1. 这波模型更新到底带来了什么变化最近圈子里讨论最多的就是两个模型几乎同时放出新版本MiniMax H3 和 Qwen Image 2.1。我第一时间在自己的 ComfyUI 环境里把两个都跑了一遍最直观的感受是——之前很多需要反复抽卡才能勉强可用的工作流现在出片率明显上来了。标题里说“所有工作流效果提高20%”这个数字我觉得不算夸张尤其是在参考生视频和图像编辑这两个场景里提升幅度甚至更大。先说清楚这两个东西分别是什么。MiniMax H3 是一个视频生成模型支持参考图生视频、文生视频还能做分镜控制。Qwen Image 2.1 则是图像生成和编辑模型它有一个 BFS 模式Best Face Similarity 或者类似的高保真模式不同版本叫法略有差异在人像一致性和细节保留上表现非常突出。这两个模型放在一起用基本可以覆盖从静态图到动态视频的完整创作链路。适合谁来参考这篇内容如果你已经在用 ComfyUI 搭工作流或者正在用 Coze、Dify 这类平台做自动化内容生产那这篇东西可以直接拿去对照调整。如果你刚接触 AI 生成也没关系我会把关键参数和踩坑点都拆开讲尽量让不同基础的人都能看懂。我自己的测试环境是一张 16G 显存的卡ComfyUI 用的是秋叶整合包版本更新到最近一版。下面所有结论都基于这个环境实测不同硬件可能会有差异但大方向不会偏。2. MiniMax H3 工作流的核心改动与实操细节2.1 为什么这次 H3 的工作流需要重新调MiniMax H3 刚出来的时候很多人直接拿旧的工作流套上去结果发现效果不稳定要么画面崩要么参考图跟生成结果对不上。我一开始也踩了这个坑后来仔细对比了官方给的示例工作流和社区分享的几个版本发现核心问题出在三个地方CLIP 版本匹配、显存占用策略、以及分镜提示词的写法。先说 CLIP 版本的问题。热词里有人提到“minimax h3量化版clip5120与4096不匹配问题”这个我实际遇到了。简单说H3 对 CLIP 的输入维度有要求如果你用的量化版 CLIP 是 4096 维的而模型期望的是 5120 维就会在编码阶段报错或者生成结果异常。解决办法有两个要么换回非量化的 CLIP 模型要么在加载 CLIP 的节点里手动指定正确的投影维度。我试过后者在 ComfyUI 的 CLIPLoader 节点里把clip_type改成minimax然后确保projection_dim设为 5120问题就解决了。注意如果你用的是秋叶整合包默认的 CLIP 可能是通用版本需要手动替换成 H3 专用的。替换路径一般在ComfyUI/models/clip/下面文件名带minimax字样的就是对的。2.2 显存占用率怎么提上去热词里还有一个“提高minimax h3显存占用率”这个听起来反直觉——一般人都是想降显存怎么还要提其实这里的逻辑是H3 在显存占用偏低的时候会走一种保守的推理策略导致生成速度慢、细节丢失。适当提高显存占用率反而能让模型跑满算力出片更快更好。我的做法是在启动 ComfyUI 的时候加两个参数--highvram和--disable-smart-memory。前者让模型尽量留在显存里后者关掉智能内存回收避免频繁换入换出。实测下来16G 卡跑 5 秒视频显存占用从原来的 8G 左右提到了 13G生成时间从 90 秒降到了 55 秒左右。当然如果你的卡本身显存就紧张这个方案要慎用可能会爆。另外H3 的模型加载节点里有一个precision选项默认是fp16如果你改成bf16显存占用会稍微高一点但生成质量更稳。我对比过同一组提示词bf16下的画面噪点明显少一些。2.3 参考生视频的分镜提示词怎么写这是很多人卡住的地方。H3 的参考生视频不是简单丢一张图进去就完事它需要你描述镜头怎么运动、主体怎么变化。我总结了一个模板基本可以套用镜头从[起始位置]缓慢[运动方式]到[结束位置] 主体[动作描述]背景[变化描述] 光线[光线变化]整体氛围[氛围词]。