8月3日，MiniMax 正式开源了海螺 H3 视频生成模型。财联社到 8 月 13 日，H3 在 HuggingFace 上已衍生出接近 300 个模型，ComfyUI 版本下载量近 700 万。微博B站、小红书上到处是管它叫"八月AI真神"的视频。
对 SD 玩家来说，这个场面熟悉又陌生：熟悉的是整条部署链路都是 ComfyUI 生态的老本行，工作流、LoRA、量化、整合包一个不缺；陌生的是视频模型对显存和算力的要求翻着跟头往上涨，"16G 通吃"的旧经验这次不好使了。小红书上吐槽"显卡配置要求高得离谱"的帖子，回复也有三十多条。小红书所以我没打算再转述一遍安装教程，而是把这一周散落在知乎、B站、小红书、微博的实测数据盘了一遍，不一定全，但足够帮你判断：手里这张卡，到底能不能部署。
先一句话看懂，H3 强在哪
H3 是一个多模态视频生成模型，最多支持 9 张图像、3 段视频、3 段音频作为参考输入。知乎它还能原生生成音轨，不用后期另配音效。知乎
在 DesignArena 的多图生视频专项排行里，H3 拿到 Elo 1355，仅次于字节 Seedance 2.5（1400），是榜单内最强的开源模型。微博
社区最直白的评价是：效果"不亚于一秒一块五的SEEDANCE2.0"。微博开源的意义就在这儿：原本按秒计费的 API，现在能摊到自己的显卡上免费试错。
各档显卡实测（跨源汇总，口径不一）
先说结论：16G 显存是相对完整玩转 H3 的门槛，24G/32G 决定你能不能碰 1080P。
RTX 3060（12G）：微博博主说量化版"可以在3060上非常缓慢的跑"，别期待更多。微博
RTX 5070（12G）：小红书博主实测单条 15 秒视频直出用了 800 秒（约 13 分钟），配置是 5070 12G + 32G 内存，能用，但不快。小红书
RTX 5060 Ti（16G）：数据最多。官方默认工作流 864×480、5 秒片段，实测稳定在 5 分钟左右，显存占用 14G 上下，内存占用 28G 上下。知乎拉到 1920×1088 要跑一个多小时。另一位博主换成 PyTorch cu130 + Turbo 4 步 + 手动 Unload 后，768×448 全尺寸带音轨，一条 5 秒片段约 117 秒。知乎同一张 16G 卡，默认工作流一条 5 分钟，换成 cu130 + 优化参数只要 2 分钟——差距全在环境和工作流。
RTX 4080 Super（32G）：同一个 1088P 任务，比 5060 Ti 快 16 分钟左右，折合四十多分钟。知乎
老数据中心卡（V100）：有人用 GGUF 量化 + stable-diffusion.cpp 跑，结论是"勉强能用，耗时大概是 H20 的 2.5-3 倍"。知乎
Mac：连 Redis 作者 antirez 都下场了，开源了纯 C + Metal 编写的推理引擎 h3.c，专为 Apple Silicon 设计，据说从 M3 支持到最新的 M5 系列。微博
再补几句说明：以上数据来自不同博主、不同 ComfyUI 版本、不同工作流，别跨口径直接对比，当数量级参考，不当 SLA。模型文件包总大小约 39.5GB，量化版也在 20GB 上下。知乎从 HuggingFace 直连下载很容易断，社区普遍走 hf-mirror 镜像 + aria2 断点续传。
四个坑，比配置更重要
这是目前信息差最大的部分。写 5060 Ti 实测的博主多宝说得直白，网上 90% 的 MiniMax H3 教程还停留在 cu128。知乎
