MiniMax H3 本地部署硬件与环境配置指南
MiniMax H3 是由 MiniMax 开源的通用全模态生成系统，能够基于文本、图像、视频和音频输入，生成最高 2K 分辨率、最长 15 秒并带有原生立体声音频的视频。本文整理 H3-Base 本地部署所需的硬件配置与环境要求，帮助开发者评估自己的设备是否满足运行条件。需要说明的是，实在Agent 已经内置了该模型，如果你使用实在 Agent 服务，无需自行处理以下部署配置。
一、模型版本说明
MiniMax H3 开源部分为 H3-Base（33B 参数），包含两个检查点：
- FL2VA：支持文生视频、首帧生视频、尾帧生视频、首尾帧生视频
- Ref2VA：支持参考图像（最多 9 张）、参考视频（最多 3 段）、参考音频（最多 3 段）的全模态参考生成
完整 2K 输出需要配合官方 H3-Context-IR API 和 H3-Regenerate-2K API 使用。本地部署默认输出 768p 分辨率。
二、硬件配置要求
2.1 显存（VRAM）要求
显存是本地部署最主要的瓶颈。根据不同的优化方案，要求如下：
| 部署方案 | 最低显存 | 说明 |
|---|---|---|
| NF4 量化 + Disk Offload | 约 6 GB | 纯文生视频（t2v）场景，权重存放在磁盘，按层流式加载 |
| NF4 量化（DiffSynth-Studio） | 7–8 GB | 框架自动管理显存，根据可用显存动态加载参数 |
| 非量化原生部署 | 12 GB+ | 推荐配置，需 64GB 系统内存 |
| DGX Spark 部署 | 110 GiB+ | 完整 FL2VA 检查点部署 |
如果你使用 NF4 量化版本配合 DiffSynth-Studio，通过 "vram_limit" 参数可以手动调节显存占用阈值，调小可进一步降低显存需求（代价是推理速度变慢）。
2.2 GPU 支持
H3 对 NVIDIA CUDA GPU 有原生支持。此外，以下硬件平台也已完成适配：
- AMD Instinct MI355X、MI300X（通过 ROCm + SGLang）
- 摩尔线程 MTT S5000
- 沐曦 曦云 C 系列 GPU
- NVIDIA RTX 3060 及以上消费级显卡
- NVIDIA RTX 5090（支持专用层卸载方案）
- Apple Silicon（Mac，通过 MLX 适配）
2.3 系统内存与存储
- 系统内存：推荐 64GB 以上
- 磁盘空间：模型权重下载约 42.5 GB（最小）；完整 FL2VA 检查点约 144 GB
- NF4 量化版本各组件大小：FL2VA DiT 主干 ~16 GB、Ref2VA DiT 主干 ~16 GB、文本编码器 ~15 GB、视频 VAE ~1.6 GB、音频 VAE ~271 MB
三、软件环境要求
3.1 推理框架
H3 支持以下推理框架，可根据需求选择：
- SGLang（推荐，官方文档提供完整部署指引）
- vLLM（含 vLLM-Omni）
- DiffSynth-Studio（ModelScope 官方推荐，NF4 量化版本最佳搭档）
- ComfyUI（版本 0.30.0 以上原生支持）
3.2 环境安装示例（DiffSynth-Studio + NF4 量化）
git clone https://github.com/modelscope/DiffSynth-Studio.git
cd DiffSynth-Studio
pip install -e "[quant]"NF4 反量化依赖 bitsandbytes 的 CUDA kernel，需确保 CUDA 环境可用。processor 和 tokenizer 需从原始仓库 MiniMax/MiniMax-H3 获取。
3.3 SGLang 安装
uv pip install "sglang[diffusion]" --prerelease=allow四、模型获取方式
模型权重可从以下平台下载：
- Hugging Face：
MiniMaxAI/MiniMax-H3 - ModelScope：
MiniMax/MiniMax-H3 - NF4 量化版本：
DiffSynth-Studio/MiniMax-H3-NF4
五、部署路径选择
根据你的需求，可以选择以下三种方式：
- 官方 API 直出（最省事） ：直接调用 MiniMax API 生成 2K 视频，无需本地 GPU。API 端点为
https://api.minimaxi.com（国内）或https://api.minimax.io（海外）。需在 platform.minimaxi.com 注册并获取 API Key。 - 本地部署 H3-Base（768p） ：通过 SGLang、vLLM 或 DiffSynth-Studio 在本地运行开源检查点。适合需要本地迭代和验证的场景。
- Full 2K 工作流：本地 H3-Base + 官方 Context-IR API + Regenerate-2K API 组合使用。
⚠️ 重要提示：官方建议即使本地部署了 H3-Base，也应先通过 H3-Context-IR API 处理输入，再将增强后的提示词喂给本地模型——Context-IR 对最终生成质量影响显著。
六、常见硬件适配参考
根据现有社区反馈，以下硬件配置可以顺利运行 H3：
- RTX 3060：可以运行 NF4 量化版本
- RTX 5090：支持专用层卸载方案
- NVIDIA DGX Spark（GB10, 128GB 统一内存）：已验证兼容
- Google Colab G4（RTX PRO 6000 Blackwell, ~96GB VRAM）：可运行
总结
MiniMax H3 本地部署的核心门槛在于显存。NF4 量化方案可将显存需求降至 6–8 GB，使 RTX 3060 级别显卡即可运行基础功能；非量化部署则需要 12 GB 以上显存 和 64 GB 系统内存。推理框架推荐 SGLang 或 DiffSynth-Studio，模型权重可从 Hugging Face 或 ModelScope 获取。如果你使用实在 Agent，该模型已经内置，无需自行处理上述部署工作。
