在 Windows 本地部署 MiniMax H3：用 DeepSeek Harness 生成视频与音频

答案是：当然可以。下面三段视频都是这次本地部署后生成的：一只骑车的鹈鹕、海边灯塔，以及雨天桥上的连续镜头。看完这几条样片，我觉得效果还不错；这只是个人主观观感，仅供参考，不代表每次生成都能稳定做到同样的镜头和细节。

整体部署思路

MiniMax H3 不是负责对话的文本大模型。在这套方案里，DeepSeek Harness 使用文本模型理解请求、决定何时调用工具；真正生成视频和音轨的是本机 ComfyUI 中加载的 H3。H3 的音视频在同一条生成过程中建模，输出 MP4 里包含视频和立体声音轨。MiniMax 的模型说明把 H3-Base 的视频与音频潜变量描述为联合预测。

1
2
3
4
5

DeepSeek Harness / DeepSeek v4
  └─ 理解文字、组织参数
      └─ stdio MCP：传提示词和文件路径
          └─ ComfyUI HTTP API：127.0.0.1:8189
              └─ MiniMax H3-Base FL2VA：生成视频和音频

MCP 服务器只负责把 Harness 的工具调用转换成 ComfyUI 工作流：提交 /prompt、轮询 /history，最后把生成文件路径交回 Harness。它本身不加载模型，也不占用主要显存。

这里的“本地部署”说的是视频推理和文件生成运行在本机。Harness 使用的文本模型是另一部分，整条链路不是离线运行（当然你如果本地再部署对应文本模型即可离线运行了，详见：>>）。

ComfyUI + MiniMax H3

实测机器是 Windows 11、Ryzen 9 9950X3D、64 GB 内存和 RTX 5080 16 GB。已有 ComfyUI 版本是 0.37.0（之前本地部署生图模型时有介绍过，详见：>>），H3 所需节点和工作流模板已经包含在内，所以我复用了上一期的源码和 Python 虚拟环境，没有另装一份 ComfyUI。ComfyUI 的 H3 文档也说明，H3 工作流由原生节点支持；模型文件则可以放在单独目录，再通过模型路径配置接入。ComfyUI MiniMax H3 文档

本次使用的是 H3-Base 的 FL2VA 路线。核心文件分布在扩散模型、文本编码器和视频、音频 VAE 中；Turbo LoRA 和风格 embedding 用于可选的快速预览与风格控制。

基础模型文件合计约 37.3 GiB，带上 LoRA 和 embedding 后约 39.15 GiB。它显然装不进 16 GB 显存，但 ComfyUI 可以把模型分阶段载入显存，需要时再从系统内存换入。这里的 16 GB 是本机跑通的配置，不是对其他机器的最低要求。

实际下载时我把文件名作为位置参数传给 hf download，PowerShell 里不把一长串 --include 和续行混在一起：

1
2
3
4
5
6
7
8
9
10
11
12

$env:HF_HUB_DISABLE_XET = "1"
$H3HfExe = 'E:\Agent\Projects\ConfyUI\venv\Scripts\hf.exe'
$H3ModelRoot = 'E:\Agent\Projects\MiniMax-H3\models'
$H3Files = @(
  'diffusion_models/minimax_h3_fl2va_pruned_int8_convrot.safetensors'
  'text_encoders/qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors'
  'vae/minimax_h3_video_vae_int8_convrot.safetensors'
  'vae/minimax_h3_audio_vae_fp32.safetensors'
  'loras/minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors'
)
& $H3HfExe download Comfy-Org/MiniMax-H3 @H3Files `
  --local-dir $H3ModelRoot --max-workers 4

10 个 embedding 是可选项，可以单独用 --include 'embeddings/*' 下载。PowerShell 的命令续行符是反引号；当时参数被错误拆开后，命令提示忽略 --include，但没有把这当成成功，而是回到模型目录核对实际文件。

我把模型单独放在 E:\Agent\Projects\MiniMax-H3\models，然后只在已有的 extra_model_paths.yaml 里追加一段：

1
2
3
4
5
6
7

minimax_h3:
  base_path: 'E:\Agent\Projects\MiniMax-H3\models\'
  diffusion_models: diffusion_models
  text_encoders: text_encoders
  vae: vae
  loras: loras
  embeddings: embeddings