cu130 是分水岭。ComfyUI 的 H3 README 写得明白：能用 cu130 的 PyTorch 就优先选 int8_convrot，fp8_scaled 只是 int8 用不了时的备胎。cu130 会把 comfy-kitchen 的 CUDA 加速后端从禁用变启用，cu128 时代一大半 OOM 和张量设备错乱直接消失。前提是你的驱动支持 CUDA 13.0，装完还要验证 torch 和 torchaudio 都是 cu130——两者版本号不同，但都可能从旧源拉到 cu128，这个坑已经有人踩过。知乎
分辨率必须是 32 的倍数。H3 的 patchify_video patch 尺寸是 (1,2,2)，宽高不是 32 的倍数直接报错，稳妥选择是 768×448 或 640×384。
解码 OOM。采样完成后，DiT + 编码器死占约 14GB 显存，VAE 解码挤不出额外的 1.2GB。知乎正解是在采样器和解码器之间插一个"卸载全部模型"节点，采样完先卸载再解码；–novram 也能硬跑，但全卸载的速度不值一提。
音视频 VAE 分叉。H3 的 latent 是 NestedTensor（视频 24 通道 + 音频 32 通道），解码必须视频 VAE 和音频 VAE 两路分开，只接一路就没有声音。
加速方案：数字都好看，口径各不同
开源一周，加速生态已经很热闹，但各家宣传的数字不在同一个口径上：
Lightx2v 的 Turbo 加速 LoRA（8 步/4 步）已上架 HuggingFace，是 B站复现最多的路线之一。哔哩哔哩
SLA 稀疏注意力节点 + ComfyKitchenAttention 组合，在合理分辨率和时长下最高能带来 2.5 倍提速，优势是不损画质。知乎
TE-speed-FlashVSR 超分节点，号称比原版提速 50%，170 秒超分一条 10 秒视频，针对的是原片分辨率偏低的问题。哔哩哔哩
更夸张的是 NVIDIA SANA 团队公开的工程记录：把生成分成两段，先用 H3 快速出一张低分辨率草稿，再交给 LTX 精修，GB200 上相对基线最高加速 27.7 倍。知乎但这是数据中心卡、特定分辨率和时长下的结果，落到自己机器上别指望原数字。
小红书最激进的一条"14 倍"工作流：官方默认管线 30 多分钟的 5 秒 1024×576，压缩到 2.2 分钟。小红书
说句公道话：上面每组数字的步数、分辨率、硬件都不一样，别只对比倍数。我的建议是优先复现 Turbo LoRA + Unload 节点这条路，门槛最低、验证的人最多，其余的先围观。
成本账：本地部署到底省的是什么
云端价格做参照：Seedance 2.0 的社区口碑价大约一秒 1.5 元。微博H3 官方 API 也从按条计费改成了按秒计费，且不进 TokenPlan。知乎
RunningHub 这类云平台上也有现成的 H3 工作流，按平台点数计价。知乎
本地成本：16G 卡出一条 5 秒片段 2-5 分钟，电费可以忽略，真正的成本是你的时间和试错。但本地有两样云端给不了。一是无限试错，一天出 100 条也没人收钱。微博二是完全可控，模型和 LoRA 都随你折腾。
所以账很好算：
偶尔玩玩：本地部署最划算，卡是现成的，搭进去的是电费和耐心；
电商短视频是生计、量大：小红书已经有人吐槽"一个月光算力就上千"，这种量级不是本地 16G 能扛的，上云平台或 API 更现实。小红书
想为 H3 专门升级显卡：先等等。MiniMax 8 月 15 日又开源了音乐模型 Music3，H3 + Music3 的音视频全流程还在磨合。微博LTX 2.5 也刚发布，GGUF 路线还在成熟（V100 都能跑，说明低端卡还有空间），别为一个模型买单。
最后两句
H3 开源对 SD 玩家最大的意义，不是多了一个能用的模型，而是证明了 ComfyUI 生态接得住前沿视频模型——一周 300 个衍生模型就是证据。
但也提个醒：视频生成的硬件门槛是真实存在的，16G 只是入场券。如果你已经卡在部署里，欢迎在评论区聊聊你的显卡和踩到的坑，这份盘点会持续更新。
