# [求助] MiniMax H3 ref_video（参考视频）输入完全不生效 — R9700 / ROCm 7.2.4
-
[求助] MiniMax H3 ref_video（参考视频）输入完全不生效 — R9700 / ROCm 7.2.4
环境：R9700（gfx1201）+ Ubuntu 24.04 + ROCm 7.2.4 + ComfyUI 0.30+，跑 H3 本地。图参考、音频参考都正常，唯独 ref_video（参考视频）输入完全不生效——输出画面跟参考视频毫无关系，试了一周了，来求助。
环境
项目 值 GPU AMD Radeon AI PRO R9700（gfx1201，32GB） CPU Intel Xeon E5-2667 v2（较旧，但应该不相关——同环境下图参考/音频参考都正常） RAM 64GB DDR3 ECC OS Ubuntu 24.04，ROCm 7.2.4 PyTorch 2.11.0+rocm7.2 ComfyUI master @ 1868372 模型 minimax_h3_ref2va_pruned_int8_convrot（19.5GB）+ qwen3vl_32b_nvfp4_awq（14.6GB）+ 双 VAE 启动参数 --use-pytorch-cross-attention --disable-pinned-memory --supports-fp8-compute --reserve-vram 0.9 --disable-smart-memory --bf16-vae --disable-dynamic-vram+HSA_OVERRIDE_GFX_VERSION=12.0.1问题
官方手册 2.2（动作/运镜参考）、3.1（角色物体编辑）等需要 ref_video（视频参考） 的 sample，全部跑完但输出完全不跟参考视频：
- 3.1 猫换狗：参考视频是「男生抱着猫」（15f67a0aaaad 官方素材），输出变成了「雪地里拉雪橇的人+狗」——场景、人物、动物全对不上
- 2.2 动作融合：参考视频是厨房洗盘子互甩泡沫，输出只有静态洗碗，甩泡沫动作完全没跟
- 2.3 音色克隆：音频参考（ref_audio）正常（音色跟得到）——说明参考链路本身是通的，就视频这条路不行
对比：ref_images（图参考）完全正常（1.1-1.9 几十个图参考 sample 全部 OK），ref_audios（音频）正常，唯独 ref_videos 无效。
已排查
排查项 结果 连法 VHS_LoadVideo → ref_videos.ref_video_0（IMAGE 帧）API 提交无 node_errors，源码头（nodes_minimax_h3.py）也有正常 encode ref_video + 塞进 minimax_refs conditioning 帧数规则 源码要求 17k+5（124=17×7+5 OK），且不超过输出帧数，源码会自动截 fps 参考视频 24fps（tooltip 要求 24fps） 原片 vs 缩细 官方原片（1080p+）和 832x480 缩细版都试过，同样不生效 官方连法 用官方 R2V 模板 + 手加 VHS 节点，也一样 时长/帧数 参考视频 2s-10s 都试过 想请教
- 有没有人在本地（ROCm / Linux）成功让 ref_video 生效的？连法截图/工作流能否分享一下？
- 是不是 H3 的 ref_video 参考在本地本来就很弱？（官方主打图参考，视频参考是不是还在 beta？）
- 会不会是 ROCm 上 minimax_refs（视频 latent）传递有问题？有人用同款卡在 NVIDIA 上对比过吗？
先谢过各位大佬
有需要我可以补上传测试视频和 workflow JSON。
Tags:
r9700rocmminimax-h3comfyuiref2va求助 -
1.在 ref2va 模式下，关键帧（Keyframes）和参考媒体（Reference Media）不能混用 检查下工作流，确保没有同时向模型输入 first_frame 或 last_frame 这类关键帧数据。一旦混用，ref_video 可能会被模型忽略 2.ref2va 模式下对音频识别有点问题 你把视频音频去掉试试？
-
图参考、音频参考都正常，唯独 ref_video 完全无效——这个组合其实把问题范围缩得很小了：refs 链路本身是通的（同一个 minimax_refs conditioning 通道），挂掉的只可能是「视频帧 → latent」这一段，或者模型变体本身。你官方 R2V 模板也试过还是一样，那基本可以排除工作流连法问题，火力集中在下面三处，按顺序排查：
-
先怀疑模型变体（概率最高）。minimax_h3_ref2va_pruned_int8_convrot 这个组合不是官方主推的标准档位，convrot 的旋转嵌入改动 + int8 量化，最容易静默干掉的就是视频 conditioning 路径——图/音频走的是另一条嵌入路径，所以它们还能正常。最快定位：换官方标准变体（minimax_h3_ref2va_pruned 或官方 FP8 版）用同一工作流跑一次。如果 ref_video 生效，就是变体问题，别在 convrot 上继续浪费时间。
-
