Minimax H3 二采重绘 V2 是目前视频生成工作流里关注度很高的一类升级方案先让主模型完成第一次采样再用第二个模型对 latent 或关键帧做精修重绘同时在注意力计算阶段接入加速模块。这样做的目标很直接让画面清晰度接近当前硬件条件下的“天花板”又不会因为二次采样把生成时间翻倍。很多 ComfyUI 用户已经在本地部署类似流程但真正跑一遍会发现卡住你的通常不是模型本身而是显存策略、模型加载顺序、重绘参数和加速节点接入位置。这篇文章按完整链路讲清楚 Minimax H3 二采重绘 V2 的搭建、参数、验证和排错方法。1. 先搞清楚 Minimax H3、二采重绘和双模型的工作关系1.1 Minimax H3 在 ComfyUI 里承担什么角色Minimax H3 是视频生成领域的一类扩散模型。在 ComfyUI 中它不是一个“安装包”式程序而是以模型文件和自定义节点形式存在。你打开工作流后看到的是节点图提示词输入、模型加载器、采样器、VAE 解码、视频输出真正在底层完成生成的是扩散模型。理解这一点很重要。因为后续所有优化都发生在节点图层面而不是改一个配置文件就能解决。二采重绘 V2 本质上是把一次完整生成拆成了两个阶段每个阶段使用不同的模型或不同的参数最后再合并成一段视频。如果你把它理解成“一个模型生成一次”后面看到双模型加载和注意力加速时就会觉得多余。这里的核心工作量集中在三点模型能不能被正确加载显存能不能撑住两个模型同时存在以及二次采样时参数是否合理。前两点是环境问题第三点是效果问题文章后面会分别展开。1.2 一采和二采为什么视频只采一遍不够“一采”指第一次采样也就是从文字提示词直接生成视频的 latent 表示。“二采”指在此基础上进行第二次采样用新的模型或更高精度的配置对前一次结果重新绘制。单独一次采样的问题在于模型为了兼顾结构、运动、语义和画面质量往往会在某些方面妥协。低分辨率下细节是糊的运动幅度大的片段容易出现闪烁复杂提示词会丢失部分语义。二采的思路是把“生成”和“精修”拆开。第一次采样负责把结构、镜头和主体动作定下来第二次采样在已有结构上补细节、修边缘、提升清晰度。这和图像生成里“文生图之后再图生图重绘”是同一个方法论。需要注意的是二采不是把画面全部重画。第二次采样通常使用较低的 denoise 强度只调整纹理和高频细节保留第一次采样确定的构图、动作和空间关系。如果 denoise 太高第二次采样会重新生成运动和布局导致前后不一致画面崩坏反而比一采更明显。1.3 双模型为什么能提升清晰度和一致性社区里说的“双模型”常见有两层含义。第一层是“主模型 精修模型”。主模型负责语义理解和结构生成精修模型专门优化细节、边缘、光影。两个 checkpoint 在同一个工作流里先后参与采样主模型结果进入精修模型后输出在清晰度和帧间稳定性上通常比单模型一次采样更好。第二层是“双网络记忆模型”常见于长视频工作流。这类实现会让两条网络路径并行处理内容信息同时引入记忆机制保存前面帧的关键特征让后续帧在生成时参考已生成内容而不是每一帧都从零开始。这样做的好处是长视频中人物、场景、光影更稳定。无论哪种双模型原理都是分工。单一模型要同时做结构、语义、细节、时间一致性容易顾此失彼。两个模型各管一段反而能降低单个模型负担。注意双模型不等于两倍时间。如果工作流设计成先加载主模型、采样完卸载、再加载精修模型显存占用和单模型差别不大只是多一次模型加载耗时。1.4 注意力加速解决的是时间维度上的重复计算视频生成和图像生成的关键区别是时间维度。视频由多帧组成注意力计算时会把序列拉长计算复杂度随着帧数和空间 token 数量快速上升。帧与帧之间存在大量相似内容但标准实现会对每一帧重复计算几乎相同的注意力分布这就是浪费的地方。注意力加速的思路是降低这种重复计算。常见做法包括时间注意力复用相邻帧复用部分注意力结果只对关键帧做完整计算。稀疏注意力限制注意力只在局部范围内计算减少全局 token 交互。推理框架级优化通过算子融合、半精度计算、KV 缓存复用等方式减少显存占用。