最近在群里看到很多人在讨论海螺 MiniMax 视频生成模型的本地化部署。有人问 H3 权重跑起来需要多大显存有人问 MiniMax H4 是不是已经有开源整合包还有人卡在 ComfyUI 装好之后不知道模型该放哪个目录、工作流怎么拖进去就跑不起来。我趁着周末项目间隙把完整流程重新整理成了一篇可以照着做的部署记录。整套思路不依赖云平台 API重点是把模型文件、ComfyUI 运行环境和前端工作流串起来。无论你是刚接触节点式 AI 工具的零基础用户还是想在本地搭建一条视频生成实验流程的开发者这篇文章都能给你一条清晰可走的路线。需要提前说明的是MiniMax 的开源视频生成模型迭代非常快社区习惯把海螺系列写为 H1、H2、H3甚至在评论里用 H4 代指新版本。不同渠道的资料命名并不完全统一。因此本文不会把某个具体版本号写死而是聚焦“下载模型 → 放进 ComfyUI → 跑通工作流”这条通用链路。你先理解和掌握这条链路以后不管模型更新到哪一代都能复用同样的操作思路。1. MiniMax H3 本地部署前先搞懂几个概念1.1 MiniMax H 系列到底是什么MiniMax 是国内 AI 大模型公司旗下产品包括海螺 AI、MiniMax 开放平台等。视频生成模型方面海螺系列在社区里热度很高。你可能已经见过“海螺视频”“Hailuo”“MiniMax H”这些称呼它们指向的对象基本一致MiniMax 的视频生成模型能力。标题和热搜里反复出现 MiniMax H3这正是社区对 MiniMax 视频生成模型某个版本阶段的称呼。以开源社区的习惯来说某个模型权重发布后如果能力大幅提升大家会自然形成“新一代 H 系列”的叫法。不过H3、H4 这类名字并不是百分之百的官方正式命名它更像是社区为了区分版本而使用的简称。因此你搜索时应该以模型仓库里的真实文件名为准不要只凭借“H3”三个字母去猜。比如你打开某个 HuggingFace 或 ModelScope 仓库模型名称、分支、release note 才是真正重要的信息。需要特别注意MiniMax 也有文本对话大模型比如 MiniMax-Text、MiniMax-M1 等。这类大语言模型通常用 Ollama、LM Studio 这类工具做本地部署流程和 ComfyUI 完全不同。如果你是想部署文本模型请使用那套教程如果你是想本地生成视频、做图生视频、做首尾帧控制这类任务本文的 ComfyUI 路线才是正确的入口。1.2 为什么本地部署视频生成模型使用云平台 API 可以直接快速生成视频但很多开发者仍然倾向于本地部署。原因主要集中在三方面。第一隐私和数据安全。素材如果涉及内部测试、未公开项目或者有严格的保密要求把数据上传到云端会带来不必要的风险。本地部署可以保证视频素材只停留在你自己的电脑或服务器上。第二按需调用与成本控制。接口调用按次计费一次长视频或高清视频生成往往需要多次迭代、多次参数调整累积成本不低。如果显卡配置足够本地部署在多次试验场景下更划算。第三深度定制。ComfyUI 是节点式工作流你可以在本地自由组合加载器、采样器、解码器等模块把生成过程精细控制到每一步。这种灵活性和可控性是“黑盒式 Web 调接口”做不到的。当然本地部署也有门槛。视频生成模型对显存和内存的占用远超普通文本模型一张 8GB 显存的消费级显卡很难流畅跑高质量视频生成任务。建议至少使用 12GB 显存体验更好的方案是 16GB 或 24GB。如果你的显卡达不到要求也可以考虑租用云 GPU 服务器然后用同样的 ComfyUI 流程部署到远端。1.3 ComfyUI 在整套流程中扮演什么角色ComfyUI 是一个基于节点图的 AI 图像/视频生成工具。和 WebUI 的“表单式操作”不同ComfyUI 把生成管线拆成了“加载模型 → 文本编码 → 采样 → 解码 → 保存”的节点链条。用户通过连线把节点串联起来形成工作流。在 MiniMax 视频模型本地部署方案里ComfyUI 主要承担以下工作加载模型权重文件提供文本提示词Prompt输入模块调用采样器执行生成把生成结果解码输出为视频文件。