1. 为什么要在8G显存上折腾minimaxh3
先把结论摆在前面：8G显存跑minimaxh3，能跑，但别指望开箱即用。我手上这张3060 Ti GDDR6X 8G，前前后后折腾了差不多一周，从OOM报错到能稳定出5秒480p的片子，中间踩的坑够写一篇避雷指南了。如果你也是8G显存党，想在自己机器上跑AI视频生成，又不想花冤枉钱升级硬件，那这篇东西应该能帮你省下不少试错时间。
minimaxh3这个模型，圈子里讨论度一直不低。它的优势在于生成动作连贯性比较好，尤其是人物行走、转身这类连续动作，比很多同量级的开源视频模型要自然。但它的显存胃口也是出了名的大——官方推荐配置基本是12G起步，16G才敢说流畅。8G显存想跑，核心思路就一个字：省。省显存的手段无非那么几类：量化、分块、降分辨率、砍帧数、用更省显存的注意力实现。这些手段单独用效果有限，组合起来才能把峰值显存压到8G以内。
这里要先说清楚一个前提：我用的方案是ComfyUI + 秋叶整合包这套组合。为什么不用官方仓库直接跑？因为官方那套依赖环境对Windows用户不太友好，各种CUDA版本、PyTorch版本、xformers编译问题能把人逼疯。秋叶整合包的好处是把Python环境、CUDA运行时、常用插件都打包好了，解压就能用，省去了大量环境配置时间。当然，如果你习惯用conda自己搭环境，也完全没问题，后面我会把关键依赖版本列出来。
另一个需要提前说明的点是：8G显存跑minimaxh3，生成速度不会快。我实测下来，5秒480p的视频，大概需要8到12分钟。这个速度对于批量生产肯定不够看，但作为个人学习、测试提示词效果、做小片段素材，完全够用。如果你追求速度，要么升级硬件，要么考虑云端方案，本地8G显存就是这个水平，心里要有预期。
还有一点，网上有些教程说8G能跑720p，我实测下来基本是骗人的——要么是用了极端的剪枝版本导致画质崩坏，要么是偷偷调用了共享显存导致速度慢到无法接受。所以这篇指南的目标很明确：在8G显存内，稳定生成480p、5秒左右的视频片段，画质可接受，速度可忍受。想跑更高分辨率的，可以等后续优化，或者直接上12G以上的卡。
2. 环境搭建：从零到能跑通第一个工作流
2.1 秋叶整合包的获取与安装
秋叶整合包在圈子里口碑一直不错，主要是因为它把ComfyUI的依赖环境做成了开箱即用的形式。下载渠道这里不展开，大家自己搜“秋叶ComfyUI整合包”就能找到。下载下来是一个压缩包，解压到非中文路径下，比如D:\ComfyUI，然后双击run_nvidia_gpu.bat就能启动。
启动之后浏览器会自动打开ComfyUI的界面，默认地址是127.0.0.1:8188。如果没自动打开，手动在浏览器输入这个地址就行。第一次启动会稍微慢一点，因为要初始化一些缓存文件，之后就快了。
这里有个细节要注意：整合包自带的PyTorch版本可能不是最新的。我用的那个版本是PyTorch 2.1.2 + CUDA 12.1，这个组合对30系卡支持很好，但如果你用的是40系卡，可能需要手动升级PyTorch到2.2以上才能发挥全部性能。升级方法是在整合包的python环境下运行pip install torch==2.2.0 torchvision --index-url https://download.pytorch.org/whl/cu121，具体版本号根据你的CUDA版本调整。
2.2 国内源配置与插件安装
整合包默认的pip源是国外的，下载插件的时候速度可能很慢。建议先换成国内源，方法是在整合包目录下找到python文件夹，进入python\Scripts目录，打开命令行，运行：
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple换源之后，安装ComfyUI Manager。这个插件是管理其他插件的入口，必装。安装方法是在ComfyUI的custom_nodes目录下打开命令行，运行：
git clone https://github.com/ltdrdata/ComfyUI-Manager.git如果git clone速度慢，也可以直接下载zip包解压到custom_nodes目录下。装完之后重启ComfyUI，界面右上角会出现一个“Manager”按钮，点进去就能搜索和安装其他插件了。
