[H3剑心比赛] RTX Pro 6000 96G 单卡 · 一条片子 5 分半|MiniMax H3 3D / 2D
-
一、视频链接
- 2D 版:https://file.garden/aveyOPt9Efn9o2cu/oooo_00032-audio.mp4
- 3D 版:https://file.garden/aveyOPt9Efn9o2cu/oooo_00033-audio.mp4
两条片子是同一场 12 秒剑斗(绯村剑心 vs 志志雄真实,夜间、燃烧的本能寺前石坪),1376×768 @ 24fps,时长 12.25s,带 H3 原生音频。两版只有 prompt 的风格行不同,管线、模型、参数完全一致。
二、软硬件配置
项目 配置 GPU NVIDIA RTX PRO 6000 Blackwell Workstation Edition,96GB 显存,TGP 600W(单卡) 驱动 / CUDA 621.14 / CUDA 13.5 CPU AMD Ryzen 9 9950X3D(16 核) 内存 96 GB 系统 Windows 11 ComfyUI 0.45.0 PyTorch 2.13.0+cu130 Python 3.13.11 主要自定义节点 ComfyUI-MiniMaxH3Mod(Ref2VA / 参考图块)、comfyui-SelfLift(渐进式采样)、comfyui-minimax-h3-blockcache-T8 三、工作流(Ref2VA + SelfLift 两段渐进)
参考图(共 7 张,无首帧,纯参考生视频):
- 6 张角色图:剑心 3 张(正面 / 拔刀架势 / 侧面)+ 志志雄 3 张(绿眼持刀 / 绷带造型 / 掌心火),全部 RMBG 去背景
- 1 张场景图:本能寺建筑(原图白天,prompt 里写成夜间燃烧态,并排除图里的现代建筑)
Prompt 六段结构:
subject_definitions(每张 <Picture N> 即一张角色定妆图)/summary(参考生成 + 风格 + 1.0× 实时)/retention_analysis(各主体保留项)/detailed_description(四镜分镜)/soundscape(环境音床)/ negative- 12s 四镜:① 0–3s 突进 + 火焰横扫 + 首次碰撞(双方各退半步)② 3–5.7s 两记快攻互格挡 + 火上刀 + 双手举刀蓄力 ③ 5.7–8.5s 跃起 + 空中碰撞 + 90–120° 绕镜 ④ 8.5–12s 落地 + 双方收鞘 + 对峙定格
- Fight Flow 触发词
Melee weapon interaction.埋 detailed_description 开头
采样管线:
- 低分辨率 384×704 @ 8 步(8-step turbo 蒸馏模型,cfg=1.0)
- latent 2× 上采(minimax_h3_latent_upscaler_3d,fp16,分块推理,过渡仅 ~1.5–1.9s)→ 768×1376
- 高分辨率 6 步(sigma 在 92.3% 进度处接力,续低段轨迹)
- VideoVAE(fp16)+ AudioVAE(fp32)解码 → H.264 + AAC
用到的模型:
角色 模型 扩散模型 Minimax-h3_Singularity_ref2va_v1.3_int8.safetensors(int8) 文本编码器 qwen3vl_32b_minimax_h3_int8_convrot LoRA 1 H3 Fight Flow V1 — 一采 0.9 / 二采 0 LoRA 2 H3 Combat V2 — 0.9 / 0 LoRA 3 Motion Repair V2 — 0.7 / 0.30【待确认】 VAE minimax_h3_video_vae_fp16 / minimax_h3_audio_vae_fp32 三个 LoRA 同一作者:Fight Flow 是主劳力(带触发词),Combat V2 和 Motion Repair 是静默修饰层(无触发词,低强度混入修动作连贯性)。
四、加速手段
- 8-step turbo 蒸馏模型:低段 8 步 + 高段 6 步,总共 14 NFE;12 秒高分辨率常规要 24 步以上
- int8 量化:DiT(~32GB)+ 文本编码器(~24GB)全 int8
- SelfLift 渐进式:贵的 1376×768 高段只跑最后 6 步,便宜的 384×704 低段跑前 8 步,两段之间由 latent 上采器接力(过渡开销 <2s)
- 96G 大显存:DiT + 文本编码器 + VAE 全常驻,无 offload 倒腾、无模型切换等待
- FFN 分块(52 个 MLP,chunks=2)+ block cache,砍注意力/FFN 重复计算
- 显卡 600W 满功率,未降功耗墙
五、生成速度
2D 3D 低段 8 步 59.9s(7.5s/步) 57.0s(7.1s/步) 上采过渡 1.9s 1.5s 高段 6 步 248.2s(41s/步) 230.1s(38s/步) VAE 解码 + 落盘 ~32s ~38s 端到端 342s(5分42秒) 327s(5分27秒) 成片文件 7.8 MB 8.5 MB 六、作者的话
- 两版差别只在风格行:2D 走赛璐璐(crisp line art、flat color planes),3D 走 stylized CGI(smooth shading、volumetric lighting)。志志雄的参考图本来就是 3D 渲染,3D 版锚点更对味;2D 版相当于让模型把 3D 渲染"翻译"成赛璐璐,身份保持稍松一点——这是两版最真实的差异。
- 结尾设计:双方收鞘,剑心单膝跪地手按刀柄,志志雄远端站立收势,不判胜负,把"下一秒会不会拔刀"的张力留给观众。
- 96G 显存是这套配置能全常驻的底气;24G 消费卡的同志可以走 TP2 多卡,或者只跑低段 8 步出 768p(速度再砍一半,画质换时间,自己取舍)。
- 欢迎拍砖、对答案,有同场打戏的也可以把作业丢上来一起交流。
- 视频自带工作流,随便下载。
-
-
-
-
-
-
@roid-isis
这么先进???我特么....很久没玩了,没能理解。 -
还有本能寺的背景

-
-
-
-
-
-
-
唯一感觉还可以的。果然pro 6000 才能是视频生产力。
其他卡的视频我也都看了。画面残影,瞬时模糊,噪点,音频 不定时爆音现象明显。
这个作品我投一票。可以用。 -
,
W williamlouis 引用了 此主题
-
唯一感觉还可以的。果然pro 6000 才能是视频生产力。
其他卡的视频我也都看了。画面残影,瞬时模糊,噪点,音频 不定时爆音现象明显。
这个作品我投一票。可以用。@williamlouis 我把贴子扔给AI让它逐桢学习
AI告诉我这是硬件代差带来的实力差距
-
唯一感觉还可以的。果然pro 6000 才能是视频生产力。
其他卡的视频我也都看了。画面残影,瞬时模糊,噪点,音频 不定时爆音现象明显。
这个作品我投一票。可以用。不懂是不是rtxpro ecc 的关系,我的也没有他们的问题
-
-
唯一感觉还可以的。果然pro 6000 才能是视频生产力。
其他卡的视频我也都看了。画面残影,瞬时模糊,噪点,音频 不定时爆音现象明显。
这个作品我投一票。可以用。 -