兄弟们，我又给你们找了 H3 的好东西，让你们少走弯路！ 上篇文章已经讲过官方 Skills、Turbo LoRA、长视频续接和 T8 音画工作流，这里不再重复。几天过去，我又跑了一轮实测，H3 现在多了三块值得补上的能力：更稳的 8V8A 成片参数、新的 Attention 后端、人物 LoRA 和低显存方案。 第一处更新是成片步数。 我把 Larry Turbo + T8 的 4V8A、6V8A、8V8A 都跑了一遍。同一个 Prompt、Seed 424242、Turbo v4 step600、CK Attention、864×480、124 帧，只修改 Video Steps。 4V8A：92.80 秒 6V8A：92.48 秒 8V8A：93.29 秒 最大差距不到 1 秒，这次样本里 8V8A 的动作完整性、人物轮廓和画面稳定性最好。 T8 的硬性规则是 Audio Steps ≥ Video Steps。音频固定 8 步时，4V、6V、8V 都要执行 8 次联合 DiT 调用，所以耗时落在同一档。20V8A 会直接报错；想跑 20V，Audio 也必须至少设成 20A。 4V4A 可以快速试提示词，声音更容易出现底噪、爆音和立体声不稳。我目前把 8V8A 设为正式出片默认值。这个判断来自一个 Prompt、一个 Seed，后面还需要继续扩样本验证。 第二处更新是 Attention。 上篇推荐的 Turbo + SageAttention 继续保留。现在可以分成两条路线： 路线 A：CK Attention 单独使用 路线 B：SageAttention，按显卡测试叠加 Sol-Attn CK、Sage、Sol 不应该同时写成一个组合。测试 CK 时，我会关闭 Sage 和 Sol，只替换 Attention 计算后端。 我在 RTX 4090 48GB 上做了单变量 A/B：同一模型、Prompt、Seed、分辨率、帧数和 25 步采样，只把 PyTorch Attention 换成 CK。 原版：272.70 秒，约 9.88 秒/步 CK：239.70 秒，约 8.52 秒/步 总耗时快 12.1%，采样快约 13.8%。两段画面结构和动作高度一致，没有发现明显画质退化，但并非逐像素相同。 CK 项目： ComfyUI 官方 PR： Sol-Attn： 我通过 ModelAttentionBackend 节点只给 H3 启用 CK，没有使用全局 --use-ck-attention。升级时还遇到一个坑：旧版 ComfyUI-MiniMaxH3-Cache 与新版 ComfyUI 存在 time_shift_slope 兼容错误，更新前要先检查 Cache 插件。当前 CUDA 12.8 已经获得 12.1% 提升；完整优化内核需要 CUDA 13，额外收益我还没有实测。 第三处更新是人物 LoRA。 上篇说人物和画风 LoRA 还没成气候，这个状态已经变化。Realism People LoRA 用 176 段真人视频训练，主要改善皮肤、五官和人物质感： fal 也开放了 H3 LoRA Trainer。准备至少 10 段视频，就能训练自己的角色或风格，权重可以下载回本地工作流： 第四处更新是低显存。 ClipProj 用 4B/8B 投影模型替换 32B 文本编码器，把这一部分的显存占用从约 15.7GB 降到约 4.5GB： 低显存实机演示： H3 GGUF 给 33B 主模型提供 Q2—Q8 量化，再配合 CPU offload，8—16GB 显存可以跑 480p 预览： ClipProj 负责缩小文本编码器，GGUF 负责压缩主模型。低显存方案解决“能不能跑”，生成速度和画质仍然取决于量化等级、内存与 offload。 上篇提到的 h3-prompt-writing 也有了具体使用演示： 它可以帮 Claude、Codex 写镜头、对白和声音提示词。Agent → ComfyUI API → Remotion 的全自动链路还在继续打通。 我现在的 H3 路线已经固定下来：官方 Skills 写提示词；Larry Turbo + T8 用 8V8A 出片；Attention 选择 CK 单独使用，或者 Sage + Sol；Realism People 或 fal Trainer 处理人物 LoRA；ClipProj + GGUF 负责低显存预览。