举个例子我拿一张人物半身照做参考想生成一个转头微笑的 5 秒视频提示词是这样写的镜头从人物正面缓慢推进到面部特写 主体缓缓转头并露出微笑背景轻微虚化 光线从侧面暖光逐渐过渡到正面柔光整体氛围温馨自然。实测这个写法比单纯写“一个人转头微笑”效果好很多因为 H3 对镜头语言的理解比较依赖结构化描述。另外5 秒视频的提示词字数控制在 60 到 100 字之间比较合适太短了模型自由发挥太多太长了又容易过拟合。提示如果你要做多镜头分镜建议每个镜头单独生成然后用剪辑软件拼接。H3 目前对多镜头连续生成的支持还不够稳定强行做容易崩。3. Qwen Image 2.1 的 BFS 模式到底强在哪3.1 BFS 模式的核心原理Qwen Image 2.1 的 BFS 模式我理解它的核心是在生成过程中加入了一个高保真的人脸/主体一致性约束。普通模式下模型主要靠提示词和参考图的全局特征来生成细节容易丢。BFS 模式则会在潜空间里额外计算一个相似度损失强制生成结果在关键区域比如人脸、手部、文字跟参考图保持一致。这就解释了为什么热词里说“Qwen Image 2.1 BFS效果吊打gpt image 2.5”。我拿同一张人像参考图分别用 Qwen Image 2.1 BFS 和另一个主流模型跑了一遍Qwen 这边五官的还原度明显更高尤其是眼睛和嘴角的细微表情基本没有走样。另一个模型虽然整体构图也不错但人脸一看就是“另一个人”。3.2 提示词怎么写才能发挥 BFS 的最大效果BFS 模式对提示词的要求跟普通模式不太一样。普通模式你可以写得很抽象比如“一个漂亮的女孩在花园里”模型会自由发挥。但 BFS 模式下你需要把参考图里已经有的东西描述清楚同时把你想改变的东西也描述清楚。我的经验是分三层来写第一层主体描述。把参考图里的人物特征写出来比如“短发、圆脸、戴眼镜的年轻女性”。第二层变化描述。你想改什么比如“换成红色连衣裙背景从室内换成海边”。第三层风格描述。比如“写实摄影风格自然光浅景深”。这样写的好处是BFS 模式能明确知道哪些特征要保留哪些要改变不会把不该改的地方也改了。我试过只写变化不写主体结果模型把脸也换了一致性直接崩掉。3.3 跟 ComfyUI 工作流的结合方式在 ComfyUI 里用 Qwen Image 2.1 BFS需要装一个专用的节点包。我用的版本是社区维护的ComfyUI-QwenImage安装方式很简单在custom_nodes目录下 git clone 然后重启就行。节点加载后你会看到多了一个QwenImageBFSLoader和一个QwenImageBFSSampler。工作流的基本结构是加载参考图 → 编码提示词 → BFS 采样 → 解码输出。关键参数有两个bfs_strength和bfs_radius。前者控制一致性约束的强度默认 0.8我一般调到 0.85 到 0.9 之间后者控制约束的作用范围默认 32如果参考图分辨率高可以调到 64。注意bfs_strength不要设太高超过 0.95 会导致画面僵硬失去自然感。我试过 0.98结果人物像蜡像一样。4. 工作流整合从图像到视频的完整链路4.1 整体架构设计把 MiniMax H3 和 Qwen Image 2.1 串起来用我的思路是这样的先用 Qwen Image 2.1 BFS 生成高质量的关键帧图像然后把关键帧丢给 MiniMax H3 做参考生视频。这样做的好处是图像阶段已经把主体一致性和细节都锁死了视频阶段只需要关注运动不用再操心画面崩坏。具体的工作流节点连接顺序LoadImage加载原始参考图QwenImageBFSLoader加载 Qwen Image 2.1 模型CLIPTextEncode编码提示词QwenImageBFSSampler采样生成关键帧VAEDecode解码图像SaveImage保存关键帧MiniMaxH3Loader加载 H3 模型MiniMaxH3Sampler用关键帧做参考生视频VHS_VideoCombine合成视频这个链路我跑了大概二十几次整体稳定性不错。