企业官网建设流程全解析

把 MiniMax H3 这类视频生成模型跑在本地，正在成为很多开发者和创作者的新课题。原因倒不复杂：视频生成的调用成本高、数据出域很难接受，而且微调、抽卡、配合 ComfyUI 工作流反复调参时，在线网页很难提供足够的自由度。这篇文章就以 MiniMax H3 本地部署为例，梳理一条能够真正跑通的 ComfyUI 工作流路线，覆盖环境准备、模型权重获取、源码安装、节点依赖处理、提示词编写和报错排查。无论你是第一次接触本地 AI 视频生成，还是已经在 ComfyUI 里做过图生图的老手，都可以按下面的步骤搭出一套自己的视频生成环境。

需要先说清楚的是：AI 视频生成模型的迭代非常快，本文不打算把某个具体的版本号、显存数值或节点封装成“标准答案”，而是重点给出部署思路和工作流组织方法。即使你下载到的 MiniMax H3 权重版本与本文示例有差异，按这套思路调整也能尽量少走弯路。

1. MiniMax H3 本地部署思路与 ComfyUI 的关系

1.1 为什么越来越多项目选择本地部署视频生成模型

视频生成模型和普通文生图模型有本质区别。图片模型处理的是二维网格，单张图的推理只要几十秒内能返回就可以接受；而视频模型要处理几十甚至上百帧的时空序列，既要保证每一帧的画质，又要让帧与帧之间的运动、遮挡、光影保持一致。这意味着显存占用、缓存策略、解码流程都比图片生成复杂得多。

选择本地部署，最直接的原因通常是三个。

第一，数据隐私。业务素材、人物形象、产品画面往往是内部资产，不应该上传到公共服务。本地部署可以把模型权重和推理过程全部控制在自己的电脑或服务器上。

第二，调用成本。视频生成的在线计费通常按秒或按次计算，调试 prompt 时一次失败可能就浪费一次配额。本地部署后，只要电费和硬件允许，抽卡次数不再成为心理负担。

第三，生态联动。本地部署天然方便接入 ComfyUI 工作流，把文生视频、图生视频、参考视频、后期修帧等环节串在一起，形成可复用的自动化流程，而不是靠网页手动点击。

不过也要冷静看待本地部署的代价。视频生成模型动辄需要较大的模型文件，推理时需要长时间占用 GPU，普通轻薄本基本跑不动。所以在决定部署之前，先看清硬件能力比直接搜索“安装命令”更重要。

1.2 ComfyUI 是什么，它和 MiniMax H3 是什么关系

ComfyUI 是一个基于节点图的 Stable Diffusion 工作流工具，后来不断扩展，已经成为本地 AI 绘画和视频生成领域的重要前端之一。它本身不生产模型，也不负责算法研究，而是提供一套图形化流程控制能力。

用户可以把一个生成任务拆成多个节点：加载模型的节点、输入提示词的节点、控制分辨率的节点、采样器节点、解码器节点、保存视频的节点。这些节点用连线串起来，就形成了一条工作流。工作流可以导出为 JSON 文件，也可以分享给其他人使用。ComfyUI 的窗口化操作方式对新手来说有一个好处：每一步处理过程都可以直观看到，缺什么模型、哪一步报错，界面往往会有提示。

当社区讨论“MiniMax H3 ComfyUI 工作流”时，通常包含两层含义。

一层是模型侧：我们需要把 MiniMax H3 的开源权重下载到本地，通过 ComfyUI 的加载器完成模型读取。另一层是流程侧：我们需要在 ComfyUI 中搭建一套适合视频生成的节点流程，把 MiniMax H3 的能力暴露成可复用的工作流文件。

很多人误以为 ComfyUI 是一个单独的“软件包”，只要安装就能自动支持所有模型。事实上，ComfyUI 对视频生成模型的支持通常依赖两类东西。一类是自定义节点，也就是社区开发的定制节点包；另一类是模型文件和节点配置的匹配关系。版本不一致时，工作流导入会报错，最常见的就是“请安装缺失的包以使用此工作流”。

