Guia de Configuração Local do MiniMax H3: ComfyUI, Modelos, VRAM e Primeira Renderização

AI Overview

O MiniMax H3 pode ser executado localmente?

Sim. A MiniMax lançou os pesos H3 e pacotes compatíveis com ComfyUI, mas uma instalação utilizável exige o modelo de difusão correto, codificador de texto, VAE de vídeo, VAE de áudio, fluxo de trabalho (workflow) e memória suficiente no sistema para offloading.

Quanta VRAM o MiniMax H3 precisa?

Não há um único requisito, pois a precisão, quantização, resolução, duração e offloading alteram o consumo de memória. Uma GPU de 24 GB é um alvo prático para fluxos de trabalho podados em INT8; placas menores exigem quantização mais agressiva e paciência.

Qual modelo MiniMax H3 devo baixar?

Escolha FL2VA para geração orientada por texto, primeira imagem, última imagem ou imagem. Escolha Ref2VA quando o fluxo de trabalho consumir múltiplas imagens de referência, vídeos ou áudio. Nunca baixe cegamente o repositório completo.

A versão local do H3 é melhor que o Seedance Agent?

O H3 local oferece controle máximo sobre grafos e arquivos. O Seedance Agent é melhor quando você deseja saídas do H3 sem gerenciar drivers, pesos, contornos de VRAM, registros de tomadas, aprovações e reexecuções parciais por conta própria.

Decida se sua máquina está pronta

Verifique memória da GPU, RAM do sistema e armazenamento em conjunto

Um guia de configuração local do MiniMax H3 deve começar pela capacidade, não por comandos de instalação. O repositório oficial da MiniMax tem quase 498 GB, pois contém múltiplos pipelines e componentes. Normalmente, você precisa apenas de um ponto de verificação (checkpoint) de difusão, um codificador de texto correspondente, o VAE de vídeo, o VAE de áudio e um fluxo de trabalho. Mesmo uma pilha reduzida pode ocupar dezenas de gigabytes antes de considerar caches, arquivos temporários e vídeos de saída.

Para um início simples com ComfyUI, 24 GB de VRAM são um alvo prático para um modelo de difusão podado em INT8, combinado com um codificador de texto fortemente reduzido e offloading. Doze a dezesseis gigabytes podem funcionar com rotas comunitárias GGUF ou outras quantizadas, mas a configuração torna-se mais sensível e a geração mais lenta. Afirmações de 8 GB normalmente dependem de offload pesado na CPU/RAM e de um runtime específico, portanto trate-as como “capaz de iniciar”, não como “confortável”. Mantenha RAM do sistema generosa e espaço em SSD rápido disponíveis; a VRAM não é o único limite.

O gerador hospedado MiniMax H3 é o teste de controle mais rápido. Execute primeiro a mesma ideia curta lá. Se o resultado local falhar, você poderá separar limitações de prompt ou modelo de problemas de instalação.

Conceito de saída final criado para este guia. Rosto, roupas, geometria do crescente, contato com a ferramenta, faíscas e disposição da oficina formam uma verificação rigorosa de qualidade para a primeira renderização local.

Trate os chips Apple Silicon como um caminho distinto

O índice oficial de integração agora aponta para uma rota experimental nativa do Metal para Apple Silicon, mas ela não é idêntica ao caminho operacional padrão baseado em CUDA e ComfyUI. Não copie comandos de wheels NVIDIA para um Mac e espere que funcionem. Verifique cuidadosamente o chip suportado, a memória, os tipos de fluxo de trabalho e as limitações atuais do projeto escolhido, depois execute um pequeno teste. Para produção confiável em um Mac, uma solução hospedada pode ser mais rápida do que depurar uma versão local ainda imatura.

Escolha a pilha e o fluxo de trabalho corretos

Comece com ComfyUI a menos que precise de controle no nível de biblioteca

O ComfyUI é a rota local mais acessível, pois os modelos atuais já incorporam o carregador de modelos, codificador de texto, VAE, amostrador, decodificação de áudio e montagem final do vídeo. Atualize o ComfyUI antes de importar um modelo H3; versões estáveis mais antigas podem não reconhecer os tipos de nós necessários. Comece com um modelo principal e sem nós personalizados opcionais. Adicione aceleração, cache, interpolação ou upscale somente após obter uma renderização limpa e funcional como linha de base.

Uma abordagem direta com Diffusers ou Python personalizado é útil para desenvolvimento de serviços e pesquisa, mas expõe mais decisões sobre dependências e pipeline. O snippet simples exibido em uma página de hospedagem de modelos pode não representar o fluxo completo de áudio-vídeo. Se seu objetivo é gerar um único clipe localmente, comece com um fluxo de trabalho mantido, em vez de reconstruir manualmente cada componente a partir de nomes de arquivos.