很多第三方开发者会为视频模型开发专属节点包安装后你就能在 ComfyUI 里通过专用加载器读取模型。整套部署能不能跑通说白了就三件事ComfyUI 装好、模型放对目录、插件节点安装对。2. 环境准备与硬件评估2.1 硬件底线显卡显存是硬指标本地部署视频生成模型显卡是关键。视频生成模型比 Stable Diffusion 文生图模型占用资源高得多生成过程不仅涉及 UNet 或 DiT 结构的采样还涉及视频帧序列的处理。以下是目前比较通用的硬件建议配置项最低要求推荐要求GPUNVIDIA 显卡显存 8GBNVIDIA 显卡显存 16GB 以上内存16GB32GB 以上磁盘20GB 可用空间50GB 以上 SSD 空间操作系统Windows 10 / Ubuntu 20.04Windows 11 / Ubuntu 22.04显卡驱动已安装最新 NVIDIA 驱动CUDA 11.8 或更新版本注意如果你使用的是 AMD 显卡或者纯 CPU 环境ComfyUI 虽然也有一定兼容方案但视频生成模型的出图速度和显存管理会非常吃力不适合作为入门首选。网上经常看到“XX 模型能在 AMD CPU 上部署吗”这样的问题结论是能跑和跑得动是两回事。视频生成任务建议优先考虑 NVIDIA CUDA 环境。2.2 确认你已经具备的基础软件在正式开始前打开命令行检查以下依赖是否已经存在。对于 Windows你可以按Win R输入cmd后回车在命令行窗口执行nvidia-smi python --version git --version如果nvidia-smi正常显示显卡驱动和 CUDA 版本说明显卡驱动没问题。python需要保证版本在 3.10 到 3.12 之间太老的 Python 版本可能不兼容新版依赖。git用于从 GitHub 下载插件如果未安装可以前往 Git 官网下载安装或在搜索引擎搜索“Git 安装教程 Windows”。对于 Ubuntu 服务器命令类似nvidia-smi python3 --version git --version如果git没有安装执行sudo apt update sudo apt install git -y这一部分做完后下面就可以开始安装 ComfyUI 了。如果你还没有图形化桌面环境请使用支持 VNC 或远程桌面的带 GPU 的云服务器便于后面在浏览器中操作 ComfyUI 界面。3. ComfyUI 安装与首次启动3.1 方式 A官方 ComfyUI 源码安装这种方式适合有一定命令行基础的开发者。它最灵活也最容易排查问题。在合适的工作目录下执行git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI然后创建 Python 虚拟环境并安装依赖python -m venv venvWindows 下激活虚拟环境venv\Scripts\activateLinux 或 macOS 下激活虚拟环境source venv/bin/activate激活后安装 ComfyUI 核心依赖pip install -r requirements.txt如果你的机器是 NVIDIA 显卡建议同时安装支持 GPU 版本的 PyTorch。官方 requirements 已经会安装基础版本但如果你想确保 CUDA 版本正确可以按 PyTorch 官网给出的命令重新安装。例如pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121这里用 cu121 只表示常见 CUDA 12.1 版本请根据你本机驱动支持的 CUDA 版本调整。3.2 方式 BComfyUI 中文一键整合包如果你不熟悉命令行或者希望开箱即用中文社区里流行的 ComfyUI 一键整合包会更友好。常见的“秋叶 ComfyUI 一键整合包”“ComfyUI 中文整合包”等都属于这类。整合包通常已经内置 Python 环境、ComfyUI 本体、常用自定义节点甚至预置了一部分默认工作流下载解压后启动脚本即可运行。使用整合包时需要注意几点下载渠道务必找信誉良好的发布源。