Minimax-h3_Singularity_v2_pruned完整指南：让中端显卡跑通AI视频生成的剪枝模型（新手必读）
【免费下载链接】Minimax-h3_Singularity_v2_pruned
Minimax-h3_Singularity_v2_pruned 为热门 AI 视频生成模型 MiniMax H3 提供了剪枝 + 量化后的精简版本（int8 / w6a8 / w4a8 三个文件），体积相比 bf16 原版大幅缩减，让显存只有 16GB～24GB 的中端显卡也能在 ComfyUI 中顺畅跑通文生视频、图生视频与参考视频生成（reference-to-video）。如果你一直在被"显存不足"劝退，这篇新手指南会带你 3 步上手。
剪枝模型是什么？为什么中端显卡需要它 💡
AI 视频生成模型动辄占用几十 GB 显存，原版 bf16 权重的 MiniMax H3 对大多数消费级显卡并不友好。
剪枝（Pruning） 的思路是：把模型中"冗余但可被更紧凑结构等价替代"的部分删掉或压缩，在几乎不损失画质的前提下显著降低权重体积与计算开销。本仓库对原版的 50 个 Transformer 块中的 timestep embedder 和全宽 adaLN 投影（合计约 130 亿权重）做了剪枝，并用与 ComfyUI 官方剪枝版一致的曲线布局（adaln_t_table）替代——ComfyUI 可原生加载，无需任何魔改。
在此基础上再叠加量化：
- int8：权重 8 位量化，精度损失最小
- w6a8：权重 6 位 + 激活 8 位（group 32），体积更小
- w4a8：权重 4 位 + 激活 8 位（group 16），体积最小，适合显存最紧张的场景
三个版本怎么选？快速对照表 📊
| 文件 | 体积 | 量化方式 | Token refiner | 适合谁 |
|---|---|---|---|---|
| Minimax-h3_Singularity_ref2va_v2_pruned_int8_convrot_r2.safetensors | 21.0 GB | int8 convrot | bf16 | 追求最高画质（建议 24GB 级显存） |
| Minimax-h3_Singularity_ref2va_v2_pruned_w6a8_r2.safetensors | 16.0 GB | w6a8，group 32 | int8 convrot | 画质与体积平衡（建议 16~24GB） |
| Minimax-h3_Singularity_ref2va_v2_pruned_w4a8.safetensors | 11.8 GB | w4a8，group 16 | int8 convrot | 显存最吃紧的入门选择（12~16GB） |
💾 建议：显存 ≥ 16GB 优先选 w6a8，画质与体积平衡最佳；显存紧张直接上 w4a8；追求最接近原版效果则选 int8。实际显存占用还取决于分辨率、帧数与注意力实现方式。
快速上手：ComfyUI 加载剪枝模型的 3 步 ⚡
第 1 步：获取模型文件
推荐只下载你需要的某一个 .safetensors 文件。如果习惯用 git，可完整克隆仓库：
git lfs install
git clone https://gitcode.com/hf_mirrors/WAS/Minimax-h3_Singularity_v2_pruned
第 2 步：放入 ComfyUI 模型目录
将选定的 .safetensors 文件复制到 ComfyUI/models/diffusion_models/ 目录下。
第 3 步：在 ComfyUI 中加载
工作流中使用 Load Diffusion Model 节点，选择对应文件，weight_dtype 保持 default 即可（不要手动改精度）。配合同仓库生态的 minimax_h3_video_vae_int8_convrot VAE 与 MiniMax H3 文本编码器，即可开始出片。
效果实测：剪枝后画质到底差多少？🎬
作者在相同条件下（1344 x 768、124 帧 @ 24fps、6 步采样）用同一随机种子分别渲染 bf16 原版与三个剪枝版本，并逐帧计算 PSNR（数值越高质量越接近原版）。首帧、中间帧、尾帧的对比见下图：
四个种子的平均 PSNR 如下：
| 版本 | Seed 42 | Seed 43 | Seed 44 | Seed 45 | 平均 |
|---|---|---|---|---|---|
| pruned int8 convrot r2 | 23.3 | 24.9 | 28.2 | 28.0 | 26.1 dB |
| pruned w6a8 r2 | 23.5 | 24.2 | 24.3 | 25.8 | 24.4 dB |
| pruned w4a8 | 21.9 | 21.1 | 21.7 | 21.4 | 21.5 dB |
结论：int8 与 w6a8 版本与原版的差异很小，肉眼基本难以分辨；w4a8 略有可见差距，但在显存受限场景下仍是"能跑起来"的关键。更多渲染样例可参考仓库中的 comparison/pruned_int8_convrot_r2.mp4、comparison/pruned_w6a8_r2.mp4、comparison/pruned_w4a8.mp4 以及 comparison/reference_bf16.mp4。
原理简解：剪枝到底剪掉了什么 🧩
- timestep embedder 替换：每个 Transformer 块里与时间步相关的宽投影层，被一张 1025 x 8 的
adaln_t_table查找表取代，任意时间步的调制误差小于 0.03%。 - adaLN 投影瘦身：50 个块中的全宽 adaLN 投影压缩为 8 宽权重，与 ComfyUI 官方剪枝布局完全一致。
- 量化落地：r2 版 int8/w6a8 从 bf16 原版构建，量化误差较 r1 进一步降低（int8 权重误差 0.87%~1.10%，PSNR 从 24.6 dB 提升到 26.1 dB）。
常见问题 FAQ ❓
Q：LoRA 能用吗？ 可以。只要 LoRA 不含 adaLN / timestep-embedder 权重键，就能直接套用（包括官方推荐的 4 步加速 LoRA），无需转换。
Q：int8、w6a8、w4a8 的 "r2" 是什么意思？ r2 是基于 bf16 原版重建的第二版，量化精度优于历史版本；r1 旧文件仍保留在仓库历史提交中。
Q：输出有随机差异吗？ 同设置下 bf16 原版两次渲染逐帧一致，表中的差异全部来自权重本身，对比结论可靠。
仓库文件清单 📁
本仓库为 WarmBloodAban 的 Singularity ref2va v2 发布的修改版，遵循 MiniMax H3 社区许可协议（MiniMax H3 Community License Agreement），商用前请务必阅读 LICENSE 条款。
【免费下载链接】Minimax-h3_Singularity_v2_pruned
聚焦RDK与具身智能，汇集机器人开发教程、开源案例和技术交流
更多推荐
13
0- 0
已为社区贡献10条内容
所有评论(0)