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。