在二采工作流中注意力加速主要作用于第二次采样。因为二采阶段是重复利用已有 latent很多注意力分布和第一采是接近的存在明显优化空间。但要注意加速不是免费的。稀疏化或帧间隔复用可能带来细节抖动需要在工作流里用肉眼验证不能只看生成时间缩短就认为成功。2. 部署环境显存、驱动和 ComfyUI 版本要先对齐2.1 硬件门槛单卡 16GB、单卡 24GB 与双卡怎么选Minimax H3 的基础模型已经不小加上二采重绘需要两个模型硬件成了第一个现实问题。部署前先明确自己的运行场景不同场景对显存的需求完全不同。运行场景推荐硬件适合生成规格注意点学习验证单卡 12GB 到 16GB低分辨率、短帧数片段需要降低采样分辨率开启 VAE tile常规出片单卡 24GB720P 左右短片段可以双模型分时加载注意峰值显存批量/长视频双卡 16GB 或 24GB长片段、更高帧数需要工作流支持多卡切分验证 PCIe 带宽“双 16GB 显存跑 H3 好不好用”这个问题答案取决于工作流是否真的把两个模型分别放到两张卡上。如果两张卡只是单纯被识别但工作流仍然把全部计算压在一张卡上那么第二张卡等于白挂。另一个常见误区是显存不等于容量两张 16GB 卡不等于一张 32GB 卡因为跨卡通信有带宽损耗节点间数据要经过 PCIe 传输。2.2 软件环境清单与版本确认本地部署 ComfyUI 工作流先确认以下软件环境缺一个都会出现“看起来装好了一跑就报错”的情况Python 版本ComfyUI 通常需要 3.10 到 3.11过高或过低都可能触发依赖冲突。PyTorch 版本必须和 CUDA 驱动版本匹配使用 CUDA 12 环境时优先安装对应版本的 PyTorch。CUDA 驱动用nvidia-smi查看驱动支持的 CUDA 版本不要求与 PyTorch 完全一致但要满足向下兼容。ComfyUI 版本推荐使用管理器更新到当前稳定版二采重绘节点可能依赖较新的 API。自定义节点视频类工作流通常依赖 VideoHelperSuite 等节点包缺少时会在工作流加载阶段直接报错。如果手头模型文件的格式、节点版本和当前 ComfyUI 不匹配先别急着换模型。优先检查整合包作者给出的版本说明再决定是否升级 ComfyUI。很多时候把 ComfyUI 升级到最新版反而会让旧工作流报错因为部分节点 API 被调整了。2.3 显存占用不能只看模型文件大小很多新手看模型文件 8GB就认为 16GB 显存绰绰有余。实际运行时的显存由几部分叠加模型权重、latent 中间激活、注意力计算结果、VAE 解码缓存、前后帧数据。视频生成的序列更长中间激活往往比模型权重更占显存。所以判断能不能跑先做一次最小规模测试。把分辨率和帧数都调到最低跑通一个 2 秒片段观察显存峰值再逐步提高分辨率。如果直接在目标分辨率上报CUDA out of memory说明峰值显存已经超限需要启用低显存模式、VAE tiling或者切换模型加载顺序。用下面的命令可以持续观察显存变化nvidia-smi -l 2 --query-gpuutilization.gpu,memory.used,power.draw --formatcsv帧率列能看到显卡是否真的在忙显存列能看到两个模型加载时是否发生重复占用。如果第二卡始终为 0%说明双卡切分没有生效。2.4 本地部署最容易踩的三个环境坑第一个坑是 3060 12GB 这类小显存卡。它能跑但只能在低分辨率、短帧数、低采样步数下稳定运行。所谓“能跑”和“能稳定出片”是两回事。如果必须用 12GB 卡建议关闭双模型同时驻留采用串行加载方案。第二个坑是把 ComfyUI 和其他推理服务混在同一张显卡上。例如同一台机器同时跑大语言模型和视频工作流显存会被竞争抢空。如果机器上还有其他服务先通过nvidia-smi确认空闲显存再启动 ComfyUI。第三个坑是双卡环境下的框架混淆。有些卡适合跑大语言模型推理框架但视频生成工作流走的是 ComfyUI 自己的采样流程两者不是同一套依赖。