1.3 本地部署前必须澄清的五个误区

误区一：本地部署就是下载软件点下一步。这个想法只适用于整合包。真正的源码部署会涉及 Python 环境、CUDA 驱动、PyTorch 版本、模型文件路径等很多环节，任何一步不匹配都可能失败。

误区二：只要有 CPU 就能跑。视频生成模型虽然在 CPU 上也能做部分推理，但速度会慢到几乎不可用。实用级别至少需要一张显存足够的 NVIDIA 显卡并用 CUDA 加速。

误区三：模型文件下载完随便丢一个目录就能被识别。ComfyUI 对模型目录有约定，加载器节点也会读取特定路径。放错文件夹，前端可能有模型列表，但加载时仍然会报文件读取错误。

误区四：工作流分享出来就一定能直接跑。对方的环境缺少自定义节点、模型版本不同、Python 包版本不一致，都会导致工作流无法运行。导入别人的工作流之后，第一件事不是点运行，而是检查依赖。

误区五：提示词只影响画面风格。在视频生成中，提示词还会影响镜头运动、角色动作、时序逻辑。文本提示词写得不清楚，模型很难输出好的视频结果。

理解这些误区之后，下面进入实际部署。

2. 环境准备与版本选型

2.1 硬件基线怎么判断

这里不给出虚构的官方最低配置，因为在公开讨论中不同来源的说法并不统一，而且模型版本差异会直接影响硬件需求。但从现有部署经验看，建议优先考虑以下条件。

显卡方面，建议使用 NVIDIA 显卡并确保显存尽量大。视频生成模型比文生图模型更吃显存，一些较新的模型还需要加载文本编码器和视频解码器，单一模型的显存占用甚至可能超过普通 checkpoint。如果你想做高分辨率、长视频的生成，显存紧张会明显限制出片长度和分辨率。

内存方面，建议 32GB 起步。如果机器内存不足，模型权重加载和缓存交换都会很吃力，甚至出现进程被系统杀掉的极端情况。磁盘方面，模型文件通常从几个 GB 到几十个 GB 不等，要预留足够空间，并且尽量放在 SSD 上以缩短读取时间。

对于 AMD CPU，需要特别说明一个常见误解：AMD CPU 完全可以用来部署视频生成模型，因为 CPU 主要负责调度、数据预处理和一些非 GPU 加速的计算；真正决定推理效率的是显卡。如果你问的是 AMD 显卡而非 AMD CPU，情况就会复杂很多，目前本地部署的主流方案仍然以 NVIDIA CUDA 生态为主，AMD 显卡需要额外适配，能否跑通取决于对应模型与框架的支持情况，安装前应先去项目仓库或社区确认，不要默认认为可以照搬 N 卡教程。

2.2 操作系统与基础环境

Windows 和 Linux 都可以完成部署。Windows 下使用整合包较多，Ubuntu 等 Linux 发行版下使用源码部署更灵活。如果你已经有 Linux 服务器，建议直接在服务器上部署；如果你只是个人电脑上实验，Windows 完全可以。

Python 环境建议选择 3.10 或 3.11，这是目前本地生成类项目较为稳定的版本区间。显卡驱动需要先装好，并确认驱动版本支持当前 CUDA。判断 CUDA 是否可用的标准不是系统里有没有装 CUDA Toolkit，而是 PyTorch 在运行时报不报 CUDA error。

安装 Python 包时建议使用虚拟环境，避免和系统自带的 Python 环境互相污染。常见的做法是创建 conda 环境，也可以使用 venv。如果使用秋叶整合包这类一键包，内部通常自带运行时环境，不需要用户再配 Python；但在装 pip 包时要注意进入整合包自带的 Python 环境。