跑minimaxh3需要的关键插件有两个：一个是ComfyUI-VideoHelperSuite，用于视频的加载和保存；另一个是ComfyUI-AnimateDiff-Evolved，虽然minimaxh3不是AnimateDiff模型，但它的很多节点依赖这个插件提供的注意力优化和显存管理功能。这两个插件都可以在Manager里直接搜索安装，装完重启即可。
2.3 模型文件的放置与版本选择
minimaxh3的模型文件有好几个版本，8G显存用户要特别注意选择剪枝版或者fp16精度版。完整版模型动辄十几G，加载都加载不进去。我用的版本是社区里流传的minimaxh3_pruned_fp16.safetensors，大小约5.2G，这个版本在画质和显存占用之间平衡得比较好。
模型文件放置路径是ComfyUI\models\checkpoints，直接丢进去就行。另外还需要一个VAE文件，minimaxh3自带的VAE解码器显存占用比较高，建议换成vae-ft-mse-840000-ema-pruned.safetensors，这个VAE对显存更友好，画质损失几乎看不出来。VAE文件放在ComfyUI\models\vae目录下。
还有一个容易忽略的文件是文本编码器。minimaxh3用的是类似CLIP的文本编码器，如果你下载的模型包里没有附带，需要单独下载clip_l.safetensors和clip_g.safetensors，放到ComfyUI\models\clip目录下。这两个文件加起来大概2G左右，别漏了，否则工作流跑不起来。
3. 核心工作流搭建：8G显存的关键参数
3.1 基础工作流结构
ComfyUI的工作流是节点式的，刚开始用可能觉得眼花缭乱，但其实逻辑很清晰：加载模型 → 编码提示词 → 采样生成 → 解码 → 保存视频。我先把整体结构列出来，然后再逐个节点讲参数。
基础工作流包含以下节点：
- Checkpoint Loader：加载minimaxh3模型
- CLIP Text Encode（两个）：分别输入正向和负向提示词
- Empty Latent Image：设置生成分辨率和帧数
- KSampler：采样器，核心参数都在这里
- VAE Decode：解码潜空间图像
- Video Combine：把帧序列合成视频
这个结构看起来简单，但每个节点的参数设置都有讲究，尤其是KSampler和Empty Latent Image这两个，直接决定了显存峰值和生成质量。
3.2 分辨率与帧数的取舍计算
8G显存能跑多大的分辨率，这个需要算一笔账。minimaxh3的潜空间是8倍下采样，也就是说480p（854x480）的视频，在潜空间里是107x60的大小。每一帧的潜空间张量占用的显存大约是：
107 × 60 × 4通道 × 2字节（fp16）= 约51KB看起来很小对吧？但问题在于注意力机制。视频生成模型需要对所有帧做时序注意力计算，这个计算量是帧数的平方级增长。5秒视频按24fps算就是120帧，注意力矩阵的大小是120×120，每个元素2字节，光注意力矩阵就是28KB左右。但这只是单头注意力的开销，实际模型有多头注意力，而且中间激活值远不止这些。
我实测下来的经验值是：480p、5秒、24fps，峰值显存约7.2G，刚好卡在8G以内。如果降到16fps，峰值显存能降到6.5G左右，更安全。如果升到720p，即使帧数降到3秒，峰值显存也会突破9G，直接OOM。
所以我的建议是：分辨率锁死480p，帧数控制在120帧以内，fps用16或24。这个配置下，显存占用在6.5G到7.5G之间波动，留出0.5G到1G的余量给系统和其他进程。
3.3 KSampler参数详解与显存优化
KSampler是显存占用的大头，参数设置直接影响峰值。我用的配置如下：
| 参数 | 值 | 说明 |
|---|---|---|
| sampler_name | dpmpp_2m | 收敛快，显存占用中等 |
| scheduler | karras | 配合dpmpp_2m效果好 |
| steps | 20 | 再高收益递减，显存不变但时间增加 |
| cfg | 7.0 | 太高容易过曝，太低动作不自然 |
| denoise | 1.0 | 文生视频固定1.0 |
这里重点说两个参数：sampler_name和steps。dpmpp_2m是我试过的采样器里，在显存占用和生成质量之间平衡最好的。euler_a显存占用略低，但动作连贯性差一些；ddim显存占用高，而且20步以下效果不好。steps设20是因为minimaxh3在20步左右基本收敛，再增加步数画质提升微乎其微，但生成时间线性增加。