Combine FL2VA ou Ref2VA à tarefa adequada

O FL2VA é a família usada para texto-para-vídeo, imagem-para-vídeo e controle por primeira/última imagem. O Ref2VA é uma família diferente de checkpoints para imagens de referência, vídeos e áudio. Carregar um fluxo de trabalho Ref2VA com pesos FL2VA não é uma substituição inócua: o grafo espera uma rota de condicionamento distinta. O guia Ref2V versus FL2VA explica essa decisão em detalhes.

Para um primeiro teste, escolha texto-para-vídeo com FL2VA ou I2V com uma única imagem. Eles têm menos componentes envolvidos. Avance para Ref2VA somente quando a linha de base confirmar que o runtime, o VAE e a cadeia de saída estão funcionando corretamente.

Baixe e posicione os arquivos necessários

Crie um manifesto antes de baixar

Anote exatamente o nome do arquivo do fluxo de trabalho e todos os nomes de arquivos de modelos aos quais ele faz referência. Um manifesto prático tem quatro linhas: modelo de difusão, codificador de texto, VAE de vídeo e VAE de áudio. Registre a precisão, o tamanho do arquivo, o repositório de origem, o diretório de destino e o checksum, quando disponível. Isso evita dois erros custosos: baixar todas as variantes disponíveis e combinar arquivos que não foram projetados para o mesmo grafo.

Para um pacote atual do ComfyUI, o padrão de diretórios é:```text ComfyUI/models/diffusion_models/<H3 diffusion checkpoint> ComfyUI/models/text_encoders/<matching Qwen3-VL text encoder> ComfyUI/models/vae/<MiniMax H3 video VAE> ComfyUI/models/vae/<MiniMax H3 audio VAE>

O pipeline local de pesos abertos gera vídeos em 768p; a regeneração hospedada em 2K é um serviço separado. Não baixe um arquivo rotulado como 2K esperando que o grafo local padrão passe a produzir saída nesse modo.

### Verifique os nomes dos arquivos antes de iniciar

Após cada download, compare o tamanho em bytes e o checksum, então confirme se o nome do arquivo no seletor de fluxo de trabalho corresponde exatamente ao arquivo no disco. Downloads parciais de modelos ainda podem aparecer em uma pasta e falhar mais tarde com erros confusos de tensor ou desserialização. Nomeie claramente os pesos de difusão FL2VA e Ref2VA. Se você testar várias quantizações, altere apenas um componente por vez e salve cada grafo funcional com um novo nome versionado.

![O mesmo ferreiro desfere uma pancada precisa e próxima com o martelo sobre a lua crescente](https://r2.seedance.tv/blog/minimax-h3-local-setup-guide/blacksmith-hammer-detail-output-v1.png)

*Um quadro final próximo revela se uma configuração local preserva identidade, contato das mãos, geometria da ferramenta e da escultura mesmo com mudanças na distância da câmera.*

## Importe o fluxo de trabalho e gere uma renderização de referência

### Carregue primeiro, depois resolva os nós vermelhos

Abra o modelo oficial em uma instalação atualizada do ComfyUI. Se houver nós vermelhos ou desconhecidos, interrompa e identifique se eles pertencem ao núcleo atual do ComfyUI ou a um pacote personalizado documentado. Não instale todos os nós sugeridos por um gerenciador. Reinicie após alterações nos pacotes necessários, reabra o modelo e selecione os quatro arquivos de manifesto nos carregadores corretos.

Defina uma duração curta, resolução conservadora em paisagem, configurações padrão de amostragem do modelo e um único prompt simples. Evite LoRAs, pacotes de referência, ampliadores (upscalers), interpolação de quadros e prompts longos com múltiplas cenas. Seus primeiros critérios de aceitação são mecânicos: o prompt entra na fila, o modelo carrega uma única vez, a amostragem avança, o vídeo e o áudio são decodificados, o MP4 final é reproduzido e uma segunda execução não dispara novos downloads ou recompilações inesperadas.