整合包体积通常比较大遇到来路不明的网盘资源要谨慎不要运行不明来源的 bat 脚本。整合包内置版本可能不是最新版本。如果要部署较新的 MiniMax 视频模型可能需要在启动后通过内置更新脚本升级 ComfyUI。整合包大多默认绑定了 Python 和各类依赖不要手动修改目录里的配置文件否则容易导致无法启动。无论你选择源码方式还是整合包方式最后判断启动是否成功的标准是一致的在浏览器中能打开 ComfyUI 的 Web 界面。3.3 首次启动与验证Windows 下源码安装方式可以直接运行python main.py整合包方式通常启动一个启动 ComfyUI.bat或run_nvidia_gpu.bat脚本。启动成功后命令行会显示类似下面的信息Starting server To see the GUI go to: http://127.0.0.1:8188在浏览器打开http://127.0.0.1:8188你会看到 ComfyUI 的节点编辑器界面。默认会加载一个文生图基础工作流。先随便输入一段提示词点击运行确认能生成一张小图这样说明 ComfyUI 环境本身是正常的。如果这一步无法出图后续所有视频模型部署都无从谈起所以建议先把基础工作流跑通。4. 安装 MiniMax 视频模型相关的 ComfyUI 节点4.1 找到你需要的自定义节点ComfyUI 本身只是通用引擎想要让它读取 MiniMax 的视频模型必须安装对应的自定义节点包。这类节点包的命名在不同社区里不完全一样通常叫做 ComfyUI-MiniMax、ComfyUI-Hailuo、ComfyUI-MiniMax-Video 或类似名称。查找方法主要有两种在 ComfyUI 的插件管理器中搜索关键词 MiniMax 或 Hailuo看是否有对应节点。在搜索引擎、GitHub 或国内 AI 社区搜索“MiniMax ComfyUI 节点”查看作者发布的安装说明。由于这类插件更新快我无法保证某个仓库地址永久有效。建议你优先使用 ComfyUI Manager 这类插件管理工具搜索安装它能自动识别缺少的节点并处理依赖问题。如果 ComfyUI Manager 里也能搜到会比手动 clone 更省心。4.2 手动安装插件进入 custom_nodes 目录如果作者只提供了 Git 仓库地址手动安装也很简单。先进入 ComfyUI 根目录下的custom_nodes文件夹cd custom_nodes git clone https://github.com/作者名/仓库名.git cd 仓库名 pip install -r requirements.txt cd ../..上面的作者名和仓库名需要替换成实际地址。pip install -r requirements.txt这行很关键因为很多节点插件依赖额外的 Python 包。如果不安装 requirements进入 ComfyUI 后节点会报 ImportError 或 ModuleNotFoundError。安装完成后完全关闭 ComfyUI 命令行进程然后重新运行python main.py或整合包启动脚本。之所以要完全重启是因为 ComfyUI 只在启动时扫描一次 custom_nodes 目录刷新页面是加载不到新节点的。4.3 通过插件管理器安装如果你已经装好了 ComfyUI Manager 插件安装就会简化很多。打开浏览器工作台在 ComfyUI 界面里找到 Manager 菜单选择 “Install Custom Nodes”在搜索框输入 MiniMax 或 Hailuo找到对应节点后点击安装等待自动拉取仓库并安装依赖再重启 ComfyUI 即可。这种方式非常适合新手。它还可以顺带检测工作流中缺失的节点在你导入别人分享的工作流时能自动提示你缺少哪些自定义节点并给出安装入口。5. 模型文件下载与目录放置5.1 模型文件到底应该放在哪个目录ComfyUI 对模型目录有固定约定。