别信那些"下载即用、双击就跑"的鬼话。MiniMax H3 上线快一周了，网上吹得神乎其神，但我把整套整合包搬回家、真跑通第一条视频，整整折腾了 3 天。这是踩坑后的保姆级教程。
老猫 | 老猫手搓 AI 工具箱 · 第 5 篇
一、先泼冷水：H3 本地跑，成本比你想的高
我是 40 岁那年在机房蹲了 10 年的人，见过太多"一键部署"的谎言。先说结论：MiniMax H3 本地能跑，但"能跑"和"好跑"是两回事。
这套社区整合包号称 12G 显存就能跑通，但请先记住三个数字：
- 150G —— 整合包整体体积，分卷压缩，单卷约 8G，一共 19 个分卷；
- 300G+ —— 解压需要预留的磁盘空间；
- 97% —— 其中模型文件占的体积比，几乎没有二次压缩空间。
还没开始跑，硬盘先掉一层皮。12G 显存只是"勉强能跑"：出片迭代慢、生成耗时久、容易爆显存、画质有上限。它适合愿意折腾、追求本地可控的玩家；不适合要高效批量产出的使用者。这个预期先摆正，后面才不会骂娘。
二、下载和解压：19 个分卷，一个都不能错
整合包采用分卷压缩，坑全在细节里，照着做：
① 磁盘和目录
预留 300G 以上空间。所有分卷必须放在同一个目录，目录路径不能包含中文和特殊字符——解压工具对中文路径的兼容性，会让你怀疑人生。
② 先校验，再解压
下载完别急着解压。双击一键校验工具，程序按哈希值自动比对。有任意一个分卷校验失败，只重新下载那一个即可，不用全部重来。
③ 用 7-Zip 解压第一个分卷
全部校验通过后，用 7-Zip 解压第一个分卷文件，软件会自动拼接后续所有分卷，完成整体解压。
三、两个启动器：为什么不能"一个 bat 全搞定"
整合包里内置了两个启动器：「启动.bat」和「启动_老卡兜底.bat」。不是故意搞复杂，是不同显卡的客观现状逼出来的设计。
| 启动器 | 适用场景 | 原理 | 代价 |
|---|---|---|---|
| 启动.bat（主力） | 50系跑 nvfp4 档位；4090/3090 等 24G 大显存跑 int8 | 完整模型常驻显存，运算直接调显存数据 | 速度拉满，50系约 40 秒/条 |
| 启动_老卡兜底.bat | 12G/16G 老卡跑 GGUF 档位 | 动态显存调度：显存不够时把暂时不用的数据挪到内存，用完再调回 | 速度慢一些，但能完整跑完 |
为什么不能合并成一个？两套运行的核心参数互相冲突：实现 nvfp4 高速运行的参数，会让 GGUF 模型在小显存上直接崩溃；适配 GGUF 的配置，又会拖慢 nvfp4。与其做一个两头拉胯的折中方案，不如拆成两个文件，互不干扰。
血泪教训：12G/16G 老卡跑 GGUF，一定要用兜底启动器。用主启动器的话，画面模型先把显存占满，到最后音频生成环节直接报错崩溃——快出结果的时候功亏一篑。我用 4060Ti 实测，主启动器也能跑通，但前提是系统里不能开任何额外占显存的程序（浏览器都别开）。
四、12 套工作流：i2v / r2v / t2v 三组怎么选
打开根目录下 workflows 文件夹，以 video 开头的文件就是 H3 的全套工作流，一共 12 套，分三组：
| 分组 | 全称 | 用途 |
|---|---|---|
| i2v | 图生视频 | 可加加载图片节点，设置首尾帧 |
| r2v | 参考图生视频 | 图片、视频、音频都能作为参考素材 |
| t2v | 文生视频 | 输入提示词直接生成 |
每组 4 个工作流，按显存规格区分：无后缀版本给 50系/40系（32G、24G 以上）；NVFP4 版本适配 16G 以下；GGUF 版本供 40 系 12G 以下使用。
五、保姆帧：改 4 个节点就能出片
工作流节点看着复杂，其实只需关注顶部 4 个节点：
① 加载图片节点 —— 图生视频的首帧；
② 提示词节点 —— 输入你要的画面描述；
③ 画面比例和像素节点 —— 重点看"百万像素"参数：
| 百万像素值 | 对应清晰度 | 建议显存 |
|---|---|---|
| 0.4 | 约 480P | 12G 以下 |
| 0.6 | 约 540P | 12G 左右 |
| 0.98 | 720P | 16G 可尝试 |
| 2.0 | 约 1K 高清 | 5090 级别 |
旁边那个"32"是模型处理画面的最小单位，宽高必须是它的整数倍——这是硬性要求，别动。
④ 时长节点 —— H3 最长支持 15 秒视频。我生成 5 秒视频，在 5070Ti 上用时 65 秒，效果还算可以。
六、进阶玩法：首尾帧、参考视频、换脸
首尾帧：选中加载图片节点，Ctrl+C 复制、Ctrl+V 粘贴，把新节点的图像输出引到提示词节点的 last frame 接口，这个图像节点就变成了视频结尾帧。
参考视频（r2v 最强用法）：最多支持 9 个参考图像节点；加参考视频时注意，加载视频节点不能直接连主节点——它输出视频格式，主节点接收的是图像帧格式。中间要加一个"获取视频"转换节点：加载视频的输出 → 获取视频的输入，再把获取视频的图像输出接到主节点的 ref_video、音频输出接到 ref_video_audio。
参考视频自带的音频功能才是本地做动作视频最实用的：动作片段里人物大多是语气词，这类声音很难靠 TTS 克隆，直接复用原视频音频就是最高效的办法。
换脸：用 FaceFusionFree 把动作片人物替换成你想要的角色。提示词不会写？直接把图片丢给 Grok，说明想要的效果，它输出的提示词远超你的预期。
七、最后一句话：别对 12G 抱幻想
16G 及以下显存只能勉强跑通，用的是量化压缩版本，画质有明显上限，做不出成品级效果。没有高端显卡又想要高质量成片，老实上云端平台，新用户注册一般都有免费额度，比自己折腾本地省钱省时间。
MiniMax H3 这套整合包适合谁？愿意折腾、追求本地可控、显卡 24G 以上的玩家。老猫把丑话说在前面：本地跑模型不是性价比最优解，但如果你享受"自己掌控一切"的快感，这套方案值得一试。
顺带说一句：中国开源视频模型这一年跑的比谁都快——论文、专利双第一，工业机器人装机量 9 倍于美国，中美模型差距缩到 2.7%（斯坦福 HAI 2026）。H3 能在 12G 显存上吭哧吭哧出片，本身就是这个趋势的注脚。
想要整合包完整下载地址、12 套工作流说明和"一条 1080p 视频 + 音色标注"组合包（含 ComfyUI workflows + txt2video 脚本），文末发送"09"自取。
我是老猫，一个 40 岁还在手搓 AI 工具箱的老程序员。下期见。