如何快速消耗Codex？ 如果你的 Codex 额度一直用不完，可以试试 Subagent workflow。 主 Agent 会拆分任务，同时启动多个 Subagent 并行处理。一个查资料，一个读代码，一个跑测试，一个做 review，最后统一汇总。 每个 Subagent 都有独立上下文和工具调用，额度消耗会明显加快。复杂调研、Bug 排查、代码审查、多方案对比，也能一起推进。 直接对 Codex 说： “把任务拆成可以并行的部分，分别交给多个 Subagent，全部完成后统一汇总。” 同一笔额度会同时投入调研、测试和审查，过期前能换回更多可用结果。 当然我觉得这个不如Claude Code的Dynamic Workflow消耗快，你觉得呢？

怎么判断一条 AI 长镜头是不是拼出来的？ 行内人看三个地方： → 亮度爬升：每段生成的头几帧会整体变亮，拼接处画面会“呼吸”一下 → 动作回正：段落交界处人物动作会微妙地打个顿，重新起势 → 二级运动断层：头发、衣摆、水花的摆法，接缝前后会突然换一套 我自己产线里治这三样的工序是删帧、补帧、接缝窗口归一，一条片能磨一晚上。 拿这条片练手：30 秒鸡追人，穿三条街带转角，我按这三条找了一遍，没找到缝，是一遍生成的。 Seedance 2.5 出的，最近在 Higgsfield 上不限量最多 33 天，测长镜头不心疼额度。

MiniMax H3 官方 API 有个很好用的功能Context-IR 深度解析多模态信息，将情绪拆成细腻动作、运镜与声音设计，让生成结果更连贯、真实。 但是本地如何用呢？ 流程很简单： 原提示词 + 首帧 → 云端 Context-IR → 返回增强提示词 → 本地 H3 生成 768P 视频 需要四个条件： 1. 本地 H3-Base 能运行首帧生视频使用 FL2VA 模型；现有 ComfyUI 工作流能生成即可。 2. MiniMax 开放平台账号需要 API Key，并保证账号有可用额度和接口权限。 3. 允许素材上传云端分析原提示词和首帧需要发送给 Context-IR。它只返回增强提示词，不生成视频。 4. 增加一个 API 节点或脚本调用 POST /v2/h3_context_ir，轮询任务状态，取得 task.content.prompt，再把它填入本地 H3 的提示词输入。

这个视频很火 但一看就知道MiniMax H3的声音没处理好 为了加速Turbo 4步后，虽然视频效果没问题，但是声音就出问题了：嘈杂，背景音很燥 试试恢复到audio 8步后，声音效果应该就能好

玩 MiniMax H3 的,这 4 个仓库直接收藏,少走一星期弯路: 1⃣ MiniMax-AI/MiniMax-H3 官方仓库,重点不是权重,是里面带的 9 个 Skill——h3-prompt-writing 能让 Claude/Codex 替你组织镜头、对白、环境声,等于白嫖一个本地版提示词导演。 2⃣ larryvrh/MiniMax-H3-Turbo-Lora 目前最成熟的加速 LoRA,20 步压到 4–8 步:4 步出预览,6–8 步出成片。别信"5×"的传法——那是采样步数,端到端实测 3.9×(14 秒片从 15:57 到 4:03),VAE 解码和封装不跟着缩。 3⃣ NikoDemon80/ComfyUI-H3-Motion-Context 长视频续接。H3 单次上限 15 秒,要更长的分镜连贯生成,试试它。 4⃣ T8mars/comfyui-minimax-h3-audio-T8 音视频工作流合集,想把 H3 的声音能力用足的看这个。 实测最稳的加速组合:Turbo LoRA + SageAttention。EasyCache 是给原生 20 步准备的 , 跟 4 步 Turbo 不叠加,实测还多 5% 的监控开销,别全都开。 顺带说一个现状:H3 的 LoRA 生态现在热的是加速,人物/画风训练还没成气候,想训角色的再等等。 我下一步想打通的玩法 : Agent 调 h3-prompt-writing 写提示词 → ComfyUI API 出片 → Remotion 自动剪,全链路无人出片。通了发出来。 觉得有用,给这几个仓库个⭐️,链接👇 链接清单(放法你定:要么开评论贴,要么正文每条后面直接跟): (注意 2⃣ 是 HuggingFace 不是 GitHub)