遇到双卡运行异常时先确认视频工作流本身是否支持多卡切分不能拿 LLM 推理的经验直接套用。3. 搭建二采重绘 V2 工作流节点链路与配置3.1 工作流的完整链路二采重绘 V2 的节点链路可以抽象成下面这条主线提示词输入 - 主模型加载 - 第一次采样 - 得到视频 latent - 精修模型加载 - 第二次采样重绘 - 注意力加速处理 - VAE 解码 - 视频输出。下面的 JSON 只是用来表达参数结构不是某个具体节点的真实导出格式。实际导入 ComfyUI 时以封装好的工作流 JSON 为准。{ workflow: { model_loader: { base_model: minimax_h3_v2_base.safetensors, detail_model: minimax_h3_v2_detail.safetensors, load_mode: sequential }, first_sample: { steps: 24, cfg: 5.0, denoise: 1.0, sampler: euler, scheduler: normal }, second_repaint: { enabled: true, denoise: 0.45, steps: 20, keep_original_structure: true }, attention_acceleration: { enabled: true, mode: temporal_reuse, frame_interval: 2 }, decode: { vae_tiling: true } } }关键点在于第二次采样不是独立的它把第一次采样得到的 latent 作为输入。所以工作流里必须有一条“第一次 latent - 第二次重绘”的数据连线而不是重新加载一个文生视频节点。很多用户二采不生效就是因为第二次采样重新走了提示词生成路径等于又跑了一遍一采。3.2 双模型加载与缓存管理双模型加载有两种策略取舍很明显。并行加载是两个模型同时驻留显存。优点是第二次采样不需要重新读取模型文件速度快缺点是两个模型的权重加在一起显存占用直接翻倍。适合 24GB 以上显存。串行加载是先加载主模型完成一采采样结束后卸载主模型再加载精修模型执行二采。优点是峰值显存接近单个模型小显存卡也能跑缺点是模型切换需要时间总体耗时更长。推荐做法是先用串行加载跑通再在显存空闲的前提下改成并行加载。这里不要追求一步到位。另外ComfyUI 有模型缓存机制模型不会立刻从显存中释放。如果第二次采样使用的模型一直加载不上先在节点配置里关闭模型随机卸载或者手动释放缓存。3.3 二采阶段的核心参数设置二采重绘的最关键参数是 denoise。它的含义是“有多少比例的内容会被重新采样”。值越高重绘幅度越大但保留原结构的能力越弱。在视频二采中denoise 建议从 0.3 到 0.5 之间起步。denoise 太低比如 0.1 到 0.2画面变化很小二次精修等于没做清晰度提升不明显。denoise 太高比如 0.7 以上模型可能在已有结构上重新想象动作导致前后帧不一致、人物漂移、场景瞬移。二采的 steps 也不需要太高。第一次采样用完整步数建立结构第二次采样是增量优化。常见的做法是二采 steps 保持在一采的二分之一到三分之二。步数堆高不会线性提升清晰度反而增加耗时和抖动概率。3.4 注意力加速的接入位置与代价注意力加速节点一般插在第二次采样附近。因为一采负责结构需要完整上下文二采是精修局部信息和时间复用更合适。具体接入位置看节点实现可能是单独一个处理节点也可能集成在采样器内部。使用帧间隔复用时要理解它的代价每隔若干帧复用一次注意力结果中间帧的细节可能不如完整计算时稳定。帧间隔越大速度提升越明显但画面细节损失也越大。建议从frame_interval2开始测试也就是每两帧里有完整计算和无完整计算的帧交替然后对比画面再看是否调大。4. 关键参数逐项拆解清晰度、一致性和速度的取舍4.1 steps 与 denoise二采不是把画面全部重画一采的步骤决定结构是否准确二采的 denoise 决定精修程度。