1. 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
2. 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
3. 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

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）：

→ 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。

1. 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。

2. 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。

3. 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。

4. 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。