*** QuickLaTeX cannot compile formula:
20M 需授权</b></span>
    <span>开源部分 <b>仅 H3-Base 768p</b></span>
    <span>生产首选 <b>SGLang</b></span>
  </div>



  <h2>目录</h2>
  <ol></ol>


<div>
<h1>MiniMax H3 私有化部署方案 — 深度研究</h1>
日期：2026-09-07 ｜ 全部关键事实来自一手来源（许可原文、HF 模型卡、SGLang/vLLM 官方配方，均已抓取原文核对）
<hr>
<h2>0. 一句话结论</h2>
<strong>MiniMax H3 不是文本大模型，而是开源的"视频+原生立体声"生成模型</strong>（2026-07-31 开源）。开源的只有 H3-Base（768p 主干），2K 超分和复杂提示词理解两个模块仍只有官方 API。私有化部署在中国大陆<strong>许可上完全可行</strong>（社区许可排除的只有 EU/UK/韩/美），商用门槛是年营收 >2000 万美元才需书面授权。生产部署首选 SGLang（4×H100/H200 或 8 卡昇腾 NPU 均有官方验证配方），单卡/工作站走 ComfyUI 量化生态（24GB 卡即可起步，12GB 是地板），要 2K 官方画质只能"本地 768p + 官方 API 混合"。
<hr>
<h2>1. H3 是什么：先把对象搞清楚</h2>
<table>
<thead>
<tr>
<th>维度</th>
<th>事实</th>
</tr>
</thead>
<tbody>
<tr>
<td>定位</td>
<td>通用全模态<strong>生成</strong>系统：统一理解文本/图像/视频/音频上下文，生成<strong>带原生立体声的视频</strong></td>
</tr>
<tr>
<td>官宣开源</td>
<td>2026-07-31（Reuters 报道）；许可证落款 2026-08-02</td>
</tr>
<tr>
<td>输出规格</td>
<td>4-15 秒、24 FPS、32kHz 立体声、宽高比 21:9~9:16、短边默认 768px（画布 32 的倍数）</td>
</tr>
<tr>
<td>提示词语言</td>
<td>11 种稳定支持（含中英）</td>
</tr>
<tr>
<td>两个开源 checkpoint</td>
<td><strong>FL2VA</strong>（文生视频+首/尾帧控制）、<strong>Ref2VA</strong>（全参考：\le9 图 + \le3 视频 + \le3 音频，共 \le12 文件，纯音频被拒）</td>
</tr>
<tr>
<td>开源边界</td>
<td><strong>只有 H3-Base（768p 生成主干）开源</strong>。H3-Context-IR（多模态提示词理解/改写）和 H3-Regenerate-2K（768p→2K 再生成）<strong>均未开源</strong>，只有官方 API</td>
</tr>
<tr>
<td>精度</td>
<td>BF16，且是 <strong>CFG 蒸馏</strong>后的权重（部署时 <code>cfg-parallel-size</code> 必须为 1，没有负分支）</td>
</tr>
</tbody>
</table>
<h3>架构（决定硬件需求的三件事）</h3>
<ol>
<li><strong>H3-Omni-Transformer</strong>：33B dense 单流 Transformer，50 个 block；其中 <strong>~13B 参数在 AdaLN 分支里</strong>——推理时这部分可预计算/跳过（社区 "pruned" 量化版就是砍这个，体积小 ~40%）。视频+音频各一份 52-block DiT，单份 61.73 GiB (BF16)。</li>
<li><strong>H3-Encoder = Qwen3-VL-32B</strong>（取前 50 层隐状态），约 46-51.5 GB BF16，<strong>Apache 2.0</strong> 无附加限制。</li>
<li><strong>双 VAE</strong>：VisualVAE（f16t4d24，patch 后等效 32× 空间/4× 时间压缩，含 ViT 解码器，约 10GB 级）+ AudioVAE（32kHz→40Hz 潜变量，左右声道独立编解码）。</li>
</ol>
训练时用了原生稀疏注意力，但<strong>开源首发只有全注意力推理</strong>，稀疏实现"未来更新"。
<blockquote>
由此总账：一套 FL2VA 分区 ~134 GiB BF16 权重（DiT+编码器+双 VAE），两个任务分区全下 ~270 GiB；HF 官方仓库全量 464.2 GiB（含 diffusers 格式重复份）。存储预算按 \ge 500GB NVMe 规划。
</blockquote>
<hr>
<h2>2. 许可与合规（私有化前必须过的一关）</h2>
来源：许可原文 + 官方 License Q&A（均已核对原文，媒体报道与原文有出入，以本节为准）。
<ul>
