Abiray/Minimax-H3-nvfp4-INT4-INT8-Convrot · Hugging Face

MiniMax H3 - 量化与剪枝合集（INT4 / INT8 / NVFP4）

本仓库是一个社区整理的MiniMax H3（Hailuo 3.0）(https://huggingface.co/MiniMaxAI/MiniMax-H3) 量化与剪枝权重合集，专为 ComfyUI 等本地推理环境优化。

通过将各种量化格式（INT4、INT8、混合精度和 NVFP4）统一整合到单一结构化仓库中，本中心让使用消费级 GPU（16GB - 24GB 显存）的用户能够更轻松地体验 MiniMax H3 强大的全模态文本/图像/音频到视频生成能力。

💻 硬件与 GPU 选择指南（该下载哪个文件？）

如果你是本地生成的新手，不确定该下载什么，请根据你的显卡参考以下指南。

⚠️**关于 VAE 的说明：**无论你使用什么 GPU，每个人都必须下载/vae文件夹中的两个文件（minimax_h3_audio_vae_fp32.safetensors和minimax_h3_video_vae_fp16.safetensors）。

1. 标准高端 GPU（16GB 显存）

适用于 RTX 4070 Ti Super、RTX 4080 等。

• 扩散模型：下载INT4（MiniMax_H3_[...]_pruned_int4_convrot.safetensors）或MIXED（_mixed_int4_int8_）版本。
• **文本编码器：**下载qwen3vl_32b_minimax_h3_int4_convrot.safetensors

2. 发烧级 GPU（24GB 显存）

适用于 RTX 3090、RTX 4090 等。

• 扩散模型：下载INT8（MiniMax_H3_[...]_pruned_int8_convrot.safetensors）以获得最佳剪枝质量。
• **文本编码器：**下载qwen3vl_32b_minimax_h3_int8_convrot.safetensors

3. 仅限 Nvidia Blackwell GPU

仅适用于 RTX 5090、PRO 6000 及其他下一代 Blackwell 显卡。请勿为 30/40 系列显卡下载这些文件！

• 扩散模型：下载NVFP4（MiniMax_H3_[...]_pruned_nvfp4.safetensors）。
• **文本编码器：**下载qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors

FL2VA 与 Ref2VA（有什么区别？）

• **FL2VA：**如果你只想进行标准的文本到视频或简单的图像到视频（使用一张或两张起始/结束图像），请下载此版本。
• **Ref2VA：**如果你想使用高级全模态参考（多张图像、视频片段或音频输入），请下载此版本。

📦 包含的文件与格式

本仓库采用统一的命名规范（MiniMax_H3_FL2VA_*和MiniMax_H3_Ref2VA_*），便于集成到你的本地流水线中。

1. 扩散模型

• **MIXED INT4/INT8：**混合精度模型。需要 15GB+ 显存（约 15.5 GB）。
  • MiniMax_H3_FL2VA_pruned_mixed_int4_int8_convrot.safetensors
  • MiniMax_H3_Ref2VA_pruned_mixed_int4_int8_convrot.safetensors
• **INT8：**最高质量的剪枝模型。需要 24GB+ 显存（约 21 GB）。
  • MiniMax_H3_FL2VA_pruned_int8_convrot.safetensors
  • MiniMax_H3_Ref2VA_pruned_int8_convrot.safetensors
• **INT4：**面向标准消费级硬件的高压缩模型（约 11.3 GB）。
  • MiniMax_H3_FL2VA_pruned_int4_convrot.safetensors
  • MiniMax_H3_Ref2VA_pruned_int4_convrot.safetensors
• **NVFP4：**实验性 Nvidia 4 位浮点模型（需要 Blackwell 架构）。
  • MiniMax_H3_Ref2VA_pruned_nvfp4.safetensors（12.5 GB）
  • MiniMax_H3_Ref2VA_nvfp4_mixed.safetensors（24.4 GB）
  • MiniMax_H3_FL2VA_pruned_nvfp4.safetensors（12.5 GB）

2. 文本编码器（/text_encoders）

• qwen3vl_32b_minimax_h3_int4_convrot.safetensors（15.0 GB） - 推荐用于 16GB GPU
• qwen3vl_32b_minimax_h3_int8_convrot.safetensors（27.1 GB） - 推荐用于 24GB GPU
• qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors（15.7 GB） - 适用于 Blackwell GPU

3. VAE（/vae）

• minimax_h3_audio_vae_fp32.safetensors（605 MB - 音频解码器）
• minimax_h3_video_vae_fp16.safetensors（5.21 GB - 视频解码器）

原始 MiniMax H3 系统概述

MiniMax 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，并能以原生的立体声音频生成分辨率高达 2K、时长最长 15 秒的视频。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和生成能力，能够在遵循复杂多模态指令方面表现出色。

H3 支持以下输入和输出规格：

模型变体与输入规格

模型架构

H3-Context-IR

H3-Context-IR 是一个托管的预处理与编排系统，专为自由形式的多模态输入设计。它解释文本、图像、音频和参考视频之间的关系，以及这些素材与预期生成输出之间的关联。H3-Context-IR 将其对上下文的理解决序化为一种 H3-Base 可接受的结构化表示。

H3-Base

• H3-Base 使用相应的编码器或 VAE 对不同模态进行编码，并将编码后的表示组织成统一的打包多模态序列。
• 具体而言，文本由 H3-Encoder 编码；视觉输入由 H3-Encoder 和 H3-VisualVAE 共同编码；音频仅由 H3-AudioVAE 编码。
• H3-Omni-Transformer 联合预测视频和音频潜变量，然后分别解码为视频和立体声音频。

H3-Encoder

• H3-Encoder 使用 Qwen3-VL-32B 的完整预训练权重，并将其第 50 层的隐藏状态提供给 H3-Omni-Transformer。

H3-VAE

• H3-VisualVAE 是一个时间因果视频自编码器，空间压缩倍率为 16×，时间压缩倍率为 4×，具有 24 个潜变量通道（f16t4d24）。
• H3-AudioVAE 对左右声道使用相同的编码器和解码器，同时独立处理每个声道。它将 32 kHz 音频压缩为时间速率为 40 Hz 的潜变量 token 序列。

H3-Omni-Transformer

• H3-Omni-Transformer 是一个 33B 参数的密集单流 Transformer。
• 该模型使用三维多模态旋转位置嵌入（MM-RoPE）来表示时间维度和两个空间维度(t, h, w)上的位置关系。

许可证与法律声明

MiniMax H3（及其量化衍生版本）根据MiniMax H3 社区许可协议 (https://huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/LICENSE) 发布。

使用官方 API 时，用户提交的文本、图像和视频以及增强提示词均须经过自动审核。疑似非法、色情或侵犯第三方权利的内容可能会被屏蔽。这些护栏不影响被许可方在 MiniMax H3 社区许可协议下的义务，尤其是与合法使用和使用限制相关的义务。

原始创作者 / 联系方式

• 全球 API：platform.minimax.io (https://platform.minimax.io/)
• 联系邮箱：[email protected]