【实测分享】单张 RTX 5080 16GB 本地跑 MiniMax H3 视频：16GB 显存够用，FastH3 一条 10 秒镜头约 3 分钟（附官方 8 步 / Pika 6 步 / 三种输入对比）

ゆうみん

一句话总结（TL;DR）
单张 RTX 5080 16GB ＋ DDR5 128GB，Windows 上直接用 ComfyUI 0.44.0 便携版（没用 WSL、没装 Triton）跑 MiniMax H3，1024×576、10 秒（243 帧）的镜头：

16GB 够用： 官方 8 步、Pika 6 步、FastH3 全部跑通，显存峰值 15.4 / 16 GB，一次都没爆

FastH3 最快： 首帧＋尾帧＋深度控制 191 秒一条；官方 8 步 356 秒，Pika 6 步 271 秒。FastH3 比官方省 46%

只给首帧最快： 106 秒一条。首帧＋尾帧 111 秒，首帧＋深度控制 178 秒（深度控制最花时间，多约 70 秒）

和云端 4090 24GB 比： 整条慢 15～25%（191 对 153 秒）；但第一条（要先读模型）本机只要 210 秒，云端要 1,040 秒

代价： 系统内存要用 41～51 GB（显存放不下的部分先放内存），显卡满载 约 310～355W，最高 74°C

一、硬件环境与软件

配置一句话： Ryzen 9 9900X ＋ RTX 5080 16GB ＋ DDR5-5600 128GB ＋ Windows 11 Pro，ComfyUI 官方便携版，开箱即用

项目	规格与配置	备注
显卡	NVIDIA GeForce RTX 5080 16GB（水冷版）	功耗上限 `360W`，驱动 `616.92`
CPU	AMD Ryzen 9 9900X	`12 核 24 线程`
内存	128GB DDR5-5600（64GB×2）	系统识别 `125.6GB`
硬盘	Crucial P310 2TB NVMe	模型都放在这块盘上
系统	Windows 11 Pro 26H2	直接在 Windows 上跑，没用 WSL
ComfyUI	0.44.0 Windows 便携版（NVIDIA）	自带 Python `3.13.14`、PyTorch `2.14.1+cu130`；已包含 PDD 修正（ce42de5），不用另打补丁
稀疏注意力	ComfyUI 自带 BlockSparseAttention（VSA，保留 `10%`）	没装 Triton 也能用，日志确认走了稀疏路径（`44,917 tokens`）
显存管理	ComfyUI 默认的动态加载（cudaMallocAsync）	显存放不下的权重先放在锁页内存，用到再搬进显存

整机是 Sycom 的 BTO 台式机，到货当天测的。测试期间没有跑其他重负载（本地大模型已先停掉）。

二、下载了什么（共约 71GB）

要点： 8 个文件同时下，加 ComfyUI 本体约 27 分钟下完（Wi-Fi 6，中间断过一次，续传接上），全部核对了 SHA256。

文件	用途	大小
`qwen3vl_32b_minimax_h3_nvfp4_awq`	文本编码器（读提示词）	`15.7GB`
`minimax_h3_fl2va_pruned_int8_convrot`	官方底模（首尾帧版）	`21.0GB`
`fasth3_omniref_8step_pruned_int8_convrot`	FastH3 底模	`22.2GB`
`minimax_h3_video_vae_int8_convrot`	视频解码	`2.8GB`
`minimax_h3_audio_vae_fp32`	声音解码	`0.6GB`
`minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16`	官方 8 步加速 LoRA	`2.0GB`
`pika_h3_flex_fl2va_v1_bf16`	Pika 6 步 LoRA	`2.0GB`
`minimax_h3_fun_controlnet_union_2.0_pruned_int8_convrot`	深度控制（控制网 Union 2.0）	`4.5GB`