已有的 qwen_image 段保留原样。这样两个项目共用 ComfyUI 运行环境，但模型文件、工作流、日志和输出目录各自管理。下载时我也逐个核对了模型文件字节数，而不是只看目录里有没有同名文件。

下载 19.5 GiB 的 DiT 权重时，hf download 有一次跑了 25 分钟，.incomplete 仍是 0 字节。同一地址的 Range 请求却能正常返回，说明当时卡在下载工具的连接上，不是模型文件不可达。我最后用 6 路分段下载器分别写入临时分片，支持中断续传，拼接后再核对目标字节数；完整文件花了约 80 分钟。这个过程比重试整条生成工作流快得多。

另一个小坑是 PowerShell 多行参数：最初用 --include 的命令只拉下了 14 个文件，漏掉了最大的 DiT。后来我检查实际文件清单和大小，并用明确的文件参数补齐。模型下载完之后，ComfyUI 启动日志和一次实际出片才共同证明各类权重都被识别。

CUDA 构建版本踩坑记录

虽然 ComfyUI 已经能找到 H3 节点，原来的 PyTorch 还是 2.11.0+cu128。启动日志显示 comfy_kitchen backend cuda 被标为 disabled: True。检查 ComfyUI 的 quant_ops.py 后发现，CUDA 版本低于 13 时，启动代码会禁用 comfy_kitchen 的 CUDA 后端；升级到 cu130 后，日志变成 disabled: False，并列出 INT8 等原生算子。对应源码

我在原虚拟环境里固定 PyTorch 和 torchvision 版本，只换 CUDA 构建：

1
2
3

E:\Agent\Projects\ConfyUI\venv\Scripts\python.exe -m pip install `
  torch==2.11.0+cu130 torchvision==0.26.0+cu130 `
  --index-url https://download.pytorch.org/whl/cu130

升级后确认的关键日志是 pytorch version: 2.11.0+cu130、Device: cuda:0 NVIDIA GeForce RTX 5080，以及 CUDA backend 的 disabled: False。Comfy 的 H3 模型仓库也把 INT8 ConvRot 标为适合 cu130 的扩散模型格式。Comfy-Org/MiniMax-H3

这能证明加速后端已经启用，但我没有用相同提示词分别在 cu128 和 cu130 下做对照计时，所以不写一个未经本机验证的性能倍数。显卡能跑、权重能加载和某个算子确实被本次工作流使用，是三种不同的证据。

第一次出片，最后一步才报错

H3 的扩散和 VAE 都跑完后，第一次真实出片还是失败了。错误落在最后的 SaveVideo 节点：

1

SaveVideo.execute() missing 1 required positional argument: 'format'

奇怪的是，提交工作流时 ComfyUI 的 API 校验已经通过。为了不每次都等模型跑几分钟，我做了一个不加载 H3 的廉价探针：EmptyImage → CreateVideo → SaveVideo。把 8 种候选输入形状跑一遍后，发现 DynamicCombo 需要的是选项键字符串：

1
2
3
4

{
  "format": "mp4",
  "codec": "h264"
}

直接传嵌套字典，或者把输入写成 format.format 这样的点号键，都无法按预期映射到执行参数。改成字符串后，探针不到一秒就能验证保存节点，再运行完整模型才成功。

这次排查也给我一个很实际的提醒：API 的结构校验通过，不等于节点运行时拿到的参数形状正确。遇到这类错误，先把工作流缩到不加载模型的最小版本，试错成本会低很多。

把 H3 注册成 Harness 工具

MCP 配置用 stdio 启动本机 Python 虚拟环境里的服务。serverName 决定工具的名字前缀；COMFYUI_URL 指向视频实例的 8189 端口。视频生成时间比一次普通工具调用长得多，所以超时设为 45 分钟：

1
2
3
4
5
6
7
8
9
10
11
12
13

- insert:
    - id: mcp-comfyui-h3
      name: '@deepseek-ai/dsh-mcp-client'
      config:
        serverName: comfyui-h3
        transport: stdio
        command: 'E:\Agent\Projects\ConfyUI\venv\Scripts\python.exe'
        args:
          - 'E:\Agent\Projects\MiniMax-H3\mcp\comfy_h3_mcp_server.py'
        env:
          COMFYUI_URL: 'http://127.0.0.1:8189'
        toolCallTimeoutMs: 2700000
        failOnStartupError: false