<li><strong>许可类型</strong>：MiniMax H3 Community License Agreement（v2026-08-02），授予方为 MiniMax 新加坡主体 <strong>Nanonoble Pte. Ltd.</strong>，管辖法域<strong>香港</strong>。下载/使用即视为接受。</li>
<li><strong>适用地域 = 全球，排除四处：欧盟、英国、韩国、美国</strong>。官方 Q&A 明确这是监管原因（EU AI Act、美方视频生成版权诉讼等），"not yet, not ever"；被排除地区可走 <a>申请表</a> 单独拿授权。<strong>中国大陆属于适用地域，社区许可直接覆盖。</strong></li>
<li><strong>商用门槛</strong>：使用 H3 的商业产品/服务<strong>年营收 > 2000 万美元</strong>需事先书面授权（api@minimax.io，主题 "MiniMax H3 licensing - authorization request"）；低于门槛自由商用。</li>
<li><strong>商用硬义务</strong>：在产品 UI 上<strong>显著标注 "MiniMax H3"</strong>（许可第 IV.2 条，强制）；分发需附协议副本和 NOTICE 文件；鼓励 "Powered by MiniMax H3" 和给生成文件加 AI 标识。</li>
<li><strong>使用限制</strong>：不得用 H3 或其输出改进其他 AI 模型；不得军事用途；对外提供服务需自建与 AUP 等强的安全护栏 + 违规举报机制（<strong>本地部署后内容审核责任在自己</strong>，这点对国内企业还叠加《生成式 AI 服务管理暂行办法》/深度合成标识义务）。</li>
<li><strong>编码器豁免</strong>：Qwen3-VL-32B 部分是 Apache 2.0，不受上述约束。</li>
<li><strong>下载渠道</strong>：HF 仓库当前<strong>未设门禁</strong>（2026-09-07 实测 <code>gated:false</code>，匿名可下；vLLM 配方里"需申请访问"的说法已过时）；国内走 ModelScope 官方镜像 <code>MiniMax/MiniMax-H3</code>（SGLang 支持 <code>SGLANG_USE_MODELSCOPE=true</code> 直拉）。</li>
</ul>
<hr>
<h2>3. 硬件门槛总账</h2>
<table>
<thead>
<tr>
<th>资源</th>
<th>最低</th>
<th>生产推荐</th>
</tr>
</thead>
<tbody>
<tr>
<td>存储</td>
<td>FL2VA 单分区 ~135 GiB</td>
<td>全仓库 500+ GiB NVMe（权重随机读取，HDD 会拖垮流式加载）</td>
</tr>
<tr>
<td>显存（数据中心）</td>
<td>4×80GB（H100，TP2+Ulysses2，峰值 ~57GB/卡）</td>
<td>4×141GB H200（Ulysses4）或 8×B300 FP8</td>
</tr>
<tr>
<td>显存（单卡）</td>
<td>12GB VRAM + 32GB 内存 + NVMe（SGLang 极简路径，流式）</td>
<td>单卡 96GB 可容纳 FL2VA 分区不卸载（容量检查通过）</td>
</tr>
<tr>
<td>显存（消费级 ComfyUI）</td>
<td>8GB（DiffSynth NF4 重卸载，很慢）</td>
<td>24GB（pruned INT8 19.5GB + TE 量化 14.6GB）</td>
</tr>
<tr>
<td>主机内存</td>
<td>32GB（极简流式路径）</td>
<td>双卡 recipe 需 \ge 200GB，<strong>推荐 384GB</strong>；RTX 2080Ti 22G 老卡也有 W4A8 方案</td>
</tr>
<tr>
<td>特殊平台</td>
<td>Turing sm_75、Apple Silicon（h3.c Metal 原生）、AMD MI300X/MI355X、<strong>华为昇腾 NPU</strong> 均有可跑方案</td>
<td></td>
</tr>
</tbody>
</table>
<strong>H20（96GB）</strong>：未找到任何官方验证配方。按"单卡 96GB 容量检查通过（B300 代理峰值 92.9GB）"推断 FL2VA 分区 BF16 大概率装得下，但 H20 算力弱、去噪是算力受限任务，速度会很差——能买验证过的卡就别赌。
<hr>
<h2>4. 路线 A：SGLang（生产首选，配方最全）</h2>
SGLang Diffusion 有 H3 原生 pipeline，<code>sglang serve</code> 一条命令起服务，官方 cookbook 每条配方都在真机验证过：
<pre><code>sglang serve --model-path MiniMaxAI/MiniMax-H3 
  --num-gpus 4 --ulysses-degree 4 --performance-mode speed 
  --host 0.0.0.0 --port 30010 --model-variant fl2va   # Ref2VA 换 --model-variant ref2va
