企业官网建设流程全解析

别贪全下！MiniMax H3本地部署只需要拿这几个文件

【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

好家伙，三百多G下完了，一跑就OOM；也有人只挑了最大的transformer目录下载，结果一启动满屏缺文件报错。这就是大多数人本地部署MiniMax H3的真实开场——这个能把文本/图片/视频/音频理解成上下文、再"煮"出最长15秒、2K分辨率、带原生立体声音频的开源视频生成模型，门槛其实不在模型本身，而在"下哪几个文件"这一步。本文把下什么、选哪版、显存够不够、第一次怎么跑、报错怎么救，一次说清。

MiniMax H3本地部署自检：先回答4个问题再动手

问题1：你的显存有多少？一句话版本：全精度BF16是"顶配豪华套餐"，单张消费级显卡装不下。官方SGLang示例直接写的是--num-gpus 4——主干33B + 文本编码器32B，权重合计130GB往上。只有一张16~24GB显卡？社区量化版可以跑（16GB实测可跑，8GB能出480P，就是慢）。只有核显？劝退，直接用网页版或API。

问题2：你到底想干什么？纯文字出片、单图动起来、首尾帧补中间过程，是一类任务；拿最多9张图+3段参考视频+3段参考音频做"照着样来"的二创，是另一类。两者对应两个不同的checkpoint，文件不能互相顶替。

问题3：你要2K吗？本地开源版本默认只出768p。2K由H3-Regenerate-2K模块负责，该模块尚未开源，官方路线是"本地768p + 官方API增强"。2K是硬需求就直接走API，别本地死磕。

问题4：磁盘够吗？单任务族一套就要上百GB（仅文本编码器14个分片、主干13个分片）。别贪心两个都装，按需拿一套。

拆文件：一个checkpoint里的7件东西各管什么

把H3想象成一家"声画同步料理店"：你点单（prompt+素材），后厨把"半成品"现做、摆盘、配B端声轨，最后端上一盘带声音的视频。一个任务族checkpoint就是这一整家店的班子，少一件店都开不了：

• model_index.json——后厨组织架构图。谁负责什么、在哪个目录，框架靠它定位组件，丢了直接报找不到模型。
• text_encoder/——看单的大厨（Qwen3-VL-32B，14个分片，最大单件）。把你的口语化点单翻译成全店通用的"标准菜谱"，读懂不了单，后面全白干。
• transformer/——主灶台（33B Omni-Transformer，13个分片，全店最重）。真正开火，把视频latent和音频latent两道"半成品"一起炒出来。
• video_vae/（diffusers格式下叫vae/）——摆盘组。把视频半成品解压成你能看的24fps画面。
• audio_vae/——声轨组。把音频半成品解压成32kHz立体声。
• tokenizer/——点单打印机。把文字切成分词token，文件几MB，缺了照样报错。
• processor/——前厅领班。图片、视频等多模态素材的预处理入口。
• scheduler/、audio_scheduler/——节奏计时器。控制采样步进的节奏。

大件是text_encoder、transformer、两个VAE；小件是tokenizer、processor、scheduler。"主模型有了、翻译官没下"是头号翻车姿势——小件一个都不能少。

选型决策：FL2VA和Ref2VA怎么对号入座

两个checkpoint = 两间独立后厨，菜谱和灶具都不通：

• FL2VA："从零开始"灶。0张输入图=文生视频（t2va）；1张图=首帧或尾帧生视频；2张图=首尾帧生视频。
• Ref2VA："照着样做"灶。参考图≤9张、参考视频≤3段、参考音频≤3段（各段2~15秒，总文件数≤12），学参考素材的风格、人物、音色重新演绎。

一句话选型：想凭空创作、给照片动起来、补首尾帧，选FL2VA；想拿参考素材做二创、换装重演加配音，选Ref2VA。两者是两套独立权重，不能互换、不能混用——用FL2VA去喂参考视频素材，或在diffusers根目录看到transformer/与transformer_ref/两份权重时拿错，都会直接出错。

第一次跑通：4步拿到一条带声音的768p视频

多卡全精度最短路径（SGLang）：

1. 下载一套文件（只拿FL2VA）：hf download MiniMaxAI/MiniMax-H3 --include "model_index.json" "FL2VA/*" --local-dir MiniMax-H3
2. 起服务：sglang serve --model-path MiniMaxAI/MiniMax-H3 --num-gpus 4 --ulysses-degree 4 --performance-mode speed --host 0.0.0.0 --port 30010 --model-variant fl2va
3. 发订单：POST http://localhost:30010/v1/videos，body里"task": "t2va"，"target": {"short_edge": 768, "aspect_ratio": "16:9", "duration_seconds": 10}，"seed": 0，prompt照仓库提示词写作指南的格式写。
4. 等状态：GET /v1/videos/{id}轮询到completed，再GET /v1/videos/{id}/content下载mp4。

成功标志长这样：拿到一个能同时出声、出画面的mp4，768p、24fps、时长和请求一致。单卡/低显存用户走社区量化权重+ComfyUI或diffusers，16GB可跑；懒得折腾硬件的，直接官方API发同一套参数，出片逻辑完全一样。仓库scripts/readme/目录里有T2VA、FL2VA、Ref2VA三个可复现案例的现成请求脚本，对照抄就行。

报错自救：4个高频坑的现象与处理

坑1：加载阶段直接OOM。现象：模型加载时CUDA out of memory，进程当场阵亡。 原因：BF16全精度权重130GB+，单卡装不下。 处理：多卡切分（--num-gpus加卡）；或换社区量化版并降低输出分辨率。先改路径，别硬刷驱动。

坑2：主模型在、启动报缺文件。现象：只下了最大的transformer/，一启动满屏报错。 原因：text_encoder、VAE、tokenizer、model_index.json全缺。 处理：按上一节清单整套下载，一次下全，下载完核对分片数（text_encoder 14个、transformer 13个）。

坑3：两种文件格式混搭。现象：diffusers根目录的vae/、transformer_ref/喂给SGLang（或反过来），组件/配置报错。 原因：仓库同时提供原始checkpoint（FL2VA/、Ref2VA/目录，给SGLang/vLLM用）和diffusers格式（根目录vae/、audio_vae/、transformer/等，给diffusers/ComfyUI用），两套并排。 处理：用哪个框架就严格按哪个框架的清单来，一套到底，不混搭。

坑4：以为本地能出2K。现象：本地出片永远768p，找不到2K开关。 原因：2K是H3-Regenerate-2K模块，未开源；2K靠"上下文内重生成"，不在本地checkpoint里。 处理：调整预期——本地只承诺768p；要2K走官方"Full 2K Workflow"：本地出768p，再调H3-Context-IR与H3-Regenerate-2K两个API。

写在最后：这次开源到底值在哪

H3把"声画同步"从云端拉到了自己的机器上：一套系统统一理解文本、图片、视频、音频再统一生成，32B编码器+33B主干的规格直接摊开给社区，这在国内视频生成开源里是里程碑级的规格下放。新手最稳路线一句话：先用网页版把效果玩明白，确认需要"本地无限次"后，按上表选一个版本、认准量化权重、按7件套清单一次下齐，别贪多。

下完别急着跑，先过一遍自检清单：①model_index.json在不在？② text_encoder是不是14个分片齐？③ transformer是不是13个分片齐？④ 视频VAE和音频VAE是否都在？⑤ 框架和文件格式是否对上了？五条全勾，直接起服务。想继续深挖提示词，去翻参考版提示词指南，仓库scripts/readme/里的三个复现脚本就是最直接的"标准答案"。

【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