再查 ROCm 启动参数。--supports-fp8-compute + int8 量化模型 + HSA_OVERRIDE_GFX_VERSION=12.0.1 的组合下，视频 latent 的 fp8 计算路径最容易出静默错误（图/音频 latent 小、容错高，所以不报错）。去掉 --supports-fp8-compute、保留 --bf16-vae，跑一次对照。
-
确认 ref_video 走的是哪个 VAE。H3 是双 VAE，视频参考必须由 video VAE 编码。如果节点把视频帧喂给了 image VAE，latent 就是垃圾数据但不会报任何错——这是「完全不生效」的经典成因。检查 minimax_refs 节点里 ref_video 的 latent 来源是不是 video VAE。
-
一个十分钟的自检，直接告诉你「到底进没进模型」：同一 prompt + 同一种子跑两次——一次接真视频，一次接同帧数的纯黑视频。如果两次输出几乎一样 → ref_video 根本没进模型（问题在 1-3 的某一环）；如果输出有变化但跟参考无关 → 进了模型但 conditioning 权重太低或 latent 已损坏。再进一步，在 encode 节点后挂 debug/preview 把 ref_video latent 存下来看帧间差异：如果各帧 latent 几乎相同，说明运动信息在编码阶段就丢了。
回答你问的第 2 点：H3 的 ref_video 确实比图参考弱（官方主推图参考，视频参考对动作/运镜的跟随度有限），但「完全无效」不是正常水平——正常情况至少动作/运镜会部分跟随。论坛里 TID:1040 在 N 卡 RTX PRO 5000 上跑 R2V 也出现「参考不生效、画面靠提示词臆测」的现象，说明这是 H3 视频参考通病 + 变体/预处理问题，不是 ROCm 独有。
第 3 点：同栈下图/音频参考都正常，说明 minimax_refs 的传递在 ROCm 上是通的，不太像 latent 传递的平台级 bug。结合第 2 点的 N 卡现象，先做上面的 A/B 测试和变体对照，大概率能定位到具体是哪一环。
-
-
我觉得吧，你让hermes或者codex试试看。因为复现你的场景很难，任何分析都是纸上谈兵。小特是AI，你不用看完这一大段，这和你问DeepSeek没啥区别。与其这样，不如让你的Agent尝试，90%可能搞定。
-
我觉得吧，你让hermes或者codex试试看。因为复现你的场景很难，任何分析都是纸上谈兵。小特是AI，你不用看完这一大段，这和你问DeepSeek没啥区别。与其这样，不如让你的Agent尝试，90%可能搞定。
@terry # Re: terry（topic 1063 — ref_video 求助帖）
回覆 @terry：「你让 hermes 或者 codex 试试看...不如让你的 Agent 尝试，90% 可能搞定」
感谢 @terry 建议。其实我这个帖子就是 Agent 挂上去的——Hermes 把环境、日志、排查过程都整理好了，然后我把帖子内容发给它一起看。这两天它已经按 bingqin 和 Xiaote 的方案把排查全跑完了，回来汇报一下结果：
测试样本都来自 MiniMax 官方 H3 使用手册：https://vrfi1sk8a0.feishu.cn/wiki/FIWjwgL33ipnkekzk30crmKUnIh（2.2/2.3/3.1 的官方输入和 prompt）
Agent 排查結果（全部實測）
1. A/B 自檢（同一 prompt「把视频中的猫换成狗」+ seed 42）：
测试 参考 结果 真视频 官方原片（男生抱猫） 雪地狗特写 — 冇转换 纯黑视频 832x480 黑 门口狗特写 — 有「猫→狗」转换 → ref_video「有进模型」（真视频锁死输出冇转换 / 纯黑自由发挥有转换），但「内容完全没跟」——像参考 latent 被当成关键帧锁死。
2. 变体对照： int8_convrot 和 fp8_scaled（新下 19.5GB）都一样不跟 → 不是变体问题
3. 参数/混用/VAE： 去 --supports-fp8-compute 冇分别；官方模板没有 first/last frame 输入（排除混用）；ref_video 由 video VAE 编码（log 确认）→ 全部排除
但係有新发现
跑完上面之后又测了几组，发现 ref_video 不是完全不生效，是按动作复杂度分的：
跟到的：2.3 音色克隆（金发男抱羊，静态）、3.1 加人（火星太空人平缓前行）— 人物场景服装全跟
跟不到的：3.1 猫换狗（镜头环绕+靠近+轻吻）、2.2 动作融合（甩泡沫）、街舞 — 全部放弃参考重新生成
所以结论：H3 的 ref_video 对「运动参考」能力有限——静态/简单动作能保留参考，复杂动作/镜头运动会直接放弃。
现在实际用法：图参考为主（完全正常），ref_video 只用简单动作场景，复杂动作走云端或者接受不跟。
-
现在 成品的 工作流很多了。自己折腾不如抄作业。
-
@terry # Re: terry（topic 1063 — ref_video 求助帖）
回覆 @terry：「你让 hermes 或者 codex 试试看...不如让你的 Agent 尝试，90% 可能搞定」
感谢 @terry 建议。其实我这个帖子就是 Agent 挂上去的——Hermes 把环境、日志、排查过程都整理好了，然后我把帖子内容发给它一起看。这两天它已经按 bingqin 和 Xiaote 的方案把排查全跑完了，回来汇报一下结果：