不要为了提高清晰度无限堆 steps扩散模型在步数超过一定值后收益递减而视频生成中每一步都在消耗显存和时间。二采的目的是在保留结构的基础上提升高频细节所以优先调整 denoise而不是盲目加步数。4.2 CFG 和采样器稳定度来自这里CFG 控制生成结果对提示词的服从程度。视频领域中 CFG 过高会导致饱和度异常和画面过锐过低则容易丢失提示词语义。常规范围可以参考 4 到 7但具体值依赖模型训练时的习惯建议用固定 seed 做几组对比。采样器方面不同采样器在低步数下的表现差异很大工作流默认的采样器优先不动除非你明确知道替换理由。4.3 Tile、帧间隔和 VAE 分块视频生成中显存瓶颈经常出现在解码阶段。VAE tiling 可以把大的 latent 分块解码大幅降低峰值显存代价是可能出现块间接缝尤其是画面存在明显横纵边缘时。启动 tiling 后要注意检查画面拼接处是否有突兀分界线。帧间隔参数在注意力加速中使用影响的是时间维度计算密度。间隔小计算完整稳定间隔大速度快但可能出现微跳动。以下是二采重绘 V2 常用参数的速查表。参数作用对象调大影响调小影响建议起始值steps采样次数细节更充分耗时上升速度快结构可能粗糙一采 24二采 20denoise二采重绘比例变化大可能崩坏精修不明显0.3 到 0.5cfg提示词约束更贴提示词可能过锐更自由可能丢失语义4 到 7frame_interval注意力复用间隔速度提升细节抖动更稳定耗时上升2 起步vae_tiling解码显存峰值显存降低显存压力大16GB 卡开启4.4 双网络记忆模型与提示词一致性如果工作流实现了双网络记忆模型提示词一致性会比普通重绘更好。记忆机制保存了前面帧的核心特征后续帧生成时不只依赖当前帧和提示词还参考历史特征因此人物服装、环境光线和物体位置不容易漂移。使用这类工作流时提示词写法要更讲究。核心对象应该放在提示词前段因为很多实现会优先记忆前段语义。不要在每个分镜提示词里反复改变主体描述记忆模型会难以判断哪些信息是稳定的、哪些是变化的。如果长视频中人物细节逐渐偏移优先检查提示词是否前后矛盾而不是怀疑模型。5. 运行验证判断 V2 是否真的生效5.1 三步验证法第一步用同一提示词和同一 seed 分别跑一采版本和二采重绘 V2保存两段视频。第二步对比清晰度、边缘稳定性、人物一致性和提示词跟随程度。第三步打开日志确认第二次采样确实执行而不是单纯复制了第一次结果。固定 seed 是关键。不固定 seed两次生成本来就不同无法判断清淅度差异是来自二采还是随机性。种子一致时一采和二采的画面结构应该接近但二采在细节上更干净这就是预期效果。5.2 从日志和显存曲线看执行过程运行日志中可以看到采样进度、模型加载信息和显存分配记录。如果日志里出现两次独立的采样阶段、两个不同模型名称说明二采链路生效。如果从头到尾只有一个采样器日志就要检查节点连线是否正确。显存曲线同样能说明问题。一采阶段显存到达第一次峰值模型切换时显存可能短暂下降二采阶段再次抬升。使用前面提到的nvidia-smi命令观察这两个阶段能确认双模型是并行驻留还是串行切换。对于双卡用户还要确认两张卡都有利用率而不是只有主卡在 100%。5.3 效果对比该看哪些位置效果对比不要只看整体观感要定点检查五个位置人脸边缘是否干净、文字区域是否锐利、手部在运动中的稳定性、小物体是否闪烁、画面边缘和主体交界处是否有光晕。这些位置是视频生成最容易出问题的。二采重绘 V2 如果有效人脸边缘和文字区域应该明显更清晰其他位置的帧间闪烁应该减少而不是增加。如果二采后文字边缘更清楚但人物出现轻微位移说明 denoise 偏高需要降低。如果整体更稳定但细节变化很小说明 denoise 偏低精修力度不够。通过这种定位式对比能快速找到参数方向。6. 常见问题排查从报错倒推原因6.1 第一次采样就 OOM现象是启动第一次采样后很快报CUDA out of memory还没有进入二采阶段。优先检查分辨率和帧数是否过高。解决方案是把分辨率降到一半、帧数减半、开启 VAE tiling、降低采样步数。