</code></pre>
<table>
<thead>
<tr>
<th>硬件</th>
<th>配方</th>
<th>实测</th>
</tr>
</thead>
<tbody>
<tr>
<td>4×H100 80GB</td>
<td>TP2+Ulysses2（最快的无损配方）</td>
<td>峰值 ~57GB/卡（比替代拓扑低 30GB）</td>
</tr>
<tr>
<td>4×H200 141GB</td>
<td>Ulysses4 最快；TP2+U2 峰值最低（~64GB）</td>
<td>1344×768/124帧/50步：lossless 中位 <strong>85.5s</strong>；<code>quality=high</code>（Cache-DiT）<strong>63.4s</strong>（1.35×，SSIM 0.9709）</td>
</tr>
<tr>
<td>8×H200</td>
<td>LMSYS 08-27 加速优化</td>
<td>无损 <strong>1.95×</strong>，允许质量损失最高 <strong>6.24×</strong>（SSIM 0.76-0.91）</td>
</tr>
<tr>
<td>B200/B300</td>
<td>在线 FP8 量化（权重盘上仍 BF16，运行时转换）</td>
<td>8×B300 峰值 ~52GB/卡</td>
</tr>
<tr>
<td>2×RTX 5090 32GB</td>
<td>TP2+逐层卸载</td>
<td>峰值 26.3GiB/卡；50 步 5s 768p 全程 559.7s</td>
</tr>
<tr>
<td>单卡 RTX 4090 24GB</td>
<td><code>kitchen_int8</code></td>
<td>峰值 ~18GB；1011×576/4s/50步 130.7s</td>
</tr>
<tr>
<td>AMD MI300X/MI355X</td>
<td>ROCm+AITER，day-0</td>
<td>官方验证</td>
</tr>
<tr>
<td><strong>华为昇腾 NPU</strong></td>
<td>8 卡 TP2+SP4 + Laser Attention + Cache-DiT（另有 4 卡 TP2+SP2）</td>
<td>8 卡比 4 卡 E2E 延迟低 <strong>46.8%</strong>——<strong>国产化路线已验证</strong></td>
</tr>
</tbody>
</table>
关键工程结论（官方审计数据）：
- <code>quality=high</code>（Cache-DiT）：SSIM 0.931 / PSNR 28.16dB，批量生产场景的性价比开关。
- <strong>AdaLN 预计算缓存</strong>：把 13B AdaLN 分支预计算缓存，推理省显存省算力（固定采样计划下无损）。
- 跨节点：2×8 H200，Ulysses8×Ring2，V2V 去噪 128.6s → 68.2s（<strong>-47%</strong>）。
- V2V（视频改写）是 ref2va 的用例，同一个服务覆盖。
- 同硬件下 SGLang 快于 ComfyUI 前端方案。
<hr>
<h2>5. 路线 B：vLLM-Omni（OpenAI 兼容 /v1/videos，运维生态好）</h2>
自 v0.26.0 起官方配方，一个 diffusion stage 同时装两个 DiT、共享 TE/VAE，请求用 <code>extra_params.task</code> 切换：
<ul>
<li><strong>2×RTX 5090（32GB）已验证</strong>：TP2 + 分布式逐层卸载，1344×768/124帧/50步一条跑完 <strong>8 分 38 秒</strong>，峰值仅 <strong>22.6 GiB/卡</strong>——两万块级别的双卡工作站能跑生产级 768p。</li>
<li>2×RTX 4090（24GB）：保守起步档（1024×576，常驻 12 层）。</li>
<li>4×B300 无卸载组合服务：FL2VA 209 帧均值 <strong>86.96s</strong>。</li>
<li><strong>在线 FP8</strong>：DiT+文本编码器eligible层量化，峰值 68.52→53.51 GiB（<strong>-22%</strong>），LPIPS 0.1156/PSNR 23.6dB/音频谱余弦 0.9589，质量过关。</li>
<li>单卡 96GB：容量检查通过（FL2VA-only，峰值 92.9GB），RTX PRO 6000 级工作站单卡可行（未官方逐卡验证）。</li>
<li>AMD ROCm 现成镜像：<code>vllm/vllm-omni-rocm:minimax-h3</code>；4×MI300X T2VA 267s。</li>
<li><strong>重要运维结论：H3 是算力受限不是带宽受限，请求合批（<code>--step-execution --max-num-seqs 4</code>）几乎无收益还拉高尾延迟（均值 111.5s→175.7s），保持 <code>--max-num-seqs 1</code> 串行队列即可。</strong> 这与 LLM 部署直觉相反。</li>
