企业官网建设流程全解析

MiniMax H3 本地部署完整指南：文件到底下哪些、FL2VA 还是 Ref2VA、显存不够怎么救

【免费下载链接】MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解，并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计，H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力，能够出色地执行复杂的多模态指令。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-H3

MiniMax H3 开源了，能本地生成最高 2K、带原生立体声音频的视频，最长 15 秒。听起来很香，但很多人一进下载页就懵了：一二十个模型文件、两个大版本、还是 BF16 全精度，直接克隆下来硬盘先红了。社区里最常见的吐槽就三句："文件下错了几百 G，白等一下午""两个版本混着装，跑起来直接报错""全精度拉满，显卡当场阵亡"。这篇把文件清单、版本选型、翻车点一次性讲透，照着抄就行。

30 秒速览：H3 是什么，新手先做什么

一句话：H3 是个"全模态剧组"——你丢给它文字、图片、视频、音频任意组合，它还你一段声画同步的视频。

本地开源的部分是H3-Base，能出 768p（短边 768 像素、24 FPS、32kHz 立体声）的音视频。整个系统其实分三块：

• H3-Context-IR：把"人话需求"翻译成模型听得懂的上下文。这块是官方托管的，没开源，走 API；
• H3-Base：本地真正干活的主力，出 768p 片子，开源；
• H3-Regenerate-2K：把 768p 结果"再高清重做"成 2K，目前未开源，也走 API。

新手的第一课不是下载，是先想清楚自己要哪种任务：凭空生成选 FL2VA，照着参考素材二创选 Ref2VA，权重不能互换。想清楚这一步，下面的坑就避开一大半。

逐个拆解：这一堆文件，各是厨房里的什么角色

把 H3-Base 理解成一家餐厅最直观。每个 checkpoint（FL2VA 或 Ref2VA）都是一个自包含的"后厨"，目录里这几位各司其职：

• text_encoder/（文本编码器）：门口的"翻译领班"。它基于 Qwen3-VL-32B，负责把你说的话和图意转成模型内部能懂的表示。少了它：报"组件缺失"，主干根本收不到指令。
• transformer/（Omni-Transformer 主干）：灶台主厨，33B 参数的稠密模型，画面和声音都是它一起算出来的。少了它：整个厨房停摆。
• vae/ 和 audio_vae/（视频 VAE + 音频 VAE）："装盘点"。模型内部处理的是压缩过的 latent，VAE 负责解压成你能看的画面、能听的双声道声音。少了它：只有一堆数字，出不了片。
• tokenizer/、processor/、scheduler/ 和 audio_scheduler/："下单小票和节奏控制"。小文件但缺一不可，尤其 tokenizer 带 H3 专属的特殊 token 配置，别拿别家 Qwen 的配置文件替代。
• model_index.json：整张"人员花名册"。框架就是照着它去逐个组件加载的，路径下错一个都对不上。

下载清单看这一条就够了（官方仓库里原始格式和 diffusers 格式并存，用哪个框架就只下哪个清单，别全拉）：

hf download MiniMaxAI/MiniMax-H3 --include "model_index.json" "FL2VA/*" --local-dir MiniMax-H3

版本怎么挑：一张表直接抄作业

选型原则一句话：按任务定版本，按显存定精度，2K 别指望纯本地。FL2VA 和 Ref2VA 是两套独立权重，各装各的，谁也别想串台。

另外提醒：Ref2VA 的输入是有额度的——最多 9 张图、3 段参考视频、3 段参考音频，所有参考文件加起来不超过 12 个。

高频翻车实录：这 5 个坑占了一半求助帖

1. 文件下不全，缺胳膊少腿。现象：加载时报某个子目录或组件找不到。原因：只看了主干多大，就只下了最大的那个。解决办法：以model_index.json为准，processor、tokenizer、text_encoder、transformer、vae、audio_vae 一个都不能少。

2. 两种格式混搭装。现象：框架初始化报错、组件对不上。原因：仓库里原始格式（给 SGLang、vLLM 用）和 diffusers 格式并存，你从两边各抄了一半。解决办法：框架定了就只下对应清单，diffusers 用户甚至不用手动下，ModularPipeline.from_pretrained会自动拉它要的那几个组件。

3. 显存直接爆掉。现象：加载到一半 OOM。原因：文本编码器 32B、主干 33B，都是 BF16 全精度，单卡消费级显卡基本塞不下。解决办法：多卡并行部署（官方示例就是 4 卡 + ulysses 并行），或者等社区量化版本再上。

4. 白等 2K，结果本地只有 768p。现象：跑出来的片子比预期糊，怀疑自己环境有问题。原因：2K 靠的是 Regenerate-2K 模块，这块官方明说还没开源。解决办法：接受"本地 768p + API 重制 2K"的组合拳，官方 README 里就给了端到端的 2K 工作流脚本参考（见 scripts/readme/）。

5. 提示词一长就崩，参考视频被吃掉。现象：Ref2VA 效果远不如演示视频。原因：参考素材没经过 Context-IR 整理，直接塞给 Base 属于"把菜单直接扔进后厨"。解决办法：先用官方 Context-IR API 把上下文结构化再下发，或按 官方提示词指南 自己写。

收尾

H3 把"声画同步视频生成"从云端搬回了个人电脑，这一步本身就够有分量了。剩下的事只有一个：你愿意为了本地无限次出片去配多卡、蹲量化版，还是直接充 API 把算力外包出去？评论区聊聊你的选择，也欢迎丢出你踩过的坑。

【免费下载链接】MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解，并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计，H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力，能够出色地执行复杂的多模态指令。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-H3