MiniMax H3 LoRA 训练：面向自定义视频风格的完整微调指南

Q: 能否在没有本地 GPU 的情况下训练 MiniMax H3 LoRA？

可以。托管式 fal 训练器接受 ZIP 格式数据集，并返回 .safetensors 格式的适配器。目前已发布的三个训练器端点覆盖四类目标：T2V、I2V/首帧（first-frame）、基于 I2V LoRA 的首尾帧（first-last-frame）推理，以及 Ref2VA。

Emma Chen·阅读约 2 分钟·Aug 18, 2026

分享到 X

AI 概览

什么是 MiniMax H3 LoRA 训练？

MiniMax H3 LoRA 训练通过冻结 33B 的 H3 基座模型，仅训练一个轻量级适配器，使其掌握特定角色、视觉风格、产品或运动模式。导出的适配器远小于完整检查点，可在推理时与基座模型组合使用。

在本地训练 MiniMax H3 LoRA 需要多少显存（VRAM）？

目前尚无公开的通用最低要求。可将 16GB 视为激进的降分辨率目标，24GB 则是更切实可行的起点；12GB 可能仅在重度量化、卸载（offloading）、较短片段及充足系统内存的前提下勉强运行。

MiniMax H3 LoRA 数据集需要多少视频？

云端训练器至少接受 10 个片段；50–200 个清晰、多样化的片段是更稳健的实际目标。所有片段需统一为 24fps，并采用符合 17n+5 规则的有效帧数——当前训练器支持 22、39、56、73、90、107 或 124 帧。

准备好亲自试试了吗？

注册即送免费积分，套餐每月 $20 起。

免费试用 Seedance

能否在没有本地 GPU 的情况下训练 MiniMax H3 LoRA？

可以。托管式 fal 训练器接受 ZIP 格式数据集，并返回 .safetensors 格式的适配器。目前已发布的三个训练器端点覆盖四类目标：T2V、I2V/首帧（first-frame）、基于 I2V LoRA 的首尾帧（first-last-frame）推理，以及 Ref2VA。

为何要为 MiniMax H3 训练 LoRA？

MiniMax H3 是一款 33B 参数的联合视频-音频 DiT 模型，旨在跨主题、风格、镜头运动和声音实现泛化。这种广度很有价值，但通用模型无法自动在数十个镜头中持续保持某一虚构角色、精确产品表面质感或专属运镜语言。LoRA 仅引入一组可训练的低秩更新，同时冻结基座权重。

当反复提示与参考图仍出现漂移时，应考虑训练 LoRA。角色数据集可教会模型在不同场景中稳定呈现同一张面孔、服饰与剪影；产品数据集可强化几何结构、材质表现、Logo 位置及广告常用布光；运动 LoRA 可引导 H3 偏向特定环绕路径、舞蹈语汇或转场模式。LoRA 并非修复不良提示词或矛盾片段的工具：它会放大整个数据集中的模式——包括其中的错误。

MiniMax H3 T2V · 自定义 LoRA 训练前的官方基线输出

请使用此类真实基线渲染结果，明确界定适配器需改进之处。若目标仅为加速本地采样而非构建新身份或风格，请改用 MiniMax H3 Turbo LoRA 指南。

四种 H3 LoRA 训练器详解

H3 共有四种实用的 LoRA 训练目标，但当前托管 API 仅发布三个训练器端点。首尾帧（FLF2V）任务复用 I2V 适配器族：先以首帧为条件进行训练，再在启用 LoRA 的 I2V 推理端点中传入终帧。

目标	已发布的训练路径	最佳适用场景
T2V	T2V 训练器	从带标注的视频片段中学习风格、主体、镜头或运动
I2V	I2V 训练器	对给定首帧进行动画化，同时保留其身份特征
FLF2V	I2V 训练器，再配合启用 LoRA 的 I2V 推理端点（传入终帧）	端点受控的转场与产品旋转（起止帧固定）
Ref2VA	Ref2VA 训练器	基于混合参考图像、视频或音频的角色、风格、运动、视频或音频条件控制

当提示词本身应能唤起概念而无需图像输入时，选择 T2V；当源帧作为身份锚点时，选择 I2V/FLF2V；当制作简报依赖混合参考图像、视频或音频时，则选择 Ref2VA。如需对相同初始模式进行“零训练”对比，请在提交数据集前测试文本到视频工作区。

数据集准备：视频片段、提示词与 `17n+5` 帧网格

将视频与对应提示词文件置于同一文件夹中，且文件名主干（stem）一致：例如 shot_001.mp4 与 shot_001.txt。支持 .mp4、.mov、.avi 或 .mkv 格式；每个片段仅表达一个核心概念，去除剪辑痕迹与水印，避免近似重复片段。提示词应明确陈述持久性概念，以及可见的动作、镜头运动与音频内容——而非笼统的关键词堆砌。MiniMax H3 提示词指南提供了实用的提示词结构。

将所有片段统一为 24fps。H3 使用帧数规则 frames = 17n + 5；虽然数学上 5 是合法值，但当前托管训练器仅接受 22–124 帧，因此请选用 22、39、56、73、90、107 或 124 帧。务必先裁剪片段，再验证实际帧数，切勿仅依赖时长标签。

仅用至少 10 个片段进行流水线测试即可。若需构建真正可用的角色或风格适配器，建议准备 50–200 个多样化、高质量标注的片段。预留其中 10–15% 用于验证。在保持目标身份一致的前提下，变化构图、背景、摄像角度与运动方式。