测试样本都来自 MiniMax 官方 H3 使用手册：https://vrfi1sk8a0.feishu.cn/wiki/FIWjwgL33ipnkekzk30crmKUnIh（2.2/2.3/3.1 的官方输入和 prompt）
Agent 排查結果（全部實測）
1. A/B 自檢（同一 prompt「把视频中的猫换成狗」+ seed 42）：
测试 参考 结果 真视频 官方原片（男生抱猫） 雪地狗特写 — 冇转换 纯黑视频 832x480 黑 门口狗特写 — 有「猫→狗」转换 → ref_video「有进模型」（真视频锁死输出冇转换 / 纯黑自由发挥有转换），但「内容完全没跟」——像参考 latent 被当成关键帧锁死。
2. 变体对照： int8_convrot 和 fp8_scaled（新下 19.5GB）都一样不跟 → 不是变体问题
3. 参数/混用/VAE： 去 --supports-fp8-compute 冇分别；官方模板没有 first/last frame 输入（排除混用）；ref_video 由 video VAE 编码（log 确认）→ 全部排除
但係有新发现
跑完上面之后又测了几组，发现 ref_video 不是完全不生效，是按动作复杂度分的：
- 跟到的：2.3 音色克隆（金发男抱羊，静态）、3.1 加人（火星太空人平缓前行）— 人物场景服装全跟
- 跟不到的：3.1 猫换狗（镜头环绕+靠近+轻吻）、2.2 动作融合（甩泡沫）、街舞 — 全部放弃参考重新生成
所以结论：H3 的 ref_video 对「运动参考」能力有限——静态/简单动作能保留参考，复杂动作/镜头运动会直接放弃。
现在实际用法：图参考为主（完全正常），ref_video 只用简单动作场景，复杂动作走云端或者接受不跟。
@alan.lgv60 以后别这样做，你大段AI的内容挂上来，论坛被谷歌判定为垃圾内容站点，现在已经被关沙盒一个月了都没放出来。
-
@alan.lgv60 以后别这样做，你大段AI的内容挂上来，论坛被谷歌判定为垃圾内容站点，现在已经被关沙盒一个月了都没放出来。
@terry 收到，抱歉抱歉，确实是我考虑不周。说明一下：我平时只是用 Hermes agent 帮忙起草技术内容，发出来的帖子都是我人工改过、自己组织过语言的，不会整段照搬 AI 输出。这次帖子内容偏长偏结构化，可能还是显得 AI 味重了，是我没把好关。以后发帖我会控制篇幅、更口语化一些再发，尽量不给论坛收录添负担。谢谢提醒，也给论坛添麻烦了。
-
这里面有几个可能的点：
1、你的提示词是按照官方的格式要求写的吗？是否阅读或引用了官方的提示词规则？
2、你的工作流用的是comfyUI模板中的r2v吗？这里面是没有关键帧的。
3、r2v是不能使用首尾帧这个参数的。@kop-wang
谢谢建议，这三点我都确认过：- 提示词是按官方格式写的——sample 全部用官方手册原文 prompt（MiniMax H3 使用手册：https://vrfi1sk8a0.feishu.cn/wiki/FIWjwgL33ipnkekzk30crmKUnIh ，2.2/2.3/3.1 的输入和 prompt 都取自这里），参考标签
<Picture N>这些也按规范引用 - 工作流用的就是 ComfyUI 官方 R2V 模板，只加了 VHS 节点连
ref_videos，没动其他结构 - 首尾帧没碰过——R2V 节点本身没有 first/last frame 输入，官方模板里也没有这个参数
所以这三点应该都排除了，问题大概率还是出在视频参考本身（动作复杂的参考跟不住）。虚心交流，一起进步
- 提示词是按官方格式写的——sample 全部用官方手册原文 prompt（MiniMax H3 使用手册：https://vrfi1sk8a0.feishu.cn/wiki/FIWjwgL33ipnkekzk30crmKUnIh ，2.2/2.3/3.1 的输入和 prompt 都取自这里），参考标签
-
问题是，我的生效，不代表你的也可以生效哦，最妥当的做法就是你share json & 素材让我测试
-
@kop-wang
谢谢建议，这三点我都确认过：- 提示词是按官方格式写的——sample 全部用官方手册原文 prompt（MiniMax H3 使用手册：https://vrfi1sk8a0.feishu.cn/wiki/FIWjwgL33ipnkekzk30crmKUnIh ，2.2/2.3/3.1 的输入和 prompt 都取自这里），参考标签
<Picture N>这些也按规范引用 - 工作流用的就是 ComfyUI 官方 R2V 模板，只加了 VHS 节点连
ref_videos，没动其他结构 - 首尾帧没碰过——R2V 节点本身没有 first/last frame 输入，官方模板里也没有这个参数
所以这三点应该都排除了，问题大概率还是出在视频参考本身（动作复杂的参考跟不住）。虚心交流，一起进步
- 提示词是按官方格式写的——sample 全部用官方手册原文 prompt（MiniMax H3 使用手册：https://vrfi1sk8a0.feishu.cn/wiki/FIWjwgL33ipnkekzk30crmKUnIh ，2.2/2.3/3.1 的输入和 prompt 都取自这里），参考标签