还有一个隐藏的显存优化点：在KSampler节点上右键，选择“Properties”，把“batch_size”设为1。这个参数默认可能是2或4，设成1能直接省下一半的显存。虽然生成速度会慢一点，但8G显存没得选。
3.4 注意力优化与分块解码
ComfyUI-AnimateDiff-Evolved插件提供了一个叫“AnimateDiff Loader”的节点，虽然minimaxh3不是AnimateDiff模型，但这个节点里的注意力优化选项对minimaxh3同样有效。具体操作是：在AnimateDiff Loader节点里，把“motion_scale”设为1.0，“apply_motion”设为False，然后在“attention_mode”里选择“xformers”或“sage”。
xformers和sage都是注意力加速库，能显著降低注意力计算的显存占用。我实测下来，sage比xformers省显存更多，但速度略慢。如果你用的是30系卡，xformers兼容性更好；40系卡可以试试sage。如果这两个都装不上，退而求其次用“sub-quadratic”模式，也能省一些显存，但速度会慢不少。
VAE解码阶段也有显存优化空间。默认的VAE Decode节点是一次性解码所有帧，显存峰值很高。可以换成“VAE Decode (Tiled)”节点，这个节点会把图像分块解码，显存占用能降低30%左右。代价是解码速度慢一点，但8G显存下这点速度换显存是值得的。
4. 实操全流程：从提示词到成片
4.1 提示词编写技巧与实例
minimaxh3对提示词的理解能力还不错，但和SDXL那种模型比，它更依赖具体的动作描述。我总结了一个提示词模板，大家可以参考：
正向提示词： a person walking on a beach, sunset, cinematic lighting, smooth motion, detailed face, 4k, high quality 负向提示词： blurry, distorted, extra limbs, bad anatomy, watermark, text, low quality, jittery motion关键点是动作描述要具体。“walking”比“moving”好，“slowly turning head”比“turning”好。minimaxh3对“smooth motion”这个短语特别敏感，加上之后动作连贯性明显提升。负向提示词里“jittery motion”很重要，能减少画面抖动。
还有一个技巧：提示词不要太长。我试过写一大段描述，结果模型反而抓不住重点。控制在30个词以内，把核心动作和场景说清楚就行。另外，minimaxh3对“cinematic lighting”这类光影词响应很好，加上之后画面质感提升明显。
4.2 完整工作流配置与运行
把前面说的节点连起来之后，工作流大概长这样：
- Checkpoint Loader加载
minimaxh3_pruned_fp16.safetensors - 两个CLIP Text Encode分别输入正向和负向提示词
- Empty Latent Image设置
width=854, height=480, batch_size=120 - KSampler设置
steps=20, cfg=7.0, sampler=dpmpp_2m, scheduler=karras - VAE Decode (Tiled)解码
- Video Combine设置
fps=24, format=mp4
运行之前，先点“Queue Prompt”旁边的“Clear”按钮清空显存缓存。然后点“Queue Prompt”开始生成。第一次运行会加载模型，大概需要30秒到1分钟，之后每次生成就不用重新加载了。
生成过程中，可以打开任务管理器看显存占用。如果显存占用超过7.8G，说明参数还是太激进，需要降帧数或换更省显存的注意力模式。如果显存占用在7G以下，说明还有优化空间，可以适当提高分辨率或帧数。
4.3 生成速度实测与优化
我记录了不同配置下的生成时间，供大家参考：
| 分辨率 | 帧数 | fps | 采样步数 | 生成时间 |
|---|---|---|---|---|