以视频生成模型为例常见路径是扩散模型主权重ComfyUI/models/diffusion_models/VAE 权重ComfyUI/models/vae/文本编码器权重ComfyUI/models/text_encoders/如果模型是完整 ckpt 或 safetensors 单一文件ComfyUI/models/checkpoints/很多新手装好插件后把模型文件随便扔到下载文件夹ComfyUI 自然找不到模型。你需要在 ComfyUI 界面里刷新节点列表或重新启动服务让模型文件出现在对应节点的下拉列表里。在命令行手动创建目录的方法mkdir -p models/diffusion_models mkdir -p models/vae mkdir -p models/text_encoders5.2 下载源与断点续传模型权重通常体积巨大几 GB 到几十 GB 都很常见。下载时尽量选择支持断点续传的下载工具。如果你在终端下载建议优先使用官方仓库说明里提供的下载命令。如果你的网络访问国外模型站点较慢可以考虑使用 HuggingFace 镜像站。国内用户在终端里可以通过设置环境变量切换到镜像源。Windows PowerShell 执行$env:HF_ENDPOINT https://hf-mirror.com huggingface-cli download 模型仓库路径 子路径或文件名Linux 执行export HF_ENDPOINThttps://hf-mirror.com huggingface-cli download 模型仓库路径 子路径或文件名如果你的模型文件发布在 ModelScope很多作品在电脑上下载速度会更快也支持使用modelscope命令行工具下载。下载完模型后我强烈建议第一件事不是急着运行而是记录模型的完整名称、仓库地址、下载日期和文件大小。后面排查问题时会非常有用。5.3 模型放置后的检查思路模型放置完成后在 ComfyUI 界面重新加载节点列表或者重启 ComfyUI。接着在对应节点中点击下拉菜单如果能看到模型文件名说明模型已经被扫描到。如果看不到最常见的原因是路径放错了请再检查一次目录。举个例子如果插件文档中写的是“放置到 models/vae 目录”而你放进了 models/checkpoints即使文件格式正确ComfyUI 也无法在 VAE 节点中识别它。这个问题在社区里反复出现新手一定要先看插件 README 的目录说明。6. 搭建并运行 MiniMax 视频生成工作流6.1 获取工作流官方仓库和分享社区ComfyUI 下的视频生成模型一般会随插件或模型仓库提供示例工作流 JSON 文件。你可以从模型仓库的 docs、workflow、examples 文件夹中找到。下载 JSON 文件后不要双击打开直接拖入 ComfyUI 编辑器窗口。工作流会自动展开成节点图。如果你打开工作流后看到大量红色节点说明本机缺少对应插件。安装缺失节点后点击节点上的刷新按钮或重启 ComfyUI让节点重新加载。6.2 手动搭建最基本的工作流思路在没有现成工作流的情况下理解节点结构更加重要。一条最简单的 MiniMax 视频生成工作流通常包含以下节点MiniMax 模型加载器选择模型权重文件必要时选择 VAE 文件和 text encoder 文件。CLIP 文本编码器输入正向提示词生成条件向量。采样器设置 steps、cfg、seed 等参数控制随机性和生成质量。视频解码器把潜空间表示解码为视频帧。视频保存节点设置输出文件格式、帧率保存最终视频。把这几个节点按顺序连接起来就是一条最小可用工作流。细节上不同插件差异较大有的节点会自带多合一封装有的需要你手动连接。以插件文档为准即可。6.3 提示词也影响效果文本提示词是控制视频内容最重要的手段。很多人以为视频生成只需要描述画面结果生成出来的镜头完全不符合预期。实际上你需要把“主体、环境、镜头运动、光照、氛围”分层描述。一个可参考的提示词结构是镜头特写人物缓慢转身面带微笑背景是夜晚的东京街道霓虹灯反射在湿漉漉的地面上浅景深电影感布光画面平稳无跳动。负面提示词可以写视频闪烁肢体变形人脸扭曲分辨率过低模糊不自然的运动。需要说明的是MiniMax 系列的某些新版本会加入参考图、参考视频、首尾帧控制、角色一致性等能力。