# [求助] MiniMax H3 ref_video（参考视频）输入完全不生效 — R9700 / ROCm 7.2.4
-
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。
-
-
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
-
@alan.lgv60 如果是这样的话，就只能像楼上说的，提示词、素材、参数提供出来，然后让其他坛友来复现了
回覆 kop wang / imbiplaza（topic 1063 — #12/#13 — 提供復現材料）
@kop-wang @imbiplaza-ASUS：「最妥当的做法就是你 share json & 素材让我测试」「提示词、素材、参数提供出来，让其他坛友来复现」
好，材料整理好了，麻烦两位有空帮跑一下：
1. 工作流（JSON）：https://files.catbox.moe/5imhuj.json
- 官方 R2V 模板 + VHS_LoadVideo 连
ref_videos.ref_video_0（IMAGE 帧），没有动其他结构 - 模型：minimax_h3_ref2va_pruned_int8_convrot（19.5GB）+ qwen3vl_32b_nvfp4_awq + 双 VAE
2. 参考素材（3.1 猫换狗官方原片）：https://files.catbox.moe/gp7yg5.mp4
- 官方手册 sample（15f67a0aaaad）：男生抱猫，镜头缓缓环绕靠近轻吻，145 帧 1080p
- 官方手册（2.2/2.3/3.1 样本和 prompt 都取自这里）：https://vrfi1sk8a0.feishu.cn/wiki/FIWjwgL33ipnkekzk30crmKUnIh
3. Prompt（官方手册原文）：
把视频中的猫换成狗4. 参数：
- 输出 124 帧（17k+5）/ 24fps / 832x480 / seed 42
- ref_image_size: match
我的环境：R9700（gfx1201）+ ROCm 7.2.4 + ComfyUI master @ 1868372 + PyTorch 2.11.0+rocm7.2
如果你们那边 ref_video 生效，麻烦对比一下输出——我这边输出是「雪地拉雪橇的人+狗」，跟参考毫无关系（真视频锁死无转换 / 纯黑视频有转换，说明参考 latent 进了模型但内容没跟）。感谢
- 官方 R2V 模板 + VHS_LoadVideo 连
-
回覆 kop wang / imbiplaza（topic 1063 — #12/#13 — 提供復現材料）
@kop-wang @imbiplaza-ASUS：「最妥当的做法就是你 share json & 素材让我测试」「提示词、素材、参数提供出来，让其他坛友来复现」
好，材料整理好了，麻烦两位有空帮跑一下：
1. 工作流（JSON）：https://files.catbox.moe/5imhuj.json
- 官方 R2V 模板 + VHS_LoadVideo 连
ref_videos.ref_video_0（IMAGE 帧），没有动其他结构 - 模型：minimax_h3_ref2va_pruned_int8_convrot（19.5GB）+ qwen3vl_32b_nvfp4_awq + 双 VAE
2. 参考素材（3.1 猫换狗官方原片）：https://files.catbox.moe/gp7yg5.mp4
- 官方手册 sample（15f67a0aaaad）：男生抱猫，镜头缓缓环绕靠近轻吻，145 帧 1080p
- 官方手册（2.2/2.3/3.1 样本和 prompt 都取自这里）：https://vrfi1sk8a0.feishu.cn/wiki/FIWjwgL33ipnkekzk30crmKUnIh
3. Prompt（官方手册原文）：
把视频中的猫换成狗4. 参数：
- 输出 124 帧（17k+5）/ 24fps / 832x480 / seed 42
- ref_image_size: match
我的环境：R9700（gfx1201）+ ROCm 7.2.4 + ComfyUI master @ 1868372 + PyTorch 2.11.0+rocm7.2
如果你们那边 ref_video 生效，麻烦对比一下输出——我这边输出是「雪地拉雪橇的人+狗」，跟参考毫无关系（真视频锁死无转换 / 纯黑视频有转换，说明参考 latent 进了模型但内容没跟）。感谢
- 官方 R2V 模板 + VHS_LoadVideo 连
-
回覆 kop wang / imbiplaza（topic 1063 — #12/#13 — 提供復現材料）
@kop-wang @imbiplaza-ASUS：「最妥当的做法就是你 share json & 素材让我测试」「提示词、素材、参数提供出来，让其他坛友来复现」
好，材料整理好了，麻烦两位有空帮跑一下：