示例里的磁盘路径需要换成本机实际位置。配置加载后，Harness 里出现四个工具：

这是 DSH 的启动 overlay；新增或修改配置后需要重启 Harness，工具才会出现在新会话里。

--patch 的作用是把 MCP 工具注册到 Harness 会话，不会因此把模型提前装进显存。8188 的 Qwen 生图实例和 8189 的 H3 实例是两个进程，却共用一张 16 GB 显卡；H3 工具在提交生成任务前会请求 Qwen 实例卸载模型，让 H3 使用显存。进程仍然运行，下一次生图时再重新载入，代价是等待模型回到显存。

有个容易误判的细节：ComfyUI 的 POST /free 成功时会返回 HTTP 200，但响应 body 为空。如果 MCP 服务器接着把空字符串交给 JSON 解析，就会把成功误报成失败。

使用MCP stdio 实测生成了一条 832×480、56 帧、8 步的视频，用时 27.1 秒。之后的 Harness 会话也实际触发了工具、生成并展示了视频，后面三段样片就是从本地 H3 实例生成的。

速度和显存：分辨率上去，等待时间也上去

RTX 5080 16 GB 上的几次测试如下。三条主要数据来自 5 秒请求；768p 是 1344×768，480p 是 832×480。

前两项是在模型已载入后的热跑；第一次冷启动还要增加约 1–2 分钟的模型加载时间。像素数变为约 2.5 倍，20 步测试耗时从 110 秒增加到 511 秒。分辨率、时长和步数都会影响等待时间，Turbo 预览适合先看大方向，不能把它的速度直接当成高步数成片的速度。

768p 推理期间，每 5 秒采样一次，显存峰值为 15,743 / 16,303 MiB（96.6%），系统内存占用峰值约 32.5 GB / 64 GB。H3 的 DiT 权重大于显卡显存，日志显示 ComfyUI 把约 19,995 MB 的模型 staged 到 dynamic VRAM 路径。

三段本地生成的视频

第一条是白色鹈鹕骑着红色复古自行车，篮子里装着鱼，沿海边木栈道前进。这条 768p 样片使用 Turbo LoRA、6 步，生成耗时约 173 秒。成片是 1344×768、24fps、124 帧，时长 5.167 秒；我从头到尾看下来，场景和主角都比较完整。

第二条是暴风雨前后的海边灯塔，浪打在岩岸上。它同样是 1344×768、24fps、124 帧，时长 5.167 秒，也有 AAC 立体声轨。

第三条是雨天桥上的多镜头片段，画面在城市远景、黄色雨衣和红色保温杯的特写之间切换。它长 8 秒，有 192 帧，视频和音频编码规格与前两条相同。

这三条 MP4 都经媒体探测确认有 H.264 视频流和 AAC 32 kHz 双声道音轨。探测到音轨只能说明文件里有音频及其编码信息，不能替代对声音内容和音量的主观检查。

结尾

这次完成的是本机 ComfyUI 上 H3-Base FL2VA 的短视频生成，再通过 MCP 让 DeepSeek Harness 以工具方式发起任务。16 GB 显卡可以通过量化权重和 dynamic VRAM 跑出 768p 视频，不过单条 20 步样片要等几分钟，显存和系统内存都接近高位；如果希望快速确认提示词方向，480p Turbo 预览更合适。

本机实测走到 768p。MiniMax 当前文档中的完整 2K 路线还组合了托管的 H3-Context-IR 与 H3-Regenerate-2K 阶段；这篇记录没有部署或验证那条链路。官方工作流说明对本地 H3-Base 和完整 2K 流程分别说明。

还有许可证问题。MiniMax H3 Community License 当前文本列出适用地区的排除范围，并对商业产品和服务写有额外条件；ComfyUI 的 H3 教程则称本地生成结果用于商业用途需要相应许可。两处说明不宜被压成一句“可以商用”或“只能非商用”，实际使用前应分别阅读模型许可证和ComfyUI 官方教程，按自己的部署和用途核实。

如果我还要继续调提示词，会先用 480p Turbo 看动作和构图方向，再跑 768p 成片。没准2027年个人可以实现生图生视频自由，显然短剧的春天已经到来了～