如果你下载的模型确实包含这些高级功能你需要额外阅读模型文档中的“提示词编写规范”或“参考模式说明”因为不同模型对这些控制条件的处理方式不同。这部分内容建议以后单独开一篇深入介绍。6.4 点击运行并观察日志工作流搭建完成后点击 ComfyUI 右侧的 “Run” 或 “Queue” 按钮。此时不要反复点击按钮应该先观察命令行日志。如果一切正常日志中会显示模型加载进度、采样进度和解码状态。每轮生成的预估时间和最终视频输出路径也会打印出来。如果出现 CUDA out of memory 报错说明显存不够。你可以考虑在采样器节点降低分辨率减少视频帧数使用量化版本的模型权重给 ComfyUI 添加--lowvram或--novram启动参数更换显存更大的显卡。先不要直接怀疑模型有问题绝大多数“爆显存”场景都能通过降低分辨率或减少帧数来缓解。7. 提速与省显存优化7.1 关于“提速 950%”这类宣传的理性看待热搜词里经常出现“提速 950% 的某某插件”这类数据在社区传播中往往来自某一次特定环境下的对比测试。影响实际速度的因素非常多显卡型号、显存带宽、驱动版本、PyTorch 版本、是否启用 TF32、是否使用量化权重甚至工作流里的视频分辨率。同样一个插件在不同配置的机器上表现可能有天壤之别。比较理性的优化方法是先跑一条基础工作流记住自己的出图和出视频耗时。然后改动一个变量比如启用显存优化参数、切换到量化模型再对比相同工作流的耗时。逐项测试不要盲目追求所谓的“全能插件”。7.2 合理使用量化模型量化是降低显存占用最有效的手段之一。常见量化方式是 FP16 转 FP8 或 INT8。量化后的模型体积更小加载速度更快显存占用更低代价是精度有一定下降。对于普通视频生成场景低比特量化带来的画质损失通常肉眼不易察觉。具体能否量化、使用哪种工具量化需要看模型发布说明。有些模型的官方仓库会直接提供量化版本你只需要下载对应的文件即可如果没有现成量化文件不建议新手自行转换因为转换过程中容易出现兼容性问题。7.3 善用 ComfyUI 的显存管理参数ComfyUI 自身提供了几种显存使用策略。启动时可以通过参数控制比如python main.py --lowvram如果你在服务器上运行可以考虑后台启动把日志输出到文件中nohup python main.py --lowvram comfyui.log 21 --lowvram适合显存较小的显卡它会采用更积极的显存释放策略。--novram则适合显存极小的场景但速度会更慢。你也可以通过指定--force-fp16或--force-fp32控制精度具体以当前 ComfyUI 版本支持情况为准。7.4 保持环境干净比任何加速都重要很多“越用越卡”的 ComfyUI 环境问题出在长期反复安装、卸载自定义节点上。部分自定义节点会引入不兼容的依赖版本导致 PyTorch 或 torchvision 被降级或升级最终出现未知异常。因此建议你在动手前记录当前 ComfyUI 版本和主要依赖版本后续每次安装新插件前先备份虚拟环境。使用源码安装时可以定期更新git pull pip install -r requirements.txt但要注意git pull后如果发现插件报错说明新版 ComfyUI 可能破坏了旧节点的兼容性。此时可以查看 ComfyUI 的 commit 记录回退到之前稳定的版本。8. 常见问题与排查思路8.1 问题排查表问题现象常见原因解决思路浏览器打不开 127.0.0.1:8188启动失败或服务未运行查看命令行日志检查端口是否被占用启动后报 CUDA not available显卡驱动或 PyTorch CUDA 版本不匹配执行 nvidia-smi 确认驱动重装对应 CUDA 版本 PyTorch模型不在加载器下拉列表模型文件路径错误或未刷新列表放入正确 models 子目录重启 ComfyUI导入工作流显示大量红点缺少自定义节点用 Manager 安装缺失节点并重启CUDA out of memory分辨率太高或帧数过多降低分辨率、减少帧数、使用 --lowvrampip 安装依赖超时国内网络访问 PyPI 慢使用清华、阿里云等 pip 镜像源git clone 失败GitHub 访问不稳定使用 GitHub 镜像或手动下载 ZIP 后解压到 custom_nodes视频输出为黑屏VAE 加载失败或解码节点错误确认 VAE 文件已加载检查视频解码器的输入格式8.2 重点排查思路遇到报错时不要着急。