2.3 目录结构提前规划

本地部署容易越做越乱，因为一个项目会涉及多个模型文件、插件、工作流 JSON、输出视频、临时文件。建议在开始前就规划好统一目录。

下面是一个参考结构：

D:\AI_Lab\ ├── ComfyUI\ │ ├── custom_nodes\ │ │ └── ComfyUI-Manager\ │ ├── models\ │ │ ├── checkpoints\ │ │ ├── diffusion_models\ │ │ ├── vae\ │ │ ├── text_encoders\ │ │ └── clip\ │ ├── input\ │ ├── output\ │ ├── main.py │ └── requirements.txt ├── models\ │ └── MiniMax_H3\ │ ├── 模型说明.md │ └── 权重文件 └── workflows\ └── minimax_h3_video.json

ComfyUI 的models目录中，不同的子目录对应不同类型模型。checkpoint 文件夹通常存放完整模型；diffusion_models 存放独立的扩散模型主文件；text_encoders 和 clip 文件夹存放文本编码器。不同工作流使用的加载器不同，模型放置位置要参考工作流作者说明或加载器节点中的提示。

3. 获取 MiniMax H3 模型权重与 ComfyUI 运行环境

3.1 模型权重从哪里下载

MiniMax H3 的开源权重需要在官方或指定的模型仓库获取，通常会提供 Hugging Face 和 ModelScope 等渠道。由于网络状况差异，国内开发者更常使用 ModelScope 或镜像源。

下载模型时需要注意几个问题。

第一，不要断点中断后马上重跑。模型文件较大，建议使用具备断点续传功能的下载工具，或使用命令行工具下载。

第二，要注意权重文件格式。有些开源权重是 safetensors 格式，有些是多个文件分片，不要随意重命名或合并文件，否则模型加载器可能识别失败。

第三，确认工作流需要的是完整 checkpoint 还是拆分后的 diffusion model、text encoder、VAE。如果作者发布时本身就是三个部分，就要分别放入 ComfyUI models 目录下对应子目录中。

由于本文重点不是批量导入模型细节，具体文件列表请以你获取权重时的仓库 README 为准。下载完成后可以用一个简单命令确认文件大小：

ls -lh D:\AI_Lab\models\MiniMax_H3\

目录下应该能看到多个文件，其中核心权重文件的体积会明显大于其他辅助文件。

3.2 路线 A：源码安装 ComfyUI

源码安装适合想要深入调试、有命令行基础的开发者。步骤并不复杂，只要按顺序执行即可。

首先创建并激活虚拟环境。Windows 下使用如下命令：

conda create -n comfyui python=3.11 conda activate comfyui

然后克隆 ComfyUI 仓库并进入目录：

git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI

接下来安装 PyTorch。PyTorch 版本需要和 CUDA 驱动匹配。如果没有特殊要求，可以先去 PyTorch 官网生成对应安装命令。以 CUDA 12.x 为例，安装命令类似：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

注意这里的命令是示例，具体版本应以你本机驱动支持的 CUDA 版本为准。安装完 PyTorch 后，安装 ComfyUI 的其余依赖：

pip install -r requirements.txt

安装完依赖后不要急着启动。先确认当前 Python 环境能否识别 CUDA。可以运行下面这段验证代码：

import torch print("PyTorch 版本:", torch.__version__) print("CUDA 是否可用:", torch.cuda.is_available()) if torch.cuda.is_available(): print("当前显卡:", torch.cuda.get_device_name(0))

如果CUDA 是否可用输出False，说明 PyTorch 和驱动的匹配有问题，后面即使启动 ComfyUI 也只能用 CPU，视频生成会非常慢。

3.3 路线 B：使用秋叶整合包快速起步

对于只是想在本地快速体验 MiniMax H3，不想折腾 Python 环境的用户，使用秋叶一键整合包是更省事的选择。这类整合包通常已经把 ComfyUI 主程序、常用自定义节点、Python 运行时和依赖打包到一起，下载解压后即可启动。

