A卡+Win11本地部署MiniMax H3：文生图/图生图/多图生图实战教程

AMD显卡用户在AI绘图领域长期处于相对边缘的位置——大部分主流工作流和整合包都优先适配N卡的CUDA生态。这篇教程来自一位B站UP主的实操分享，重点演示了如何在Windows 11系统、AMD显卡环境下，通过ComfyUI本地部署MiniMax H3模型，实现文生图、图生图和多图生图三大功能。以下结合原视频内容做一份结构化整理。

硬件环境与整合包选择

UP主的测试平台为AMD显卡（提到RX 6900 XTX级别），配合32G内存和128G虚拟内存。他明确指出：90系、70系、60系显卡均可运行，但60系显卡需要额外的修复步骤（此前视频有专门讲解）。

对新手而言，最省心的方式是直接使用整合包。整合包采用了「碎片化」上传结构——工作流文件放在最外层，可以单独提取；模型文件则需要按对应目录自行下载。这种设计的好处是用户可以按需取用，不必强制下载全部内容。

值得提醒的是，虚拟内存必须设置到128G以上，这是保证模型稳定运行的硬性要求，也是很多本地部署失败的常见原因。

虚拟内存（Virtual Memory）是操作系统将硬盘空间模拟为内存使用的技术。当物理内存不足时，系统会把暂时不用的数据写入硬盘上的「页面文件」，从而腾出物理内存给当前任务。对于大型AI模型而言，显存和内存的需求都远超普通软件——MiniMax H3这类模型的权重文件本身可能就有数十GB，推理过程中还需要大量中间张量空间。设置128G虚拟内存相当于告诉系统「可以借用这么多硬盘空间作为缓冲」，即便物理内存只有32G，也能维持模型加载和运行不崩溃。需要注意的是，虚拟内存的读写速度远低于物理内存，因此它能保证稳定性，但无法等效替代真实内存在速度上的表现。

三种生图模式实测效果

文生图

文生图即输入文字描述生成图像。UP主用默认提示词生成了一张外国人物图像，画面写实度较高。他特别提到一个性能特征：首次生成会明显偏慢，实测第一张耗时188秒，第二张缓存生效后降到103秒，理论最快可达14秒一张。这种「首次慢、后续快」的规律在图生图、多图生图中同样适用，本质是缓存机制在起作用。

图生图

图生图的典型应用是对已有图片做局部修改。演示中，UP主把一张AI生成人物的衣服替换成了旗袍，操作逻辑相当直观。首次生成耗时256秒，第二次同样会因缓存加速。

多图生图

多图生图是本教程的进阶亮点，最多支持9张参考图。接线逻辑为：从图像节点拖出连线接到下一个节点，用几张图就接几张。比如主图之外，可以再叠加帽子、手表等元素的参考图，模型会综合这些输入生成新图。

这里有两个易错点：一是接了几张图就必须用几张图，否则会报错；二是界面上出现的红色标记并非报错，不影响运行，可以放心执行。

「首次慢、后续快」的现象源于GPU的计算图编译与缓存机制。以AMD显卡配套的ROCm（或DirectML）推理后端为例，模型在第一次运行时需要将计算图（computational graph）编译为适配当前硬件的底层指令，这一过程耗时较长；编译结果会被缓存在本地，后续相同结构的推理任务可以直接复用，跳过编译阶段，速度因此大幅提升。NVIDIA平台上类似的机制被称为CUDA Graph或TensorRT引擎缓存。因此，首次生成时间长并不代表部署出现问题，而是正常的一次性初始化开销。若每次启动程序后首张图都偏慢，属于预期行为。

本地部署完整流程

对愿意手动部署的用户，UP主给出了较完整的步骤链条：

第一步：下载便携版ComfyUI。选择最新的AMD版本ComfyUI，在C/D/E盘任意位置新建H3文件夹，将文件解压进去。

第二步：安装Git。下载X64版本，一路下一步即可完成安装。安装Git是后续拉取节点和依赖的前提。

第三步：进入命令行环境。在ComfyUI的AMD目录下输入CMD打开命令行，进入对应的Python环境后即可执行安装命令。

第四步：安装节点与依赖。粘贴Git命令拉取所需节点，再安装其依赖。UP主强调，用于生图的核心节点「一定要安装」，否则文生图、图生图、多图生图都无法使用。

第五步：下载并归位模型。文本编码器、视频、音频等模型都在GitHub页面给出了对应下载地址，每个模型对应的存放目录（如ComfyUI/Models/下的相应子目录）也都标注清楚，按图索骥即可。

完成以上步骤后，双击启动程序运行ComfyUI，浏览器会自动打开界面。若未自动打开，可手动复制本地地址粘贴到浏览器。之后把对应的工作流文件拖入界面即可直接使用。

ComfyUI是一款基于节点图（node graph）的Stable Diffusion前端工具，用户通过可视化地连接功能节点来构建生图工作流，而非依赖固定界面。每个节点代表一个处理步骤（如加载模型、编码提示词、采样、解码图像），节点之间的连线决定数据流向。这种设计的优势是高度灵活——用户可以自由组合节点实现复杂流程，也可以导入他人分享的工作流文件直接复用。相比WebUI等同类工具，ComfyUI对硬件的控制粒度更细，更适合本地部署调优场景，这也是AMD显卡教程优先选择ComfyUI作为载体的原因之一。Git则是拉取ComfyUI扩展节点（custom nodes）的必要工具，因为大多数社区节点以代码仓库形式分发。

画质增强与参数调优

除了基础生图，整合包还附带了一个修复/放大工具。思路是：先用较低分辨率快速出图，再通过该工具放大补正，最终可达到接近5×4K的效果。这种「低分辨率快速出草稿、后期放大精修」的流程，在追求效率与画质平衡时非常实用。

采样步数方面，默认使用12步（可理解为迭代12次）。想加速可以下调到4步或6步，代价是画质有所折损，用户可按需权衡。

总体评价

这份教程最大的价值在于填补了AMD显卡+Windows平台的本地生图部署空白。MiniMax H3不仅支持文生图三件套，还涵盖图生视频、文生视频、首尾图生视频、参考视频生视频等多种视频能力，功能覆盖面相当广。

对新手来说，直接使用整合包是最稳妥的选择；有一定基础的用户则可以按手动流程部署，理解每个节点和模型的作用。需要注意的是，本地部署对硬件（尤其是虚拟内存）有明确门槛，且首次运行速度较慢属正常现象，不必因此判断部署失败。