ComfyUI MiniMax H3图像VAE模型：直接单Latent图像解码

Mamad8 在Hugging Face上发布了一款实验性图像专用MiniMax H3 VAE，并于8月9日在Reddit上分享。该checkpoint可将单个时间Latent（T=1）直接解码为一张图像，为H3 24通道Latent格式提供了一条可用的直接单Latent图像路径。模型以标准合并版H3 VAE checkpoint的形式分发，因此无需自定义节点或单独的解码头。

它是什么，不是什么

模型卡片明确说明了其中的权衡：

• 仅限图像。 图像专用解码器会显著降低多帧视频重建质量，并可能引入补丁网格重影和跨帧混合，因此不得在视频工作流中替代原始H3 VAE。
• 质量有限。 输出可能偏柔和，丢失精细文字、细微轮廓、头发、植被和微纹理。上方的示例图像展示的是实际效果，而非质量保证。这是一条实用路径，而非保真度声明。

其用途在于为H3提供可行的单图像往返转换，这对于需要将H3 Latent作为图像检查或编辑的工作流而言至关重要。

训练方式

原始H3编码器被冻结，同时对完整解码器和post_quant_conv进行微调，使其能够直接从单个H3时间Latent重建真实来源图像。训练采用渐进式256→384像素课程，共使用51,083张独立图像（41,259张Booru Essence图像和9,824张伪相机照片），并结合了解码器感知的目标函数，包含Charbonnier重建损失、边缘损失、SSIM损失以及低权重FDL/FDL-PIPS损失。已选择的step-1597解码器被合并回标准H3 VAE checkpoint中，因此可通过常规H3 VAE工具加载。

在均衡的未见512像素测试集（32张照片加32张艺术图像）上，该checkpoint测得PSNR为30.44 dB、SSIM为0.939、MAE为0.0168；在约1至3百万像素的部署测试中，PSNR达到31.55–33.43 dB。

ComfyUI使用方法

1. 将minimax_h3_t1_image_vae_step1597.safetensors（约5.2 GB）下载到ComfyUI/models/vae/目录
2. 使用标准的加载VAE节点加载该模型，并使用常规的VAE编码/解码节点
3. 该模型使用MiniMax H3的24通道Latent格式，专为单图像（T=1）往返转换而设计

获取方式

该checkpoint可在Hugging Face上获取。它与Mamad8此前发布的2× Latent放大器配合使用，适用于H3 Latent空间工作流。