秋叶 ComfyUI 整合包的版本更新比较频繁，使用前需要确认整合包版本是否支持你需要的视频生成模型。如果不支持，可以尝试更新整合包中的 ComfyUI 核心，或在custom_nodes中补充缺失的自定义节点。

使用整合包有一个容易混淆的地方：整合包启动器虽然很方便，但需要安装额外 Python 包时，不能直接使用系统 pip，否则会装到系统 Python 环境而非整合包自带环境。整合包一般会附带一个命令行入口或python目录，例如整合包目录\python\python.exe。在安装依赖时，要用这个解释器去执行 pip。

3.4 自定义节点与 ComfyUI-Manager

ComfyUI 的原生功能对图片生成支持较好，但视频生成往往需要更多自定义节点。MiniMax H3 工作流尤其如此，因为视频模型的输入输出与图片模型差异明显：需要视频解码器、参考输入、帧序列处理等能力。

建议首先安装 ComfyUI-Manager，它是 ComfyUI 的插件管理工具。通过它可以查看缺失节点、搜索和安装自定义节点，是工作流跑通的必备组件。

安装 ComfyUI-Manager 的方式是在custom_nodes目录下执行：

git clone https://github.com/ltdrdata/ComfyUI-Manager.git

Windows 下也可以把下载后的目录直接放到ComfyUI\custom_nodes中，然后重启 ComfyUI。重启后界面右侧或菜单栏中会出现 Manager 入口。

当你在网页端导入他人分享的工作流时，ComfyUI 可能会弹窗提示：

请安装缺失的包以使用此工作流。要安装缺失的节点，请先在你的 python 环境中运行...

这个提示说明当前环境缺少工作流引用的自定义节点或 Python 包。正确的做法不是忽略提示然后强行运行，而是先根据提示信息安装对应插件。一般来说，可以把缺少的插件名拿到 ComfyUI-Manager 里搜索安装；如果 Manager 里找不到，说明该插件可能在 GitHub 上比较小众，需要手动下载源码放进custom_nodes。

4. 核心拆解：MiniMax H3 视频生成工作流的逻辑结构

4.1 视频生成工作流与图片生成工作流的区别

在 ComfyUI 中，最基础的文生图工作流通常包含加载 checkpoint、CLIP 文本编码、KSampler 采样、VAE 解码、保存图像等节点。视频生成工作流则更复杂。

MiniMax H3 这类视频生成模型需要的输入通常不只是文本。它可能接收参考图像、参考视频、运动强度控制参数、帧数、宽高比等额外信息。因此节点图会从一条简单的线性链变成带有多个分支的结构。

不过可以把核心流程概括成几个阶段：

数据输入阶段：读取参考图、参考视频或直接设置空白输入，并设置视频帧数、分辨率、运动强度等参数。提示词被文本编码器处理成条件向量。如果使用参考视频，还需要对输入视频进行抽帧、缩放、编码等预处理。

模型推理阶段：MiniMax H3 主干网络接收条件向量和初始噪声，通过采样器逐步去噪，生成潜在空间中的视频帧序列。这里需要合适的采样器参数，包括 steps、cfg、seed 等。

视频输出阶段：潜在表示经过 VAE 解码变成像素画面，再将多个帧封装成视频文件，或输出为帧序列供后期处理。

这张流程看似复杂，但在 ComfyUI 中实现时，只要你加载的工作流是经过验证的版本，线路会自动连接好。你要做的是补齐模型文件与插件依赖。

4.2 同一个工作流文件跑不通的原因是什么

分享工作流时，文件里记录的是节点和连线关系，不包含模型权重与自定义节点的程序代码。因此拿到别人的工作流，相当于只拿到了一张电路的接线图，还要自己准备对应型号的“元件”。

