MiniMax H3 开源以后很多 AIGC 工作室开始考虑一件事能不能把 H3 从“在线生成工具”变成团队自己长期使用的视频生产环境真正开始部署以后会发现问题并不是把 H3 模型下载下来、找一张 GPU 跑起来就结束了。对工作室来说一套能长期使用的环境通常还涉及H3-BaseComfyUIWorkflow自定义节点和插件GPU 资源模型与素材存储输出文件管理环境镜像与迁移多任务资源安排所以正式租 GPU 之前最好先把整套生产结构想清楚。一、先分清本地 H3-Base 和完整 2K Workflow 不是一回事这是部署 H3 时很容易混淆的一点。MiniMax 当前的 H3 工作流中H3-Base 可以部署到自己的 GPU 环境中运行主要负责基础视频生成。但如果按照官方完整 2K Workflow 运行流程中还会涉及 H3-Context-IR、H3-Regenerate-2K 等官方 API 环节。可以简单理解为本地生产素材→ ComfyUI / Workflow→ 本地 H3-Base→ 视频结果完整增强流程素材→ Context-IR→ H3-Base→ 基础结果→ Regenerate-2K→ 2K 成片所以“自己部署 H3”并不等于所有 H3 能力都完全脱离 MiniMax API。如果工作室主要做大量预览、版本迭代和基础生成可以把 H3-Base 放到自己的 GPU 环境中。如果最终流程仍需要官方增强能力则还要把对应 API 使用成本单独计算。二、ComfyUI 真正解决的是把生成过程变成可复用的 Workflow单纯把 H3 跑起来只解决了“模型能不能运行”。工作室真正关心的往往是今天调好的流程明天还能不能直接继续用一套长期使用的 Workflow 里可能逐渐加入文本提示词首尾帧参考图片参考视频H3 模型节点自定义节点参数配置后处理流程文件保存规则个人测试时临时调几个参数问题不大。但工作室每天反复跑大量任务以后稳定 Workflow 的价值就会明显增加。它能把“某个人知道怎么做”逐渐变成“这套流程本身就能重复使用”。因此部署 H3 时不建议只保存模型。至少应该把这些资产分开管理H3-production/ ├── models/ 模型文件 ├── comfyui/ ComfyUI 环境 ├── custom_nodes/ 自定义节点 ├── workflows/ 工作室 Workflow ├── input/ 素材 ├── output/ 生成结果 ├── scripts/ 辅助脚本 └── docs/ 环境和版本说明以后更换 GPU、迁移实例或者多人协作时这种结构会比“重新搭一遍环境”稳定得多。三、GPU 怎么配不要把卡数直接等同于并发数工作室部署 H3 时很容易产生一个判断一张卡能跑那八张卡是不是就能同时跑八路不能直接这样算。真实运行效果会受到很多因素影响模型版本显存占用系统内存CPU OffloadWorkflow 复杂度视频尺寸和时长单任务资源需求多 GPU 的具体运行方式任务调度方式所以不能把8× RTX 4090 24GB直接理解成8 路固定并发。更不能理解成性能自动提升 8 倍。四、个人创作和工作室部署资源规划逻辑完全不同如果只是个人创作首先需要解决的是一套 H3 ComfyUI Workflow 能不能稳定运行。算家云当前 H3 创作方向采用 1× RTX 4090 24GB 的资源规模适合先做单人 Workflow 调试、模型测试和个人生成环境。但实际能否稳定运行仍然取决于具体模型版本、Workflow、显存占用和运行方案。不能简单理解成“4090 24GB 可以无条件运行所有 H3 工作流”。工作室场景则不同。当团队开始出现多个项目同时推进、多个任务持续生成、不同成员同时使用、Workflow 需要长期复用真正需要解决的就不再只是“一张卡够不够”。在算家云当前 H3 工作室方案中推荐按照 8× RTX 4090 24GB 的算力规模规划工作室级资源池。这里必须区分一点8× RTX 4090 24GB 是算家云面向工作室场景规划的推荐算力规模并不是 MiniMax 官方规定的 H3 标准配置。它也不代表8 卡 8 路固定并发。实际同时能跑多少任务仍然要根据每个任务的显存占用H3 实际运行方案Workflow 复杂度是否存在多卡任务GPU 分配方式任务调度方式进一步验证。所以对工作室来说8 卡更适合理解成“更大的生产资源池”。而不是某个固定并发数字。五、不要把模型、环境、素材和结果全部绑在一个实例里长期生产还有一个很现实的问题GPU 换了环境是不是也要重新搭实例释放以后重要文件还在不在如果这些问题一直靠人工处理工作室规模越大维护成本越明显。