэтому 4 + 4 вместе обходятся примерно так же, как один проход на 25 шагов, при этом удержанные области получаются чище. Два вывода рецепта важны: res_multistep лучше euler по качеству аудио на 4 шагах (примерные графики lightx2v указывают euler), и SLA блочное разреженное внимание при разреженности 0.90 заметно на слух, восстанавливая детали верхнего диапазона саундтрека, которые плотное внимание сглаживает, при этом работая примерно на 40% быстрее.

Рабочие процессы

Репозиторий содержит пять графов ComfyUI (формат UI и API), каждый с одной коробкой PROMPT, питающей каждый этап. Требуется ComfyUI-MAINodes и пакет узлов SLA разреженного внимания:

Начало работы

1. Скачайте minimax_h3_fused_refdelta_r1024_turbo8_mystic07_int8_convrot.safetensors (21 ГБ) в ComfyUI/models/diffusion_models/ и загрузите его стандартным UNETLoader, weight_dtype default. Пользовательский загрузчик квантования не требуется.
2. Скачайте сопутствующие файлы из Comfy-Org/MiniMax-H3: minimax_h3_video_vae_int8_convrot.safetensors, minimax_h3_audio_vae_fp32.safetensors (VAE) и qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors (текстовый энкодер).
3. Установите ComfyUI-MAINodes и пакет узлов SLA разреженного внимания, затем перетащите один из рабочих процессов выше.

Меньшие карты тоже работают: управление моделями ComfyUI загружает и выгружает трансформер, текстовый энкодер и VAE по мере необходимости, поэтому те же графы выполняются, просто медленнее. Для AMD/ROCm рецепт был разработан на машине AMD с форком ComfyUI ROCm от patientx, который также содержит сборку ROCm для узла внимания SLA.

Ссылки

• Hugging Face: MATLOWAI/minimax-h3-fused-turbo-int8-convrot
• GitHub: matlowai/ComfyUI-MAINodes