先找到命令行里最早出现的红色错误提示那往往是真正的原因。很多新手只关心最后一行错误但真正的问题可能藏在前面的几十行日志里。你可以启动时输出更清晰的日志python main.py --verbose--verbose参数在部分版本中用于打开详细日志。如果版本不支持也可以直接使用默认日志重点观察加载模型前后出现的异常堆栈信息。把完整的报错信息复制到搜索引擎或 AI 工具中通常能找到针对性答案。8.3 网络相关问题的替代方案如果你在下载模型或克隆插件时访问不了 GitHub请不要使用任何非常规上网手段。更安全的方案是使用模型镜像站转移模型文件在 Gitee 等国内代码托管平台搜索插件的镜像仓库请朋友帮你下载后通过网盘分享给你设置 HuggingFace 镜像环境变量后重新下载。这些方案既合规又能解决大部分网络问题。9. 部署最佳实践与工程建议9.1 用虚拟环境隔离项目依赖ComfyUI 的依赖与系统 Python 环境如果混在一起非常容易造成版本冲突。建议始终使用 venv 或 conda 虚拟环境。每个项目建一个独立环境是成本最低的维护方式。9.2 磁盘空间规划提前做模型文件、插件依赖、生成的视频文件都会占用大量磁盘空间。建议你把 ComfyUI 安装在非系统盘且预留至少 100GB 空间。如果你在 C 盘安装用不了多久就会发现系统盘满了清理起来很头疼。生成视频的输出目录通常默认在ComfyUI/output或ComfyUI/temp下可以定期清理过期文件或通过配置文件把输出目录迁移到大容量磁盘。9.3 合理记录实验参数视频生成实验不是一次就能成功的。推荐使用 Excel 或 Markdown 笔记记录每个工作流的提示词、负向提示词、种子值、分辨率、帧数、耗时和出图效果。长期积累后你会逐渐掌握哪些参数组合最适合自己的显卡和使用场景。9.4 安全与合规注意事项使用任何 AI 生成模型都要注意内容合规。不要生成违反法律法规、侵犯他人肖像权、传播虚假信息的内容。涉及测试素材时请确认你拥有合法授权。模型使用条款也要留意开源模型通常会附带许可协议尤其要关注“允许商用”和“需保留版权声明”这两类限制。9.5 建立可复现的部署清单为了让部署过程可复现推荐把以下信息整理成一个 README 文件放在 ComfyUI 根目录下ComfyUI 版本与拉取时间Python 虚拟环境路径安装的自定义节点清单与版本模型文件清单及存放路径每条生产环境的启动参数。这样一来即使半年后环境出了问题你也能快速重建整个部署不需要重新摸索。这个习惯在团队协作和服务器迁移时尤其重要。10. 下一步还能学什么当你能在 ComfyUI 中成功运行一条 MiniMax 视频工作流之后可以继续探索的方向还有不少。首先是模型控制能力的深化。很多视频模型支持参考图、参考视频、首尾帧、运镜控制等功能。学会这些你的视频生成就不会停留在“一句话生成随镜头”的初级层次而是能精确控制人物动作和镜头路径接近实拍运镜效果。其次是周边生态的结合。你可以把 Dify 这类工作流编排工具与本地推理服务连接起来构建“用户输入文案 → 大模型拆解提示词 → ComfyUI 视频推理 → 自动发布”的自动化流水线。这类思路不仅仅是模型部署已经偏向工程化产品搭建对实际项目更有价值。最后是模型性能优化。如果你的目标是长期使用视频生成能力那么基于现有显卡做量化、推理加速、显存换时间策略是比较实用的方向。把本地推理作为一项长期运行的微服务需要关注的就不只是“能否跑通”而是“稳定产出且可监控”。希望这篇 MiniMax H3 本地部署教程能帮你少走一些弯路。动手跑通第一条视频工作流比收藏几十篇教程更重要。如果你在部署中遇到问题也可以对照文中的排查表或者把你看到的报错信息整理出来继续搜索确认。