来源：Hugging Face 的 Comfy-Org/MiniMax-H3 和 FastVideo/FastH3-Omni-Comfy。

三、测试方法

要点： 和之前在云端 4090 上测的用同一批输入（同首尾帧、同深度视频、同提示词、同种子），所以可以直接比。

镜头： 夜里的住宅街，镜头走过公寓「コーポさくら」→ 进院子 → 走到信箱 → 人伸手点名牌。
输入： 首帧、尾帧两张关键图＋深度控制视频（灰盒场景渲出来的），种子 1，1024×576，10 秒 243 帧。
三种跑法：
- 官方 8 步： 官方底模＋turbo 8 步 LoRA，采样器 res_multistep
- Pika 6 步： 官方底模＋Pika LoRA，采样器 lcm＋手动 6 步 sigma
- FastH3： FastH3 底模（不加 LoRA），euler 8 步＋稀疏注意力
记录： 总用时、每一步用时、显存峰值、内存峰值、功耗、温度。画面看「首帧／尾帧和关键图有多像」（PSNR，越高越像），声音测响度（LUFS）。

四、速度：三种跑法

结果： FastH3 191 秒，Pika 6 步 271 秒，官方 8 步 356 秒。FastH3 每一步只要官方的一半不到（17.7 秒对 38.3 秒）。

三种跑法逐帧对比

对比视频（10 秒，无声，点开播放）： 同一个镜头，官方 8 步 / Pika 6 步 / FastH3 并排

测试	跑法	输入	长度	总用时	每步	显存峰值	内存峰值
第一条（含读模型）	FastH3	首尾帧＋深度	10 秒	`210 秒`	`17.7 秒`	`13.7GB`	`50.1GB`
第二条	FastH3	首尾帧＋深度	10 秒	`191 秒`	`17.7 秒`	`14.7GB`	`51.1GB`
官方	官方 8 步	首尾帧＋深度	10 秒	`356 秒`	`38.3 秒`	`14.5GB`	`46.6GB`
Pika	Pika 6 步	首尾帧＋深度	10 秒	`271 秒`	`38.3 秒`	`15.1GB`	`43.3GB`
长一点	FastH3	只给首帧	15 秒	`161 秒`	`16.5 秒`	`14.9GB`	`48.1GB`
大画面	官方 8 步	首帧＋深度	8 秒，1344×768	`590 秒`	`65.7 秒`	`15.4GB`	`44.5GB`

FastH3 的提速全部来自稀疏注意力。
Pika 6 步每一步和官方一样慢，只是少了 2 步，所以总共省 24%。
总用时里除了采样，还有读提示词、解码视频和声音，约 40～50 秒。
1344×768 大画面成片（8 秒，无声）： 官方 8 步，590 秒
第一条只比第二条多约 20 秒：本机 NVMe 读模型很快。不过模型刚下载完，可能还在系统缓存里；关机重启后的第一条没测。

五、三种输入条件对比（FastH3，10 秒，同一个首帧）

结果： 只给首帧 106 秒，首帧＋尾帧 111 秒，首帧＋深度控制 178 秒。尾帧几乎不花时间，深度控制每一步多约 6.5 秒。

三种输入条件逐帧对比（第一行是输入的深度控制视频）

对比视频（10 秒，无声，点开播放）： 同一个首帧，三种输入条件并排

条件	总用时	每步	显存峰值	结尾和关键图像不像	镜头怎么走
① 只给首帧	`106 秒`	`10.2 秒`	`14.8GB`	没给尾帧	模型自己决定：走到信箱前，最后推成名牌特写
② 首帧＋深度控制	`178 秒`	`16.6 秒`	`14.9GB`	没给尾帧	前 6 秒跟着深度视频走（铁门、栏杆位置都对），后 4 秒没跟住，自己推到信箱前
③ 首帧＋尾帧	`111 秒`	`11.1 秒`	`14.9GB`	PSNR `33.9`，结尾就是关键图	中间路线模型自己定，最后停在关键图的位置
参考：三样都给	`191 秒`	`17.7 秒`	`14.7GB`	PSNR `33.7`	全程跟着深度视频走，结尾就是关键图

怎么选：

要镜头完全照设计走： 首帧＋尾帧＋深度三样都给，最稳。
只要结尾对上： 首帧＋尾帧就够了，几乎和只给首帧一样快。
结尾怎么样都行： 只给首帧，最快也最自由。人物的样子（比如衣服颜色）也是模型自己定，和下一个镜头不一定接得上。
只给深度、不给尾帧时，这次后半段跑偏了。只跑了 1 个种子，不一定每次都这样。