<li>vLLM-Omni 的 Ref2VA 服务面窄于模型能力（仅 1图+1音频 或视频引用，不支持 12 文件全量参考）——重度 Ref2VA 选 SGLang。</li>
</ul>
<h3>提速 LoRA 生态（两条路线叠加）</h3>
<table>
<thead>
<tr>
<th>方案</th>
<th>效果</th>
<th>说明</th>
</tr>
</thead>
<tbody>
<tr>
<td>Turbo LoRA（LightX2V/ModelTC）</td>
<td>50 步 → 4-8 步</td>
<td>4 步时音频和快速运动劣化，<strong>6-8 步是甜点</strong>；ComfyUI 导出版文件不被服务端接受，认准 Diffusers 版文件名</td>
</tr>
<tr>
<td>FlashGen 4 步（ModelScope 有）</td>
<td>4 步 T2VA</td>
<td>原生布局，元数据带蒸馏 schedule</td>
</tr>
<tr>
<td>FastH3（FastVideo，DMD2）</td>
<td>8×B300 去噪 <strong>6.9×</strong>、E2E 2.2×；4×B300 5s 视频 E2E 快于播放速度</td>
<td>加载时融合；VSA 稀疏变体需 fastvideo-kernel，纯 Ulysses</td>
</tr>
<tr>
<td>TeaCache / Cache-DiT</td>
<td>~1.35×</td>
<td>TeaCache 仅 FL2VA；两者互斥</td>
</tr>
</tbody>
</table>
<hr>
<h2>6. 路线 C：ComfyUI / 消费级（单卡工作站、创作端）</h2>
Comfy-Org 官方打包单文件权重，官方 T2V/R2V 工作流模板；按显存选档（来源：官方 awesome-minimax-h3-integration）：
<table>
<thead>
<tr>
<th>显存</th>
<th>方案</th>
</tr>
</thead>
<tbody>
<tr>
<td>24GB 起步</td>
<td><strong>AdaLN 剪枝版 DiT INT8（19.53 GiB）+ TE nvfp4_awq（14.61 GiB）</strong>+ ComfyUI-MiniMaxH3-Easy 节点；求快加 TE-Speed + Turbo 6-8 步</td>
</tr>
<tr>
<td>12-16GB</td>
<td>剪枝 GGUF Q4_K_M（10.64 GiB）或 NVFP4（11.67 GiB）+ TE Q2_K（7.91 GiB）+ fp8mix VAE</td>
</tr>
<tr>
<td>8GB</td>
<td>DiffSynth-Studio NF4（重度卸载，慢，仅能跑通）</td>
</tr>
<tr>
<td>老卡 Turing（2080Ti 22G）</td>
<td>minimax-h3-turing W4A8+Turbo：基线 5.7 分/条，PDD 8 步+块缓存 210s/条</td>
</tr>
<tr>
<td>Blackwell</td>
<td>Sol-Attn：比 SageAttention 快 1.14-1.44×、MLP 峰值显存 -37%（5090 实测）</td>
</tr>
<tr>
<td>Apple Silicon</td>
<td><strong>antirez/h3.c</strong>（MIT，Metal 原生 C 推理引擎，支持 T2V/首尾帧/Ref2VA）</td>
</tr>
<tr>
<td>一键党</td>
<td>open-video-ai（"视频模型界的 Ollama"：install·pull·run）</td>
</tr>
</tbody>
</table>
长视频/工作流增强：H3-Motion-Context（块间传递末帧+音频，接力生成长片）、Director 五模板分镜、LanPaint v2.1 视频和音频局部重绘。
<hr>
<h2>7. 路线 D：混合部署（要 2K 官方画质时的唯一解）</h2>
2K 依赖 H3-Regenerate-2K，提示词增强依赖 H3-Context-IR，<strong>两者都没开源</strong>。官方给的折中工作流：
<pre><code>本地 H3-Base (SGLang 768p) ← Context-IR API（官方，产出结构化提示词）
                            ← Regenerate-2K API（官方，768p 草稿 + 原上下文 → 2K）
</code></pre>
<ul>
<li>隐私敏感素材本地生成 768p；只有提示词和草稿视频过官方 API（Base64 或公网 URL）。</li>
<li>2K 的本质是"模型再生成"而非传统超分：把原始上下文喂回去，能恢复小字、细节，不是猜。</li>
<li>复杂提示词（多镜头、音频设计、参考关系）<strong>强烈建议接 Context-IR 或按官方 Prompting Guide 自建预处理</strong>（GitHub 还有官方 prompt skills），否则本地直出的指令遵循会明显打折。</li>
<li>计费上 768p(

