ComfyUI 核心新增 H3 Latent 放大与 Sol-H3-VAE 支持

ComfyUI 于 2026 年 10 月 28 日合并了两个核心 PR，把 MiniMax H3 的高分辨率路径从自定义节点搬进了核心。PR 17412 新增了 Latent 放大模型支持以及一个专用的 H3 节点，PR 17411 则让 VAE 加载器能够打开 Sol-H3-VAE，即来自 NVIDIA Efficient-Large-Model 团队的蒸馏快速解码器。两个 PR 均由 Kijai 编写，且都在 v0.43.1 标签之后合入，因此它们出现在 master 和每夜构建中，而不在当前 0.43.x 版本里。

这一组合针对的是 2K H3 任务中最耗时的两个环节：在不做 VAE 往返的情况下放大 Latent，以及解码生成完成的片段。

使用 H3 Latent 放大器在 Latent 空间中对低分辨率结果进行放大，图片来自其模型卡。

同一仓库中的视频对比。

核心中新增了什么

两个 PR 都不附带模型文件。它们让现有的社区权重可以用原生加载器加载，因此原本需要节点包的 H3 放大器现在只靠核心节点就能运行。

在 Latent 内部放大

H3 的 Latent 带有 24 个通道以及一条独立的音频流。来自 LBH-123-AI 的 Latent 放大器使用 3D 卷积主干直接作用于视频 Latent：345,280,216 个参数，输入输出均为 24 通道，512 个基础通道，12 个输入块和 12 个输出块，每两个块之间插入一个卷积核大小为 5 的时间卷积。

其意义在于跳过经过 H3 VAE 的 decode -> pixel upscale -> encode 流程，模型卡称该 VAE 约有 5B 参数。作者还指出，对 H3 Latent 直接做双线性或双三次插值会产生重影，而这个学习式放大器经过训练正是为了避开重影。训练使用了约 80,000 组配对样本，大致分为 70,000 组视频对和 8,000 组 2K 图像对，其中 2 倍是最主要的放大倍率。

核心直接从 state dict 读取架构，因此块数、通道宽度和时间卷积核都来自权重本身，而不依赖额外的配置文件。节点输出保留 H3 的嵌套 Latent，这意味着音频部分会原样通过，生成的配乐在放大后依然保留。输入 Latent 上的噪声遮罩会被丢弃。

有两处与配套节点包不同，值得注意：

• 核心节点接收的是目标尺寸，而不是缩放倍率。 MiniMax H3 Latent Upscale With Model 默认 2560x1440，步进为 32，并沿用通常的分辨率上限。社区节点则提供 1.0x 到 4.0x 的连续缩放。
• 单纯放大并不会增加细节。 它只是调整 Latent 尺寸，因此要在新分辨率下进行第二次采样，细节才会被补回来。如果这一步的步数太少，结果会偏软。

如果请求的尺寸与 Latent 尺寸一致，核心节点会直接返回输入，而不运行模型。

可直接替换的解码器 Sol-H3-VAE

Sol-H3-VAE 是 H3 的快速视频解码器，它用一个 1.62B 参数的 24 层非因果解码器替换原本 36 层的 VAE 解码器，并从后者蒸馏而来。它使用窗口注意力整帧解码，而不是按空间分块，并对每个原生的 5-Latent 块进行双向解码。根据其模型卡，它接收相同的归一化 Latent、返回与 H3 VAE 解码器相同的帧，并且不改动音频解码器。

模型卡报告，在覆盖 720p 到 2K 的留出 Latent 上，相对 H3 解码器的 PSNR 为 45.4 dB；在生成的 768p 片段上为 38.2 dB。GB200 的数据来自捕获的 CUDA graph，RTX 5090 的数据为 eager 模式。

在核心中打开该模型文件，远不止新增一个文件名匹配模式：

• 发布文件存储解码器时不带 decoder. 前缀，因此加载器会在运行时重映射键，并在缺失时填入 H3 的 Latent 均值与标准差。
• 非因果解码器改变了帧数计算。其输出为每个 Latent 对应 4 帧，且每 5 个 Latent 组成的块中第一个 Latent 只保留 1 帧：t 个 Latent 得到 4t - 3 * ceil(t/5) 帧，编码时则有对应的逆运算。
• 由于整段片段一次性解码而非分块解码，该 PR 增加了单独的内存估算，使加载器能在解码开始前规划显存。
• 量化的 Sol VAE 版本同样可以加载：加载器会检测带 conv-rotation 权重的 int8，并切换到混合精度算子。

发布文件是单个 fp32 的 sol_h3_vae.safetensors，约 6.5 GB。

接入工作流

1. 把放大器模型文件放到 ComfyUI/models/latent_upscale_models/。H3 版本提供 bf16 和 fp16，各约 691 MB，另有一个 1.38 GB 的 fp32 .pth。
2. 把 sol_h3_vae.safetensors 放到 ComfyUI/models/vae/，并用常规 VAE 加载器加载。
3. 在低分辨率采样与 2560x1440 或更高分辨率的第二次采样器之间，把 Load Latent Upscale Model 接到 MiniMax H3 Latent Upscale With Model。
4. 用 Sol VAE 解码精修后的 Latent。

放大器权重采用 Apache-2.0 许可。ComfyUI 的模板库目前仍只包含托管的 H3 API 模板，因此这一组合还没有官方的 2K 本地模板；上述耗时也来自模型卡自身的测量，而非 ComfyUI 基准测试。

获取方式

• 放大器：LBH-123-AI/Minimax_h3_latent_Upscaler（Apache-2.0，含 bf16 / fp16 / fp32 模型文件，仓库中还有两个示例工作流）
• 快速解码器：Efficient-Large-Model/Sol-H3-VAE，参考 Python 包位于 code/，更完整运行时的 ComfyUI 阶段位于 NVlabs/Sana 的 Sol-Engine 分支
• 核心改动：PR 17412、PR 17411