如果加载后节点显示红色，或者控制台报错模块不存在，通常是因为缺少自定义节点。如果节点都在，但模型列表里找不到 MiniMax H3 相关项，则要考虑权重文件是否没有放在正确路径。如果生成时提示显存不足，则要降低分辨率、帧数或使用低显存启动参数。

工作流版本兼容是另一个容易被忽视的问题。ComfyUI 自身更新很快，旧的节点类型可能在新的 ComfyUI 版本中改名或废弃。导入工作流后看到“找不到节点类型”的报错时，除了安装自定义节点，还要检查 ComfyUI 核心版本是否过旧。

4.3 为什么提示词在视频生成中更重要

文生图时代，提示词写差一点也许只影响画面构图；但视频生成中，提示词还承担着叙事功能。MiniMax H3 的社区讨论中经常提到“ref2va 全能参考模式提示词编写规范”，核心思路实际上就是：当你使用参考图或参考视频时，提示词除了描述画面里有什么，还要告诉模型哪些内容要保留、哪些要发生变化。

如果只写一句“一个人跑步”，模型会自己猜测人物的长相、衣着、场景风格。如果参考图已经定义了人物长相，提示词可以写得更偏向动作和镜头描述。社区里较常用的方式是把提示词拆成几个部分，比如主体状态、动作细节、镜头运动、光线氛围、画面风格。分块描述比一串长难句更容易让模型理解。

但在没有查证 MiniMax H3 具体文本编码器特征之前，最好不要盲目断定它支持的语言范围。实际使用中建议用简洁的英文短句先测试，再逐步改成中文，对比效果无差异后形成自己的模板。如果发现中文描述效果不佳，可以尝试转换成英文描述再生成。

5. 完整实战：搭建并运行 MiniMax H3 工作流

5.1 启动 ComfyUI 并访问界面

以源码安装方式为例，在 ComfyUI 目录下执行：

python main.py --auto-launch

如果希望强制使用低显存模式，可以追加参数：

python main.py --lowvram

启动成功后，终端会输出一个本地地址，通常是http://127.0.0.1:8188，浏览器会自动打开 ComfyUI 界面。如果端口被占用，ComfyUI 会尝试使用下一个端口，注意查看终端输出的实际地址。

不建议第一次启动就盲目使用--lowvram，因为低显存模式会通过更频繁的显存交换换取可运行性，视频生成速度会受影响。可以先使用默认方式启动，如果出现 CUDA out of memory 错误再切换。

5.2 准备 MiniMax H3 工作流文件

在工作流准备阶段，强烈建议从可靠的来源获取已经验证过的工作流 JSON。可以观察 MiniMax H3 官方或社区作者发布的示例工作流，下载后导入 ComfyUI。

导入方法很简单：将 JSON 文件拖入 ComfyUI 界面，或点击界面上的 Load 按钮选择文件。如果你只有一张工作流截图，也可以直接拖入截图，ComfyUI 会自动尝试恢复截图内嵌的工作流信息。

导入后不要急着点运行，先逐项检查。下面用一个简化的工作流描述来说明你要检查的内容。这段不是严格的 JSON 工作流定义，而是帮助理解节点组织思路：

{ "说明": "MiniMax H3 视频生成工作流检查清单", "必需项": [ "MiniMax H3 模型加载节点", "文本编码节点", "参考图像/视频输入节点", "采样器节点", "视频解码节点", "视频保存节点" ], "待检查路径": [ "模型权重目录是否匹配", "文本编码器路径是否正确", "参考视频是否存在", "输出目录是否存在" ] }