我艹，Seedance 2.5: 无限用，真敢放！🤯 Higgsfield 这次是真敢放： Seedance 2.5，眼下最贵的视频模型，在 Higgsfield 上直接 33 天无限用，零积分成本。 30 秒单镜头直出、音画一次生成、50 路参考锁脸、局部编辑不用整条重跑。做视频的知道，这几条背后分别对应多少后期活。 一个月不用数着额度过日子，玩法就变了： → prompt 和参考组合一次测饱，攒出自己的配方库 → 给客户出片敢多做几版备选，不心疼额度 → 同一条片做两遍挑好的发，产能上来了才敢这么干 → 顺手冲一下他们 100 万美金的 AI 电影节 先听我挂的这条片：对白、笑声、环境音是跟画面同一遍生成的，后期一层都没贴。

太卷了，太卷了！ 我都测累了！！ H3把自己开源，然后跟全世界一众大佬跟着赛跑 官方说后续会开源2k节点，看来清晰度也不用担心了

Claude Code早该有这个新功能：你的会话现在可以互相通信了。 以前你需要在另一个会话里重新解释一遍，现在你可以直接让 Claude 来做。 它会发送一个摘要（不是你的历史记录或文件），另一个会话就能在执行任务的过程中接收到。

做 AI 视频跑量的都懂 : 烧钱最狠的不是出正片, 是试错，一个想法试十版,额度眨眼就没。 @TopviewAIhq 这波 Ultra 年费直接把上限拆了: Seedance 2.5,60 天不限量 , $0.12/秒 (据说是全市场最低) Wan 3.0,365 天不限量 , 全年随便跑 Seedance 2.5 出 30 秒长片、最多吃 50 个多模态参考 , 人物一致性稳 , 拿来出正片; Wan 3.0 拿来大批量试错迭代。 一个管精 , 一个管量 , 批量产片这套算是配齐了。

有没有人跟我一样,受够了 Agent 一关会话就全白干? 装好的依赖、拉一半的仓库、跑出来的中间产物,第二天全没了,活儿从零再来。 Cloudflare 开源的 computer 治的就是这个,一天涨了 2690 个 star。 思路很直接:用 SQLite 给 Agent 做一块重启后还在的工作盘。同一批文件,Linux 容器、Shell、隔离 JS 三种执行后端都能接着用。 说准确点:它做的是持久化的文件工作区,别当成"Agent 永久记忆"——记忆记的是对话,它存的是文件。 目前还是 Preview,官方自己说只适合实验;单工作区 10GB,大文件 I/O 和完整 npm install 比本地磁盘慢不少。先拿实验项目玩起来👇

做了一年 AI 视频，我把产线里最烧时间的环节排了个序 最烧的居然是返工，渲染和出图都排不上号。 脚本改三遍、素材对不上、配音和画面节奏差半拍，每一样都要回头重来。模型生成那几分钟根本不算成本，人来回抽卡改才是。 所以我现在的产线原则就一条：每个环节的产出，要能直接进下一个环节。 策划出来的就是分镜表，分镜表里就带素材关键词，配音长度直接决定剪辑点。工具能串起来的就不要人肉搬运，剪辑合成这类标准活我有些直接在 CapCut 里跑完，Seedance 2.5 现在也在里面，素材不用出软件。 产线顺了之后最大的变化不是快，是敢接量了

0基础祖传三代文科生 9个月学CS和AI逆袭 如今，粉丝12K，月入过万 1️⃣2025年11月 报名@GoSailGlobal 和@lxfater X打卡21天训练营 2️⃣2026年2月 做出了openviking的第一个社区插件 并得到了官方关注 3️⃣机缘巧合认识了@servasyy_ai 得到无私的技术指导 4️⃣2026年3月入职@evermind 成为开发者关系大使与彦祖@elliotchen100 一起工作 我将继续分享agent memory 、agent harness 以及学习AI的个人成长历程

MiniMax H3 刚放出来，社区已经把「导演台」工作流交上来了。 模型是官方的，能直接开拍的流程是社区补的——这才是开源真正发生的地方。 我整理进 GitHub 了：