### Use um único prompt que exponha falhas comuns

Experimente um sujeito realizando uma única ação física em um ambiente bem iluminado com um evento audível: “Um ferreiro de camisa índigo e avental marrom golpeia uma escultura em forma de lua crescente uma única vez; faíscas voam para a esquerda, seguidas pela descida da peça em direção a uma cuba de têmpera; luz diurna intensa na oficina, rosto e mãos estáveis, impacto claro do martelo e liberação de vapor.” Isso revela identidade, geometria do objeto, contato físico, movimento, iluminação e som, sem se tornar uma narrativa completa.

```official-video
src=https://r2.seedance.tv/blog/minimax-h3-first-and-last-frame/official-flf-output-v1.mp4
poster=https://r2.seedance.tv/blog/minimax-h3-first-and-last-frame/official-flf-poster-v1.png
label=MiniMax H3 amostra de saída first-and-last-frame

Uma saída final H3 para verificar se o grafo local produz movimento real, transição coerente e arquivo final reproduzível — em vez de quadros isolados.

Corrija as falhas locais mais comuns

Diagnostique com base na etapa em que ocorreu a falha

Um erro de memória insuficiente durante a codificação de texto aponta para o codificador de texto ou sua estratégia de descarga (offload); um erro durante a amostragem aponta para o modelo de difusão, tamanho latente, duração, implementação de atenção ou comportamento de descarga; um erro durante a decodificação aponta para o VAE de vídeo/áudio e a memória livre disponível. Registre o último nó concluído, em vez de tratar toda falha como “VRAM insuficiente”. Reduza primeiro duração e resolução, feche aplicativos concorrentes que usam GPU e teste uma quantização conhecida por ser compatível.

Se um VAE não carregar, verifique se os arquivos de vídeo e áudio estão na pasta models/vae, estão completos e foram selecionados pelo carregador correto. Se o vídeo final não tiver som, confirme se o VAE de áudio decodificou a parte de áudio do latente compartilhado e se o nó final de vídeo multiplexou ambos os fluxos. O guia de velocidade VAE H3 e TensorRT ajuda a distinguir gargalos de decodificação da velocidade de amostragem.

Vapor, contato com água, tenazes, rosto e forma da lua crescente criam um ponto de verificação mais exigente de movimento e decodificação, após a cena inicial simples com o martelo ter sido aprovada.

Adicione otimizações uma por vez

Assim que a versão de referência funcionar, duplique o fluxo de trabalho antes de adicionar uma Turbo LoRA, SageAttention, cache de blocos, outra quantização ou um caminho personalizado para VAE. Altere apenas uma variável e execute novamente com a mesma semente e o mesmo prompt. Registre o pico de uso de VRAM, tempo total de execução (wall time), tamanho da saída, artefatos visíveis e qualidade do áudio. Uma aceleração em quatro etapas pode distorcer movimentos rápidos ou sons; velocidade só conta se o clipe ainda for aprovado na revisão.

Transforme um grafo funcional em um fluxo de trabalho de produção

Versione juntos o grafo, o ambiente e a saída

Salve o JSON do fluxo de trabalho funcional com um manifesto contendo o commit do ComfyUI, commits de nós personalizados, versões do Python, PyTorch, CUDA, GPU, hashes dos modelos, semente, dimensões, duração e configurações do amostrador. Exporte separadamente um fluxo de trabalho no formato de API caso pretenda enviá-lo via /prompt; o JSON do editor e o JSON da API não são intercambiáveis. Mantenha pré-visualizações, MP4s finais e logs sob o mesmo identificador de tarefa.

Para histórias mais longas, use blocos curtos e transfira para frente os pontos finais já aprovados. O fluxo de trabalho com múltiplos keyframes aborda âncoras visuais intermediárias, enquanto o fluxo de trabalho multicensa retomável mostra como pontos de verificação evitam que uma falha perto do fim reinicie toda a tarefa.

MiniMax H3 referência à amostra de saída em vídeo

Uma saída de referência H3 final distinta, para avaliação de identidade, influência da referência, comportamento da câmera, áudio nativo e do arquivo muxado final após a estabilização do caminho básico FL2VA.

Escolha entre H3 local ou Seedance Agent

Mantenha o controle local quando ele gera valor real

O H3 local faz sentido quando os arquivos de modelo devem permanecer em sua máquina, você precisa de nós personalizados ou quantizações experimentais, consegue manter um ambiente com GPU e o tempo de iteração é aceitável. Ele lhe dá acesso direto ao JSON do fluxo de trabalho, às seeds, aos estados intermediários e aos pontos de extremidade de automação. Esse controle é valioso para pesquisas e pipelines especializados, mas impõe uma obrigação contínua de manutenção.

O Seedance Agent atende equipes que desejam usar o H3 sem transformar compatibilidade de drivers, armazenamento, descarga (offloading), versões de nós e recuperação de renderização em um segundo projeto. Ele pode traduzir um breve briefing em um plano de shots revisável, manter papéis de referência e critérios de aceitação vinculados a cada shot, apresentar saídas finalizadas e reexecutar apenas a seção fraca após aprovação.

A imagem final testa se identidade, vestuário, layout da oficina e geometria do crescente sobrevivem à sequência local completa — desde o impacto até o objeto finalizado.

Conclusão

Uma configuração local MiniMax H3 confiável começa com a escolha da família certa de tarefas, não com o download de todos os arquivos rotulados como H3. Confirme a compatibilidade de hardware e armazenamento, atualize o ComfyUI, associe um checkpoint de difusão ao seu codificador de texto correspondente e a ambos os VAEs, coloque os arquivos nas pastas esperadas e execute um render básico curto antes de adicionar aceleração ou referências complexas. Versione todas as combinações funcionais, para que um novo nó ou uma nova quantização não apague uma configuração previamente validada. Se o controle local for menos importante do que planejamento, revisão, continuidade e produção recuperável, inicie o projeto com o Seedance Agent e use o MiniMax H3 sem precisar manter toda a pilha por conta própria.