六、和云端 RTX 4090 24GB 对比

结果： 单看每一步，5080 比 4090 慢约 40%；但整条只慢 15～25%。第一条（读模型）本机反而快 5 倍。

测试	5080 16GB（本机）	4090 24GB（云端）	5080 慢多少
FastH3 10 秒，第一条（含读模型）	`210 秒`	`1,040 秒`	反而快 5 倍
FastH3 10 秒，第二条	`191 秒`	`153 秒`	慢 `25%`
官方 8 步 10 秒	`356 秒`	`284 秒`	慢 `25%`
Pika 6 步 10 秒	`271 秒`	`236 秒`	慢 `15%`
官方 8 步 1344×768 8 秒	`590 秒`	`约 498 秒`	慢 `19%`
每一步（FastH3 / 官方）	`17.7 / 38.3 秒`	`12.4 / 27.6 秒`	慢约 `40%`

每一步慢，是因为 16GB 放不下整个模型，要从内存分批搬进显存。
读提示词、解码这些步骤本机更快，所以整条差得没那么多。
云端 4090 第一条慢，是因为云端硬盘读模型很慢。

七、画面和声音

结果： 首尾帧都守住了，和 4090 上跑的一样像（PSNR 32～34）。FastH3 和 Pika 几乎没有环境声，官方 8 步有。

测试	首帧像不像关键图（PSNR）	尾帧像不像	声音响度
FastH3 10 秒	`32.2`	`33.7`	`−49.4 LUFS`（几乎没声）
官方 8 步 10 秒	`32.4`	`33.8`	`−20.5 LUFS`（有环境声、脚步声）
Pika 6 步 10 秒	`33.0`	`34.2`	`−43.0 LUFS`（很小声）
参考：4090 上的官方 8 步	`32.5`	`33.7`	`−20.5 LUFS`

三种跑法的动作一致：走过公寓 →「コーポさくら」的字清楚 → 走到信箱 → 伸手点名牌。
同一个种子换了显卡，细节不会一模一样（墙上的东西、信箱小字），这是正常的。
声音如果全部后期另配，FastH3 没声音就没影响。

八、经验和注意事项

16GB 能跑，靠的是内存大： 显存放不下的模型先放在内存里，这次内存峰值 51GB。内存只有 32GB 或 64GB 的电脑能不能跑，没测。
和本地大模型不能同时跑： 两边都要占满显存，要先停一个。
画面越大越慢： 1344×768 的 8 秒要将近 10 分钟。1024×576 的 10 秒用 FastH3 约 3 分钟。
温度： 连续跑 1 小时，显卡最高 74°C，没有降频。机箱别贴墙，留出排风空间。
远程操作： ComfyUI 放在登录用户的计划任务里跑（隐藏窗口），断开远程也不会停。

九、没测到的

每种只跑了 1 个种子，镜头只有这个街景（加 1 条走廊）。人脸近景、进门、急转头这些难镜头没测。
FastH3 在 1344×768 上没测。
关机重启后的第一条要多久没测。
内存小的电脑能不能跑没测。

文中的视频都是无声的。画面全部由 MiniMax H3 生成（AI 生成）。

imbiplaza ASUS

yea...16gb vram 的缺点就是内存要足够大，至少64g dram, 最佳是96g dram

ゆうみん

@imbiplaza-ASUS 是呀。不过能跑出这个成绩我已经很开心很满足了！

z e

老哥，方便的话，可以把提示词和参考图片或者参考视频打一个包，我有一个正在用的工作流，是B站上班长的工作流，想对比一下

Michael ZHANG

很赞，看了你的帖子，我把7900xtx退了，现在要转投N卡，我的主要用途是跑文生图，图生视频。不跑本本地LLM。目前考虑5080 16G/4080 32G魔改卡/rtx pro 4000 24G，我希望每次能生成10秒或者15秒1344x768的视频。请楼主给一些意见，谢谢

抡锤者