如果 16GB 卡连最低规格都跑不了检查是否有其他进程占用显存以及 PyTorch 是否真的识别到 CUDA。python -c import torch; print(torch.cuda.is_available(), torch.cuda.device_count())输出里device_count如果是 0说明 PyTorch 没识别到显卡先解决软件环境问题再讨论显存策略。6.2 双卡不生效现象是第二张显卡利用率始终为 0%或者双卡显存占用严重不均。检查顺序是nvidia-smi确认两张卡都被系统识别检查工作流节点是否支持多卡切分检查环境变量是否限制显卡可见。部分工作流内部仍然按单卡设计即使机器装了两张卡也不会自动并行。双卡模式下还要注意显存均衡。如果两个模型的权重都加载到 0 号卡1 号卡空闲那不是真的双卡运行。优先选择专门做过多卡适配的整合包或工作流自行改造节点图的多卡逻辑成本较高。6.3 二采后画面闪烁或崩坏现象是跑完二采后视频不是更清晰而是出现人物瞬移、背景闪烁、边缘抖动。常见原因是 denoise 设置过高或者第二次采样改变了原本稳定的结构。先降 denoise 到 0.3 再测同时检查注意力加速的 frame_interval 是否过大。如果只有加速时出现抖动把间隔调回 1 或关掉加速对比。二采崩坏的另一个常见来源是第一次采样的步数不足结构本身不稳定二采只能放大问题而不是修复问题。6.4 节点缺失、版本不匹配和路径问题现象是加载工作流时提示缺少自定义节点或运行时提示找不到某个类。处理方式是先通过 ComfyUI Manager 安装缺失节点再检查节点版本与 ComfyUI 版本是否兼容。模型文件路径不要包含中文和空格以免部分节点解析失败。模型下载后先做一次完整性校验md5 不一致会导致加载报错或采样中途报错。问题排查可以按下面这张表快速定位。问题现象常见原因检查方式处理建议第一次采样就 OOM分辨率或帧数过高降低规格观察峰值显存开启 VAE tiling串行加载模型双卡占用不均衡工作流未做多卡适配查看两张卡利用率使用多卡适配的工作流二采后画面崩坏denoise 过高降到 0.3 对比提高一采步数保住结构加速后细节抖动帧间隔过大调小 frame_interval与未加速结果对比节点加载报错自定义节点缺失查看启动日志安装缺失节点并重启7. 最佳实践与扩展方向7.1 发布前检查清单每次跑二采重绘 V2 之前按下面清单确认能省掉大部分无效生成时间。确认nvidia-smi显示显存空闲无其他大任务占卡。确认模型文件路径无中文、无空格模型完整性校验通过。确认自定义节点全部安装ComfyUI 版本与工作流要求一致。记录提示词、seed、steps、denoise、cfg、frame_interval。第一次运行先降低分辨率和帧数跑通再提升。开启显存监控观察一采峰值、模型切换、二采峰值三段变化。双卡环境同时观察两张卡利用率。保存一采版本和二采 V2 的对比输出便于回溯参数。7.2 学习环境与生产运行环境的差异学习验证时追求的是低成本跑通链路用低分辨率、低帧数验证节点是否工作。生产运行环境需要额外考虑输出目录的规范性、批量任务的错误重试、显存回收、模型缓存清理、日志留存。如果一次要跑几十条视频建议在任务之间增加显存释放间隔避免连续任务导致显存碎片累积。生产环境不建议用最小参数长期跑遇到画面崩坏要能回溯到具体哪一版参数。7.3 值得继续深入的方向二采重绘 V2 之后还有三条方向可以继续深入。第一是渐进式生成低分辨率一采、中分辨率二采、再叠加超分模型让每一阶段显存压力都可控。第二是注意力加速的精细调优测试不同 frame_interval 和稀疏策略在长视频上的组合效果。第三是双网络记忆模型的提示词工程探索如何用结构化的提示词让长视频中的场景和人物更稳定。这套工作流真正困难的部分不是把节点连起来而是找到适合自己显卡、自己素材、自己参数习惯的那组稳定配置。每次只改一个变量记录输出才能逐步逼近你硬件条件下的清晰度上限。