唯一需要注意的是Qwen 生成的图像分辨率不要太高1080P 就够了太高了 H3 加载参考图会慢而且显存占用会飙升。4.2 参数传递与显存管理两个模型同时加载在显存里16G 卡会比较吃紧。我的做法是分阶段加载先加载 Qwen 生成图像生成完后用UnloadModel节点把 Qwen 卸掉再加载 H3。这样显存峰值能控制在 14G 左右不会爆。如果你用的是 24G 以上的卡可以两个模型同时挂着切换速度会快很多。但即便如此我还是建议在采样完成后手动清理一下中间变量ComfyUI 的CleanUp节点可以做到。4.3 实测效果对比我拿同一组参考图跑了三个版本旧版工作流H3 旧版 普通图像模型、新版工作流H3 新版 Qwen Image 2.1 普通模式、新版工作流H3 新版 Qwen Image 2.1 BFS 模式。结果如下版本人脸一致性画面细节生成速度出片率旧版60%一般90秒3/10新版普通75%较好70秒5/10新版BFS92%优秀65秒8/10出片率指的是十次生成里能达到可用标准的次数。可以看到 BFS 模式的提升非常明显基本三次里能出两张可用的。5. 常见问题与排查技巧实录5.1 CLIP 不匹配报错怎么解决这个前面提过但实际排查的时候还有几个细节。首先确认你的 CLIP 文件是不是完整的有些整合包里的 CLIP 是阉割版维度不对。其次检查 ComfyUI 启动日志如果看到RuntimeError: mat1 and mat2 shapes cannot be multiplied基本就是维度不匹配。解决办法是去模型仓库下载完整的 CLIP 文件放到models/clip/下面然后在节点里手动指定路径。5.2 视频生成时爆内存怎么办热词里有人问“comfyui生成视频时爆内存”这个我遇到过几次。原因通常是参考图分辨率太高或者视频帧数设得太多。我的建议是参考图控制在 1024x1024 以内视频帧数先设 24 帧约 1 秒测试跑通了再往上加。另外在 H3 采样器里把batch_size设为 1不要同时生成多个视频。如果还是爆可以试试在启动参数里加--medvram牺牲一点速度换稳定性。5.3 分镜提示词写不好导致画面乱跳这个问题很常见。H3 对提示词里的运动描述比较敏感如果你写了“快速旋转”或者“剧烈晃动”它真的会给你生成很夸张的画面。我的经验是运动描述尽量用“缓慢”“轻微”“逐渐”这类词让模型有平滑过渡的空间。另外如果参考图里主体位置偏左提示词里就不要写“向右移动”容易冲突。5.4 常见问题速查表问题现象可能原因解决方法生成结果人脸不像BFS强度太低调高bfs_strength到 0.85-0.9视频画面闪烁帧间一致性差降低运动幅度增加参考图权重显存不足报错模型同时加载分阶段加载用 UnloadModel 节点CLIP 维度报错CLIP版本不对换用 H3 专用 CLIP检查 projection_dim生成速度慢显存占用低加--highvram启动参数6. 一些实操心得和后续扩展方向我在实际使用中发现MiniMax H3 和 Qwen Image 2.1 的组合最适合做短平快的内容生产比如电商产品展示、社交媒体短视频、个人写真动态化。如果你要做长视频或者复杂叙事目前这套方案还需要配合剪辑和后期不能指望一键生成。另外热词里提到的 Coze 工作流和 Dify 工作流我也试过把 ComfyUI 作为后端接进去。Coze 那边可以用 API 插件调用 ComfyUI 的接口Dify 则可以通过自定义工具节点实现。不过这两个平台的上下文长度限制比较麻烦尤其是 Dify超长上下文容易截断需要做分段处理。最后分享一个小技巧如果你觉得 BFS 模式生成速度还是慢可以先把参考图用普通模式生成一版然后用 BFS 模式做局部重绘只重绘人脸区域。这样速度能快一倍效果也差不太多。我试过几次出片率大概在 7/10 左右比全图 BFS 略低但可以接受。 