官方 MiniMax H3 I2V 源图，用于审核身份与材质保真度

来自官方工作流的真实 H3 I2V 源图。产品 LoRA 的训练数据应在变化镜头设计的同时，精准保留此类细节。

MiniMax H3 I2V · 官方源图到动态输出

使用 ai-toolkit 与 ComfyUI 进行本地训练

ai-toolkit 提交 8502a84 新增了 MiniMax H3 T2V（文本到视频）与首帧 I2V（图像到视频）训练支持。请使用该提交或更新的发布版本。该版本加载剪枝后的 int8 ConvRot H3 变压器模型，以及 NVFP4/AWQ 量化的 Qwen3-VL 文本编码器，采用 FlowMatch 进行训练，并导出与 ComfyUI 兼容的 LoRA 权重键。H3 采样器已进行引导蒸馏（guidance-distilled），因此请将采样引导值（sampling guidance）保持为 1，不要像传统 CFG 那样进行调优。

请将以下配置作为 ai-toolkit 任务内的聚焦起始模块使用，而非一套完整的、硬件无关的完整配方：

network:
  type: lora
  linear: 16
  linear_alpha: 16
train:
  steps: 2000
  noise_scheduler: flowmatch
  optimizer: adamw8bit
  lr: 2e-4
model:
  name_or_path: MiniMaxAI/MiniMax-H3
  arch: minimax_h3
  quantize: true
  model_kwargs:
    partition: fl2va
sample:
  guidance_scale: 1

H3 的实现内部对视频 FlowMatch 使用偏移量 12、对音频使用偏移量 3；请勿用通用图像模型预设覆盖这些值。对于 I2V 训练，请启用数据集的首帧条件控制（first-frame conditioning），并在长时间训练前确认帧源（frame source）。建议缓存潜在表示（latents）与文本嵌入（text embeddings），每 250–500 步保存一次检查点，并在每次保存时使用同一组固定提示词进行验证。ComfyUI 是训练完成后的检查与推理界面；完整的 H3 ComfyUI 配置指南涵盖基础文件与工作流图（graphs）。

在 fal 上进行云端训练（无需本地 GPU）

将配对的视频及其 .txt 字幕文件打包为 ZIP；如需 trainer 特定的首帧或参考图侧车文件（sidecars），请一并加入。
根据上表选择 T2V、I2V 或 Ref2VA 训练器。
设置训练步数（steps）、秩（rank）、学习率（learning rate）、帧数（frame count）、分辨率（resolution）及条件控制概率（conditioning probability）。
先运行短时测试，审查验证输出；仅当概念仍在持续提升时，再延长训练。
下载返回的 .safetensors 适配器文件与配置文件（config file）。

当前默认参数为：2,000 步、秩 32、学习率 2e-4、24 fps、73 帧；支持秩范围为 8–128。计费按训练步数实时计算，因此 UI 中显示的实时预估费用（而非博客中引用的旧数字）才是启动前可靠的成本依据。该服务无需本地显存（VRAM），但数据集质量与检查点测试仍由你负责。

MiniMax H3 Ref2VA · 官方混合参考输出

关键超参数 — 秩（Rank）、学习率（Learning Rate）与步数（Steps）

目标	秩 / alpha	学习率	步数	起始建议
流程验证（Pipeline test）	16 / 16	`2e-4`	500–1,000	验证字幕、模型加载与导出功能
角色或产品（Character or product）	16 / 16	`2e-4`	1,000–2,500	在验证身份保真度（identity peaks）时停止
风格或写实性（Style or realism）	16 / 16	`1e-4`	最多 5,000	降低学习率，并横向对比各保存点
复杂混合概念（Complex mixed concept）	32 / 32	`1e-4`–`2e-4`	2,000–4,000	仅当秩 16 出现欠拟合（underfits）时启用

秩（Rank）代表容量，而非质量滑块。更高秩会增大文件体积，且可能更快地记忆背景或人脸。学习率控制参数更新幅度；当纹理变得生硬（harsh）或适配器过度压制提示词时，请调低学习率。步数应由验证结果决定，而非凑整数。若所有提示词均生成相同构图，请回退至更早检查点，或扩充/多样化数据。

在 Seedance 与 ComfyUI 中使用你训练的 LoRA

在 ComfyUI 中使用 H3 模型时，请将 LoRA 适配器复制至 ComfyUI/models/loras/，刷新模型列表，在加载 H3 扩散模型之后加载该适配器，并从强度 0.7–1.0 开始尝试。请确保适配器与正确的 FL2VA 或 Ref2VA 基模型匹配。用预留的测试提示词（held-out prompts）检验触发短语（trigger phrase）效果，再以相同随机种子（seed）、帧数与采样器设置与基线模型（base model）对比。

Seedance 的标准浏览器工作流不暴露任意 .safetensors 加载接口。实用的衔接方式是：先在 H3 中渲染一个强 LoRA 效果的单帧或短参考视频，再将该资产导入 Seedance 图像到视频功能，以在浏览器中完成运动生成、修订与生产。此举使自定义训练保留在开放的 H3 技术栈内，同时利用 Seedance 实现更快速的托管式收尾流程。

立即用 Seedance 创作你的下一个视频 →

结论

当可复现的角色、产品、风格或运动模式比单条优质视频片段更重要时，MiniMax H3 LoRA 训练才真正值得投入：请首先选定条件控制模式，在 17n+5 网格上构建干净的 24fps 数据集，以秩 16 与保守的验证策略起步，并在最佳检查点处停止训练，而非盲目追求最高步数。本地训练请使用 ai-toolkit，无 GPU 时则选用 fal；训练完成后，将适配器加载至 H3/ComfyUI，并在需要更简捷的浏览器端生产路径时，将经批准的资产传入 Seedance。