*** Error message:
Unicode character 需 (U+9700)
leading text: $20M 需
Unicode character 授 (U+6388)
leading text: $20M 需授
Unicode character 权 (U+6743)
leading text: $20M 需授权
Unicode character 开 (U+5F00)
leading text:     <span>开
Unicode character 源 (U+6E90)
leading text:     <span>开源
Unicode character 部 (U+90E8)
leading text:     <span>开源部
Unicode character 分 (U+5206)
leading text:     <span>开源部分
Unicode character 仅 (U+4EC5)
leading text:     <span>开源部分 <b>仅
Unicode character 生 (U+751F)
leading text:     <span>生
Unicode character 产 (U+4EA7)
leading text:     <span>生产
Unicode character 首 (U+9996)
leading text:     <span>生产首
Unicode character 选 (U+9009)
leading text:     <span>生产首选

8. 天花板参考：NVIDIA Sol-Engine “H3 Super Acceleration”

• 单卡 GB200：5s 768p 6.85s、10s 14.93s（22.2×/27.7× 加速），理论 ~12,600 条/天；满负荷 ~525 条 5s 视频/小时 ≈ 0.08/s，2K 0.80/17.4/小时 等值，约等于 4×H200 云租价——裸算打平；开 quality=high 或 Turbo/FastH3 后自建胜出 1.5–4×。
• 结论：低量/突发需求直接 API；日产数百条以上、数据不能出域、要微调或去审核约束，自建才成立。私有化的核心收益本来就是数据主权、定制化和长期边际成本，不是单条成本。

10. 选型决策树

1. 只是想用 → 官方 API（CN: platform.minimaxi.com）。
2. 数据不出域、生产吞吐、有 4 卡预算 → SGLang 4×H100/H200（或 8 卡昇腾），quality=high + Turbo 6–8 步。
3. 预算有限/实验室 → vLLM-Omni 2×5090 或 SGLang 单卡 4090 INT8。
4. 创作工作站/单卡 → ComfyUI pruned INT8（24GB）/GGUF（12GB）/NF4（8GB）。
5. 必须 2K 官方画质 → 混合：本地 768p + 官方 Context-IR/Regenerate-2K API。
6. 极致吞吐 → 关注 NVIDIA Sol-Engine 路线或等官方稀疏注意力开源。

11. 坑清单

• 2K 和 Context-IR 不开源，短期不会（README 说 Regenerate-2K “ready 后发布”）；2K 私有化无解。
• 稀疏注意力开源版暂无 → 长序列（15s/高分辨率）显存和速度吃亏，等官方更新。
• CFG 蒸馏权重：cfg-parallel-size>1 直接被拒；别按通用 DiT 经验配。
• 合批无收益（算力受限），别拿 LLM 运维直觉来调。
• vLLM-Omni 已知：U2×R2 混合并行有 mask bug（用纯 Ulysses）；VAE 只支持 tile 模式；TeaCache 仅 FL2VA；Ref2VA 参考数支持不全。
• Turbo LoRA 认文件名（服务端按名校验，改名拒收）；ComfyUI 导出版不支持；4 步档音频明显劣化。
• 许可是”下载即接受”的合同：商用记得 UI 标注 “MiniMax H3″；年营收过线主动找 MiniMax 谈；对外提供服务需自建审核护栏（License V.5 + 国内 AIGC 法规双重要求）。
• 许可地域范围可能变动（官方承诺”明示变更”），欧盟/英美主体注意当前被排除。

12. 主要来源

• 官方：开源公告 ｜ HF 模型卡 ｜ 许可原文 ｜ License Q&A ｜ 授权申请 ｜ 官方自托管指南 ｜ awesome-minimax-h3-integration ｜ ModelScope 镜像
• 推理栈：SGLang cookbook ｜ vLLM-Omni 配方 ｜ LMSYS 8×H200 博客 ｜ ComfyUI 教程
• 性能/定价：NVIDIA Sol-Engine H3 Super Acceleration ｜ Reuters 报道 ｜ 定价（768p 0.13/s）来自第三方比价站汇总，下单前以 官方平台 为准
• 原始抓取件存于 智柴/src_h3/（许可、模型卡、vLLM 配方、awesome 表、QA）