| 480p | 120 | 24 | 20 | 11分32秒 |
| 480p | 80 | 16 | 20 | 7分18秒 |
| 480p | 120 | 24 | 15 | 9分05秒 |
| 360p | 120 | 24 | 20 | 8分47秒 |
从表里能看出来，帧数对生成时间的影响最大，因为注意力计算是平方级增长。分辨率从480p降到360p，时间只省了2分多钟，但画质损失明显，不划算。采样步数从20降到15，时间省了2分半，但动作连贯性会差一些，也不推荐。
所以我的建议是：如果时间紧，优先降帧数，而不是降分辨率或步数。比如把5秒24fps改成3秒24fps，生成时间能降到7分钟左右，画质基本不变。
5. 常见问题与排查技巧实录
5.1 OOM报错排查速查表
OOM是8G显存跑minimaxh3最常见的报错，原因和解决方法我整理成了表格：
| 报错信息 | 原因 | 解决方法 |
|---|---|---|
| CUDA out of memory | 显存峰值超限 | 降帧数、换sage注意力、开Tiled VAE |
| RuntimeError: CUDA error | 显存碎片过多 | 重启ComfyUI，清空缓存 |
| 生成到一半卡死 | 共享显存被调用 | 关闭其他占显存的程序 |
| 模型加载失败 | 模型文件损坏 | 重新下载，校验MD5 |
这里重点说共享显存的问题。Windows系统有个机制，当显存不够时会自动调用内存作为共享显存。这个机制看起来美好，实际上会导致生成速度暴跌到原来的十分之一。所以一定要在NVIDIA控制面板里，把ComfyUI的“CUDA - 系统内存回退策略”设为“优先使用系统内存回退”关掉，强制只用显存。这样显存不够时会直接OOM报错，而不是偷偷用共享显存拖慢速度。
5.2 生成质量问题的排查
除了OOM，生成质量问题也让人头疼。我遇到过的典型问题和对策：
画面抖动严重：负向提示词加“jittery motion, unstable”，正向提示词加“smooth motion, stabilized”。如果还抖，把cfg降到6.5试试。
动作不连贯：检查帧数是不是太低。低于60帧的视频，动作连贯性会明显下降。另外，采样器换成dpmpp_2m_sde，这个采样器对时序连贯性优化更好。
画面模糊：VAE换成vae-ft-mse-840000-ema-pruned，这个VAE比原版清晰。另外检查是不是用了Tiled VAE，分块解码有时候会导致块与块之间过渡不自然，可以调大tile size。
颜色偏暗：minimaxh3的潜空间均值偏移问题，在KSampler后面加一个“Latent Shift”节点，把shift值设为0.05左右，能明显改善。
5.3 性能优化的独家技巧
最后分享几个我从实践中总结的优化技巧，都是文档里不会写的：
技巧一：预加载模型。ComfyUI默认每次生成都重新加载模型，浪费时间和显存。可以在Checkpoint Loader节点上右键，选择“Pin”，把模型固定在显存里。这样第一次加载后，后续生成就不用重复加载了，每次能省30秒左右。
技巧二：用fp16而不是fp32。整合包默认可能是fp32精度，显存占用翻倍。在ComfyUI的启动参数里加上--force-fp16，强制使用半精度。画质损失几乎看不出来，显存直接省一半。
技巧三：关闭预览。ComfyUI生成过程中会实时预览中间帧，这个预览也占显存。在设置里把“Preview Method”设为“None”，能省出0.3G左右的显存。
技巧四：分批生成。如果要做长视频，不要一次性生成120帧，分成4批每批30帧，生成完再用Video Combine拼接。这样峰值显存能降到5G左右，速度反而更快，因为每批之间的间隔可以让显存碎片整理。
技巧五：用SSD而不是HDD。模型加载和视频保存都涉及大量磁盘IO，SSD能显著缩短等待时间。我实测从HDD换到SSD，整体流程快了将近20%。
这些技巧单独用效果有限，组合起来能让8G显存跑minimaxh3的体验提升一个档次。我现在的配置下，生成5秒480p视频稳定在10分钟左右，显存峰值7.3G，基本不会OOM。虽然和12G、16G的卡比还是慢，但考虑到硬件成本，这个表现我已经很满意了。
如果你也在用8G显存跑minimaxh3，或者遇到了其他我没提到的问题，欢迎交流。这个领域变化很快，新的优化方法层出不穷，保持折腾的心态最重要。