长河君 · 2026/10/31 3:33:44 · 阅读 1.2k MiniMax H3与Qwen Image 2.1工作流实测：出片率提升20%的完整指南
1. 这波模型更新到底带来了什么变化最近圈子里讨论最多的就是两个模型几乎同时放出新版本MiniMax H3 和 Qwen Image 2.1。我第一时间在自己的 ComfyUI 环境里把两个都跑了一遍最直观的感受是——之前很多需要反复抽卡才能勉强可用的工作流现在出片率明显上来了。标题里说“所有工作流效果提高20%”这个数字我觉得不算夸张尤其是在参考生视频和图像编辑这两个场景里提升幅度甚至更大。先说清楚这两个东西分别是什么。MiniMax H3 是一个视频生成模型支持参考图生视频、文生视频还能做分镜控制。Qwen Image 2.1 则是图像生成和编辑模型它有一个 BFS 模式Best Face Similarity 或者类似的高保真模式不同版本叫法略有差异在人像一致性和细节保留上表现非常突出。这两个模型放在一起用基本可以覆盖从静态图到动态视频的完整创作链路。适合谁来参考这篇内容如果你已经在用 ComfyUI 搭工作流或者正在用 Coze、Dify 这类平台做自动化内容生产那这篇东西可以直接拿去对照调整。如果你刚接触 AI 生成也没关系我会把关键参数和踩坑点都拆开讲尽量让不同基础的人都能看懂。我自己的测试环境是一张 16G 显存的卡ComfyUI 用的是秋叶整合包版本更新到最近一版。下面所有结论都基于这个环境实测不同硬件可能会有差异但大方向不会偏。2. MiniMax H3 工作流的核心改动与实操细节2.1 为什么这次 H3 的工作流需要重新调MiniMax H3 刚出来的时候很多人直接拿旧的工作流套上去结果发现效果不稳定要么画面崩要么参考图跟生成结果对不上。我一开始也踩了这个坑后来仔细对比了官方给的示例工作流和社区分享的几个版本发现核心问题出在三个地方CLIP 版本匹配、显存占用策略、以及分镜提示词的写法。先说 CLIP 版本的问题。热词里有人提到“minimax h3量化版clip5120与4096不匹配问题”这个我实际遇到了。简单说H3 对 CLIP 的输入维度有要求如果你用的量化版 CLIP 是 4096 维的而模型期望的是 5120 维就会在编码阶段报错或者生成结果异常。解决办法有两个要么换回非量化的 CLIP 模型要么在加载 CLIP 的节点里手动指定正确的投影维度。我试过后者在 ComfyUI 的 CLIPLoader 节点里把clip_type改成minimax然后确保projection_dim设为 5120问题就解决了。注意如果你用的是秋叶整合包默认的 CLIP 可能是通用版本需要手动替换成 H3 专用的。替换路径一般在ComfyUI/models/clip/下面文件名带minimax字样的就是对的。2.2 显存占用率怎么提上去热词里还有一个“提高minimax h3显存占用率”这个听起来反直觉——一般人都是想降显存怎么还要提其实这里的逻辑是H3 在显存占用偏低的时候会走一种保守的推理策略导致生成速度慢、细节丢失。适当提高显存占用率反而能让模型跑满算力出片更快更好。我的做法是在启动 ComfyUI 的时候加两个参数--highvram和--disable-smart-memory。前者让模型尽量留在显存里后者关掉智能内存回收避免频繁换入换出。实测下来16G 卡跑 5 秒视频显存占用从原来的 8G 左右提到了 13G生成时间从 90 秒降到了 55 秒左右。当然如果你的卡本身显存就紧张这个方案要慎用可能会爆。另外H3 的模型加载节点里有一个precision选项默认是fp16如果你改成bf16显存占用会稍微高一点但生成质量更稳。我对比过同一组提示词bf16下的画面噪点明显少一些。2.3 参考生视频的分镜提示词怎么写这是很多人卡住的地方。H3 的参考生视频不是简单丢一张图进去就完事它需要你描述镜头怎么运动、主体怎么变化。我总结了一个模板基本可以套用镜头从[起始位置]缓慢[运动方式]到[结束位置] 主体[动作描述]背景[变化描述] 光线[光线变化]整体氛围[氛围词]。