如果你下载到的工作流包含额外自定义节点，ComfyUI 会在前端以红色缺块标识。此时点击 Manager，尝试安装缺失节点。

5.3 安装缺失依赖的实操示例

假设运行工作流时前端弹出提示，要求安装某些 Python 包。在源码安装环境下进入 ComfyUI 目录并执行：

conda activate comfyui pip install 包名

在整合包环境下，需要把命令改成整合包内的 Python。假设整合包解压在D:\ComfyUI_aki，安装命令如下：

D:\ComfyUI_aki\python\python.exe -m pip install 包名

安装完包后，重启 ComfyUI。重启后刷新页面，再导入工作流。

如果 ComfyUI-Manager 能识别缺失节点，它会推荐对应的 GitHub 仓库链接，点击安装即可。安装后同样需要重启。

5.4 编写第一版提示词并生成测试视频

为了让测试效果更可控，建议第一次不要使用复杂参考视频，先用简单的文生视频工作流验证环境。这里给出一组提示词示例，由于没有统一模板，请根据自己的模型版本调整：

正面提示词： a cinematic shot of a person walking through a rainy street at night, neon lights reflecting on the wet ground, camera follows behind, shallow depth of field, film grain, moody atmosphere 负面提示词： low quality, blurry, distorted face, deformed hands, flickering, text watermark

如果工作流支持中文输入，也可以先测试短中文提示词：“一个女孩在阳光下回头微笑，镜头从侧面缓慢推进，背景是城市公园，浅景深，电影感。”

生成测试视频时，先用较低的分辨率和较短视频时长验证流程。比如第一次可以只设置 8 到 16 帧，确认输出视频能正常保存后，再逐步提高帧数和分辨率。MiniMax H3 这类视频生成模型推理时间比较长，测试阶段应该尽量用短片段来排查问题，不要一上来就生成几十秒的高清视频。

5.5 观察运行过程与结果

运行过程中可以看两个地方确认模型是否正常工作。第一个是终端日志，正常情况下会输出加载模型、移动模型到 GPU、采样进度等日志。如果长时间停留在某一步，多半是显存不足或模型文件读取缓慢。第二个是显卡状态，可以用nvidia-smi查看显存占用和 GPU 利用率。

视频生成完成后，ComfyUI 会在输出目录生成一个视频文件。打开后检查几个方面：画面是否清晰、运动是否连贯、有无闪烁、文字或水印是否异常、参考物品的特征是否保持一致。视频模型出片不稳定是常见现象，如果生成结果不满意，不要急着改代码，先调整提示词、seed 和帧数。

6. 常见问题与排查思路

6.1 错误现象与解决方案对照表

6.2 安装缺失节点的标准处理顺序

遇到缺失节点报错时，最忌讳的做法是不断点击运行。正确顺序是先查看终端日志，确定缺失的节点名或 Python 包名；然后去 GitHub 搜索该节点的仓库；最后在 ComfyUI 的custom_nodes目录下克隆或手动下载，再重启。

如果同一个工作流缺失多个节点，而安装后仍然报错，多数情况下是节点之间存在依赖关系。举例来说，某个视频工具插件可能需要另一个底层图像处理库。此时应该回到该插件的 README，按它的依赖列表逐一安装。

6.3 生成质量不佳怎么调整

视频生成结果模糊、闪烁、动作僵硬，这类问题往往不是环境导致的，而是生成参数或提示词需要调优。建议按以下顺序检查。

先检查分辨率与帧数是否过小；视频模型如果输出分辨率过低，画面细节自然不够。接着检查采样步数和 cfg。步数过低会欠采样，cfg 过大可能让画面出现过饱和或伪影。再检查提示词中是否包含“缓慢、稳定、固定机位”之类容易限制运动描述的词汇。

如果使用参考图或参考视频，还要检查参考输入是否被过度放大或裁切。参考视频最好先裁剪成与目标分辨率一致的宽高比，避免模型自行变形。

7. 最佳实践与工程化建议

7.1 用虚拟环境和依赖快照管理环境

视频生成项目最怕“换了一台机器就跑不起来”。建议在环境能正常运行时导出依赖列表：

pip freeze > requirements_lock.txt

也可以把 ComfyUI 的版本、关键自定义节点的 commit 号记录在一个 README 文件中。以后重装环境时可以按这份记录恢复，不会出现“上次明明能跑，这次启动就报错”的问题。