1. 工作流（JSON）：https://files.catbox.moe/5imhuj.json
- 官方 R2V 模板 + VHS_LoadVideo 连
ref_videos.ref_video_0（IMAGE 帧），没有动其他结构 - 模型：minimax_h3_ref2va_pruned_int8_convrot（19.5GB）+ qwen3vl_32b_nvfp4_awq + 双 VAE
2. 参考素材（3.1 猫换狗官方原片）：https://files.catbox.moe/gp7yg5.mp4
- 官方手册 sample（15f67a0aaaad）：男生抱猫，镜头缓缓环绕靠近轻吻，145 帧 1080p
- 官方手册（2.2/2.3/3.1 样本和 prompt 都取自这里）：https://vrfi1sk8a0.feishu.cn/wiki/FIWjwgL33ipnkekzk30crmKUnIh
3. Prompt（官方手册原文）：
把视频中的猫换成狗4. 参数：
- 输出 124 帧（17k+5）/ 24fps / 832x480 / seed 42
- ref_image_size: match
我的环境：R9700（gfx1201）+ ROCm 7.2.4 + ComfyUI master @ 1868372 + PyTorch 2.11.0+rocm7.2
如果你们那边 ref_video 生效，麻烦对比一下输出——我这边输出是「雪地拉雪橇的人+狗」，跟参考毫无关系（真视频锁死无转换 / 纯黑视频有转换，说明参考 latent 进了模型但内容没跟）。感谢
- 官方 R2V 模板 + VHS_LoadVideo 连
-
OS Ubuntu 24.04，ROCm 7.2.4
ROCm 用 7.2.0 或7.2.1 看看 -
@imbiplaza-ASUS 多谢帮测！我们 R9700（ROCm）没法直接跑你的 workflow。现在交给 Hermes agent 微调中（ref_videos 连接方式 + 官方 Export API 方法），搞定了再更新。
-
@imbiplaza-ASUS 多谢帮测！我们 R9700（ROCm）没法直接跑你的 workflow。现在交给 Hermes agent 微调中（ref_videos 连接方式 + 官方 Export API 方法），搞定了再更新。
@alan.lgv60
我的做法是，先搞定default run 没有问题，再来想加速，加速全部没有问题，先测试几十个视频，看稳定性，才进入api -
@alan.lgv60
我的做法是，先搞定default run 没有问题，再来想加速，加速全部没有问题，先测试几十个视频，看稳定性，才进入api@imbiplaza-ASUS
说得对，default run 优先这个思路我认同。我们这边的情况是：官方 workflow 里有些节点在 ROCm 上没法直接跑（out of the box），比如 RTXVideoSuperResolution（NVIDIA 专用 upscaler）、SolAttn 这些，AMD 这边要么没这个节点要么要后装，所以得先让 agent（Hermes）帮忙改一下 workflow（移除/绕过不兼容节点、补上 ref_videos 连线）才能跑通 default run。多谢你之前帮忙测试，猫换狗 workflow 按你的方法（ref_videos 连线 + 详细提示词）已经跑通了，效果也跟到（人物/衣服/背景都保留）。就是生成时间有点长：0.4MP 175 帧（约 6 秒），4 step Turbo LoRA 大概 2 小时一条（ROCm 上 SolAttn 每 step 约 300 秒，比你的 118s/it 慢不少），还在想办法优化。正如版主说的，用 A 卡就要准备好跟软件搏斗
接下来就按你说的：先跑几十个视频看稳定性，再想加速和 API。
-
@imbiplaza-ASUS
说得对，default run 优先这个思路我认同。我们这边的情况是：官方 workflow 里有些节点在 ROCm 上没法直接跑（out of the box），比如 RTXVideoSuperResolution（NVIDIA 专用 upscaler）、SolAttn 这些，AMD 这边要么没这个节点要么要后装，所以得先让 agent（Hermes）帮忙改一下 workflow（移除/绕过不兼容节点、补上 ref_videos 连线）才能跑通 default run。多谢你之前帮忙测试，猫换狗 workflow 按你的方法（ref_videos 连线 + 详细提示词）已经跑通了，效果也跟到（人物/衣服/背景都保留）。就是生成时间有点长：0.4MP 175 帧（约 6 秒），4 step Turbo LoRA 大概 2 小时一条（ROCm 上 SolAttn 每 step 约 300 秒，比你的 118s/it 慢不少），还在想办法优化。正如版主说的，用 A 卡就要准备好跟软件搏斗
接下来就按你说的：先跑几十个视频看稳定性，再想加速和 API。
@alan.lgv60
omg 300s/it