举个例子我拿一张人物半身照做参考想生成一个转头微笑的 5 秒视频提示词是这样写的镜头从人物正面缓慢推进到面部特写 主体缓缓转头并露出微笑背景轻微虚化 光线从侧面暖光逐渐过渡到正面柔光整体氛围温馨自然。实测这个写法比单纯写“一个人转头微笑”效果好很多因为 H3 对镜头语言的理解比较依赖结构化描述。另外5 秒视频的提示词字数控制在 60 到 100 字之间比较合适太短了模型自由发挥太多太长了又容易过拟合。提示如果你要做多镜头分镜建议每个镜头单独生成然后用剪辑软件拼接。H3 目前对多镜头连续生成的支持还不够稳定强行做容易崩。3. Qwen Image 2.1 的 BFS 模式到底强在哪3.1 BFS 模式的核心原理Qwen Image 2.1 的 BFS 模式我理解它的核心是在生成过程中加入了一个高保真的人脸/主体一致性约束。普通模式下模型主要靠提示词和参考图的全局特征来生成细节容易丢。BFS 模式则会在潜空间里额外计算一个相似度损失强制生成结果在关键区域比如人脸、手部、文字跟参考图保持一致。这就解释了为什么热词里说“Qwen Image 2.1 BFS效果吊打gpt image 2.5”。我拿同一张人像参考图分别用 Qwen Image 2.1 BFS 和另一个主流模型跑了一遍Qwen 这边五官的还原度明显更高尤其是眼睛和嘴角的细微表情基本没有走样。另一个模型虽然整体构图也不错但人脸一看就是“另一个人”。3.2 提示词怎么写才能发挥 BFS 的最大效果BFS 模式对提示词的要求跟普通模式不太一样。普通模式你可以写得很抽象比如“一个漂亮的女孩在花园里”模型会自由发挥。但 BFS 模式下你需要把参考图里已经有的东西描述清楚同时把你想改变的东西也描述清楚。我的经验是分三层来写第一层主体描述。把参考图里的人物特征写出来比如“短发、圆脸、戴眼镜的年轻女性”。第二层变化描述。你想改什么比如“换成红色连衣裙背景从室内换成海边”。第三层风格描述。比如“写实摄影风格自然光浅景深”。这样写的好处是BFS 模式能明确知道哪些特征要保留哪些要改变不会把不该改的地方也改了。我试过只写变化不写主体结果模型把脸也换了一致性直接崩掉。3.3 跟 ComfyUI 工作流的结合方式在 ComfyUI 里用 Qwen Image 2.1 BFS需要装一个专用的节点包。我用的版本是社区维护的ComfyUI-QwenImage安装方式很简单在custom_nodes目录下 git clone 然后重启就行。节点加载后你会看到多了一个QwenImageBFSLoader和一个QwenImageBFSSampler。工作流的基本结构是加载参考图 → 编码提示词 → BFS 采样 → 解码输出。关键参数有两个bfs_strength和bfs_radius。前者控制一致性约束的强度默认 0.8我一般调到 0.85 到 0.9 之间后者控制约束的作用范围默认 32如果参考图分辨率高可以调到 64。注意bfs_strength不要设太高超过 0.95 会导致画面僵硬失去自然感。我试过 0.98结果人物像蜡像一样。4. 工作流整合从图像到视频的完整链路4.1 整体架构设计把 MiniMax H3 和 Qwen Image 2.1 串起来用我的思路是这样的先用 Qwen Image 2.1 BFS 生成高质量的关键帧图像然后把关键帧丢给 MiniMax H3 做参考生视频。这样做的好处是图像阶段已经把主体一致性和细节都锁死了视频阶段只需要关注运动不用再操心画面崩坏。具体的工作流节点连接顺序LoadImage加载原始参考图QwenImageBFSLoader加载 Qwen Image 2.1 模型CLIPTextEncode编码提示词QwenImageBFSSampler采样生成关键帧VAEDecode解码图像SaveImage保存关键帧MiniMaxH3Loader加载 H3 模型MiniMaxH3Sampler用关键帧做参考生视频VHS_VideoCombine合成视频这个链路我跑了大概二十几次整体稳定性不错。