7.2 工作流与生成的视频分开管理

本地生成视频后，输出目录会堆积大量测试文件。建议配置定期清理临时文件，或者把成功的视频和失败样本移动到不同文件夹。失败样本其实是宝贵调试数据，保留它们可以帮助定位提示词和参数的问题。

工作流 JSON 也要做好版本管理。每次调整后另存为新文件，命名时加入日期和关键参数，比如minimax_h3_video_ref_20250101.json。不建议直接覆盖旧文件，因为改参数之后可能再也调不回之前的出片效果。

7.3 模型下载和素材版权合规

本地部署不等于可以随意使用模型。模型权重有各自的许可证，使用时需要遵守开源协议要求，尤其注意是否允许商用、是否需要保留版权声明、是否限制二次分发。

用于生成视频的参考图、参考视频、人物肖像等素材，需要确认你有合法使用权。视频生成可能涉及深度伪造、虚假信息等安全风险，生成内容不得用于侵权违法用途，也不要生成涉及他人隐私或未授权肖像的视频。

7.4 避免在服务环境中使用过大分辨率

本地实验可以随意尝试高分辨率，但如果是在服务器或业务环境中部署，需要给不同任务设置资源上限。视频生成会长时间占用 GPU，过高分辨率可能导致同一块 GPU 上的其他任务被挤掉或 OOM。

建议在服务层做限制：限制单次任务的视频帧数、最大分辨率、最大并发数。同时增加任务队列或 GPU 独占机制，避免多个任务同时抢显存导致服务崩溃。

7.5 从出片稳定性的角度管理随机种子

视频生成具有随机性。同一个提示词，不同 seed 的输出可能差异很大。调试时建议先固定 seed，找到稳定可用的提示词之后，再放开 seed 做多样性抽卡。

每次生成要记录 seed 值。ComfyUI 的采样器节点通常会显示当前 seed，把 seed 和提示词一并保存到工作流命名或备注中，后续复现成功率会高很多。

7.6 关注 ComfyUI 和自定义节点的更新

本地部署不是一劳永逸。ComfyUI 和各类自定义节点都在快速迭代，新版本可能修复旧 bug，也可能引入不兼容变更。更新 ComfyUI 前，建议先备份custom_nodes和models目录，或者至少备份已经稳定运行的工作流 JSON。

如果担心更新导致现有工作流失效，可以保留两个 ComfyUI 目录，一个用于稳定出片，一个用于测试新版功能。实际项目中这个习惯能避免“为了更新一个插件，结果全套环境都崩了”的尴尬。

8. 写在最后：从跑通到用好还有多少路

MiniMax H3 本地部署这件事，真正困难的地方往往不是“下载一个模型”，而是把模型放入正确的 ComfyUI 运行环境，并理解视频生成工作流的内在结构。

如果你之前的经验只停留在文生图层面上，从图片生成切换到视频生成时，最需要调整的是思维模式：提示词要同时考虑画面内容和运动过程；显存不再只影响单张图大小，而会影响视频长度和流畅度；工作流是否跑通也不再只依赖模型文件，还要依赖自定义节点和版本配合。

这篇内容不可能覆盖每一个模型版本的具体差异，但核心方法应当是一致的：先准备环境，确认 CUDA 可用；再获取权重，严格按加载器路径放置模型；然后导入工作流，补齐自定义节点；最后用低分辨率短视频测试，逐步提高参数。

如果你准备在自己的电脑上安装，建议从源码安装或可靠的整合包版本开始，先跑通一个 8 帧短视频，再研究参考图、参考视频和各种生成参数。本地部署视频生成模型的坑，只有自己下载过一次、报错过一次、跑出第一段视频之后，才会真正形成完整认知。

希望这篇文章能帮你少走一段弯路，也祝你顺利跑出自己满意的第一段 AI 视频。