可以把生产环境拆成三层。计算层负责GPUCUDAPythonH3 推理ComfyUI 运行这一层会随着 GPU 实例变化。环境层负责ComfyUI插件Python 依赖基础配置常用运行环境这部分最好能够通过镜像或克隆方式复用。生产资产层包括Workflow关键模型项目素材输出结果配置文件项目脚本这些内容不应该只依赖单个计算实例长期保存。六、为什么镜像、克隆和项目网盘对工作室更重要个人测试时重新安装一次环境可能只是多花一点时间。但一套 H3 ComfyUI 环境长期使用以后里面可能已经有多个 Workflow、自定义节点、固定版本依赖、模型文件、项目配置。换节点以后如果全部重新安装很容易出现依赖版本变化节点失效Workflow 无法正常运行模型路径变化不同成员环境不一致算家云专业版当前公开支持保存镜像、实例克隆、同区域跨节点克隆、项目网盘以及按量、按天、按周、按月等使用方式。对于 H3 工作室来说这些能力真正有意义的地方在于环境调好以后后续更换算力时可以尽量继续复用原来的生产环境而不是每次从零开始。七、如果团队不想从零研究部署平台价值应该出现在这里真正自己搭过 H3 环境以后会发现GPU 只是第一步。后面还需要处理H3 模型ComfyUIPython / CUDA 环境模型路径Workflow自定义节点存储运行方式如果工作室本身有专门的基础设施人员可以自己完成这些工作。但很多 AIGC 工作室真正擅长的是内容生产而不是模型环境部署。这时候部署本身就会成为额外成本。算家云当前 H3 工作室方案的重点并不只是提供 GPU。购买对应算力后可以由算家云协助完成 MiniMax H3、ComfyUI 等基础运行环境的部署让团队不用从零研究整套环境搭建再把主要精力放回Workflow、素材、生成效果、项目生产和交付。不过这里也要划清边界。部署协助不等于永久代运维、无限技术支持、无限 Workflow 定制也不能自动理解成固定 SLA。正式使用前最好把需要协助的范围确认清楚。八、多人使用和任务队列不是装好 ComfyUI 就自动拥有工作室规模上来以后通常还会出现多人一起使用多个任务同时提交任务需要排队不同项目需要隔离。这些能力不能简单归到 GPU 数量上。也不能默认H3 ComfyUI完整的多人生产管理系统。真正的工作室系统通常还要进一步解决谁提交任务任务怎么排队分配到哪张 GPU结果保存在哪里失败以后怎么重跑因此可以把系统拆成两层【模型运行层】解决H3 能不能稳定生成。【生产管理层】解决任务提交、调度、排队、项目管理和结果管理。这两层不是一回事。九、长期跑 H3成本更适合按 GPU 使用周期管理算家云没有积分计费体系。H3 部署到云 GPU 环境以后算家云侧的主要算力成本来自实际租用了什么 GPU使用了多长时间采用哪种计费方式是否产生额外存储成本所以工作室更适合按照GPU 资源规模 × 实际使用时间 存储等长期资源成本来管理算力支出。而不是简单问“一条视频多少钱”这并不意味着自部署一定比在线生成服务便宜。如果只是偶尔生成几条视频在线工具反而更简单。只有当团队进入持续、高频、重复使用同一套环境的阶段按 GPU 使用周期管理资源才更值得比较。如果 Workflow 中还使用 MiniMax 官方 API则对应的 API 使用成本需要另外计算。十、正式部署前建议先确认这 6 件事① 需要的是本地 H3-Base还是完整增强 Workflow② 当前 Workflow 是否已经基本稳定③ 一个真实生产任务到底需要多少 GPU 和显存资源④ 多任务准备采用什么分配方式⑤ Workflow、模型、素材和最终结果分别保存在哪里⑥ 哪些部署工作由平台协助哪些环境和业务流程由团队自己维护这几个问题确认以后再决定具体 GPU 数量和长期资源方案会比直接“先上几张卡再说”更稳。总结AIGC 工作室部署 MiniMax H3真正要搭的不是“一台安装了 H3 的机器”。而是一套由H3-BaseComfyUIWorkflowGPU 资源存储环境复用生产管理共同组成的视频生产环境。个人创作者可能只需要先把一张 GPU 跑通。但当工作室进入持续生产以后更重要的问题会逐渐变成环境能不能复用任务能不能继续扩Workflow 能不能长期使用数据能不能稳定保存更换算力以后还能不能继续生产。所以像 8× RTX 4090 24GB 这样的工作室级方案真正应该解决的是资源池规模问题而不是简单包装成固定几路并发。GPU 只是生产线的一部分。H3、ComfyUI、Workflow、环境和资源管理组合起来以后才是一套真正能够长期使用的视频生产环境。