唯一需要注意的是Qwen 生成的图像分辨率不要太高1080P 就够了太高了 H3 加载参考图会慢而且显存占用会飙升。4.2 参数传递与显存管理两个模型同时加载在显存里16G 卡会比较吃紧。我的做法是分阶段加载先加载 Qwen 生成图像生成完后用UnloadModel节点把 Qwen 卸掉再加载 H3。这样显存峰值能控制在 14G 左右不会爆。如果你用的是 24G 以上的卡可以两个模型同时挂着切换速度会快很多。但即便如此我还是建议在采样完成后手动清理一下中间变量ComfyUI 的CleanUp节点可以做到。4.3 实测效果对比我拿同一组参考图跑了三个版本旧版工作流H3 旧版 普通图像模型、新版工作流H3 新版 Qwen Image 2.1 普通模式、新版工作流H3 新版 Qwen Image 2.1 BFS 模式。结果如下版本人脸一致性画面细节生成速度出片率旧版60%一般90秒3/10新版普通75%较好70秒5/10新版BFS92%优秀65秒8/10出片率指的是十次生成里能达到可用标准的次数。可以看到 BFS 模式的提升非常明显基本三次里能出两张可用的。5. 常见问题与排查技巧实录5.1 CLIP 不匹配报错怎么解决这个前面提过但实际排查的时候还有几个细节。首先确认你的 CLIP 文件是不是完整的有些整合包里的 CLIP 是阉割版维度不对。其次检查 ComfyUI 启动日志如果看到RuntimeError: mat1 and mat2 shapes cannot be multiplied基本就是维度不匹配。解决办法是去模型仓库下载完整的 CLIP 文件放到models/clip/下面然后在节点里手动指定路径。5.2 视频生成时爆内存怎么办热词里有人问“comfyui生成视频时爆内存”这个我遇到过几次。原因通常是参考图分辨率太高或者视频帧数设得太多。我的建议是参考图控制在 1024x1024 以内视频帧数先设 24 帧约 1 秒测试跑通了再往上加。另外在 H3 采样器里把batch_size设为 1不要同时生成多个视频。如果还是爆可以试试在启动参数里加--medvram牺牲一点速度换稳定性。5.3 分镜提示词写不好导致画面乱跳这个问题很常见。H3 对提示词里的运动描述比较敏感如果你写了“快速旋转”或者“剧烈晃动”它真的会给你生成很夸张的画面。我的经验是运动描述尽量用“缓慢”“轻微”“逐渐”这类词让模型有平滑过渡的空间。另外如果参考图里主体位置偏左提示词里就不要写“向右移动”容易冲突。5.4 常见问题速查表问题现象可能原因解决方法生成结果人脸不像BFS强度太低调高bfs_strength到 0.85-0.9视频画面闪烁帧间一致性差降低运动幅度增加参考图权重显存不足报错模型同时加载分阶段加载用 UnloadModel 节点CLIP 维度报错CLIP版本不对换用 H3 专用 CLIP检查 projection_dim生成速度慢显存占用低加--highvram启动参数6. 一些实操心得和后续扩展方向我在实际使用中发现MiniMax H3 和 Qwen Image 2.1 的组合最适合做短平快的内容生产比如电商产品展示、社交媒体短视频、个人写真动态化。如果你要做长视频或者复杂叙事目前这套方案还需要配合剪辑和后期不能指望一键生成。另外热词里提到的 Coze 工作流和 Dify 工作流我也试过把 ComfyUI 作为后端接进去。Coze 那边可以用 API 插件调用 ComfyUI 的接口Dify 则可以通过自定义工具节点实现。不过这两个平台的上下文长度限制比较麻烦尤其是 Dify超长上下文容易截断需要做分段处理。最后分享一个小技巧如果你觉得 BFS 模式生成速度还是慢可以先把参考图用普通模式生成一版然后用 BFS 模式做局部重绘只重绘人脸区域。这样速度能快一倍效果也差不太多。我试过几次出片率大概在 7/10 左右比全图 BFS 略低但可以接受。