AI Fruit
返回博客

MiniMax H3 VBVR LoRA：安装与使用教程（附官方对比说明）

VBVR LoRA（H3-Licon-VBVR-I2V）针对 MiniMax H3 图生视频中的物体复制与动作逻辑问题。本文讲清 ComfyUI 安装步骤、官方对比实际展示了什么，以及在投入约 40 GB 模型文件前需要知道的事。

更新于 AI Fruit 团队
MiniMax H3 VBVR LoRA：安装与使用教程（附官方对比说明）

MiniMax H3 VBVR LoRA：安装与使用教程（附官方对比说明）

VBVR LoRA 是 MiniMax H3 图生视频工作流的一个 149 MB 附加组件，针对三类具体失败模式：物体在运动中莫名复制、角色穿模、动作序列逻辑断裂。安装只需两步——把 H3-Licon-VBVR-I2V.safetensors 放进 ComfyUI/models/loras/，然后在 H3 图生视频工作流的 LoRA 加载器里选中它。真正麻烦的是它周围的一切：VBVR 挂在 33B 参数的底模上，你得先让 H3 本身在 ComfyUI 里跑起来，准备约 40 GB 的模型文件和能带动它的 GPU。

这篇教程覆盖整条链路：VBVR 到底是什么（这个名字来自一套视觉推理训练集，不是营销词）、如何装好 H3 基础工作流、如何接入 LoRA、官方发布的对比视频实际展示了什么——以及在本地跑 33B 视频模型超出你预期时该怎么办。

快速事实
文件 H3-Licon-VBVR-I2V.safetensors（149 MB）
发布方 LiconStudio，2026 年 10 月 23 日发布
作用于 MiniMax H3 图生视频（FL2VA）工作流
许可证 Apache 2.0（LoRA 本体）；MiniMax H3 Community License（底模）
热度 Hugging Face 上近一个月约 10,000 次下载、165 个赞（2026 年 11 月 4 日查询）
用法 放入 ComfyUI/models/loras/，在工作流的 LoRA 加载器中选中

先说一个命名坑：README 里让你下载 H3-VBVR-I2V.safetensors，但仓库里的实际文件已改名为 H3-Licon-VBVR-I2V.safetensors。权重相同，只是改名——别去找一个不存在的文件。

VBVR 到底是什么

VBVR 指的是一项公开发表的研究：VBVR-Pro，一个"可扩展、可验证的原生视觉推理套件"。研究者程序化生成视频推理任务——把物体移出画面再移回来且不能变、把恰好三个苹果装进纸袋且不能多不能少、一步步解开屏幕上的谜题——并用基于规则的确定性打分替代裁判模型。它的视频微调子集 VBVR-Pro-SFT-Video 包含 124 万条生成样本，覆盖 250 个任务族，分辨率 512×512。

VBVR LoRA 就是围绕 H3 重建的这套训练数据。据模型卡说明，LiconStudio 针对 H3 的训练管线重新处理了 VBVR-Pro-SFT-Video 数据，把"结构化的运动与交互模式"蒸馏进 LoRA。三项声称的改进与任务风格一一对应：

  • 减少物体复制——运动中不再凭空多出物体（计数与"消失再出现"任务正瞄准这一点）
  • 减少穿模与互渗——角色、物体、表面之间的空间关系更干净
  • 改进角色动作逻辑——整段视频里动作序列保持连贯

别把它和搜索排名很高的 Patarapoom/h3-vbvr 仓库弄混。那个仓库是约 41 GB H3 文件（扩散模型、文本编码器、VAE）的原样转存，为 RunPod serverless 缓存而建——里面捆了一个约 30 MB 的社区"attention-only" VBVR 变体，但它不是本文讲的 Licon LoRA，也没有做任何再训练。要下本文覆盖的 LoRA，请认准 LiconStudio 仓库。

装 LoRA 之前：先让 H3 在 ComfyUI 里跑起来

VBVR 插在现成的 H3 图生视频工作流上——它不能独立运行。官方路径是 ComfyUI 的 MiniMax H3 I2V 模板（Workflow Library → Video），要求 ComfyUI 0.30.0 或更新版本，以及 Comfy-Org 转存好的这些文件：

文件 放置目录
minimax_h3_fl2va_pruned_int8_convrot.safetensors models/diffusion_models/
qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors models/text_encoders/
minimax_h3_video_vae_int8_convrot.safetensors models/vae/
minimax_h3_audio_vae_fp32.safetensors models/vae/
minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16.safetensors（可选提速 LoRA） models/loras/

ComfyUI 官方文档列出 MiniMax H3 模板所需模型文件（扩散模型、Qwen3-VL 文本编码器、视频与音频 VAE、turbo LoRA）及其放置目录和 ComfyUI/models 目录树

ComfyUI 官方文档：模板模型文件与放置目录（I2V 模板使用相同文件集）。来源：docs.comfy.org，2026-11-04 访问。

下载之前先掂量体积：常用量化版本下，一次 H3 渲染要碰约 21 GB 扩散模型、16 GB 文本编码器和 4 GB VAE——算下来 40 GB 出头，然后才是 LoRA 那 149 MB。Comfy-Org 建议在 CUDA 13.0+ 的 PyTorch 上用 int8_convrot 版本，跑不了再退到 fp8_scaled；nvfp4 文本编码器不要求 Blackwell 显卡。

正式生成后，官方模板文档里有两条实操规则要记住：

  • 分辨率和时长会吸附到网格。 原生 16:9 是 1344×768（边长 32 的倍数），时长按 24 FPS 吸附到 17k+5 帧。I2V 模板打开时是很小的 1:1 画布（640×640，0.4 MP）——出成片前记得调高 Megapixels。
  • 首帧和尾帧的行为不一样。 first_frame 会被缩放到画布，比例不合的图会被拉变形；last_frame 则是居中裁切。

投入时间之前还要确认一件事：H3 开源权重采用 MiniMax H3 Community License，本地生成内容的商用需要 MiniMax 商业授权（Comfy 是官方经销渠道）。VBVR LoRA 本身是 Apache 2.0，但管住你产出的是底模条款。

安装 VBVR LoRA

  1. 下载 LoRA：LiconStudio 仓库里的 H3-Licon-VBVR-I2V.safetensors（149 MB）。
  2. 放进 ComfyUI/models/loras/——和模板里那个可选提速 LoRA 同一个文件夹。
  3. 在工作流的 LoRA 加载器中选中它。模型卡唯一声明的要求是"兼容 MiniMax-H3 的图生视频工作流"——VBVR 针对的是 FL2VA/I2V 路径，不是 Ref2VA 参考生成 checkpoint，别加载错。
  4. 设置强度与步数。 模型卡没有给出推荐强度，也没有说明其验证视频用的采样 schedule——ComfyUI LoRA 加载器默认强度 1.0，从默认值起步即可。一个提醒：模板里可选的 8 步 turbo 模式是单独的提速 LoRA，不是 VBVR。要做干净的对比，让基线和 VBVR 两版在相同 schedule、相同提示词、相同 seed 下各跑一次。
  5. 两边都跑一遍。 唯一有意义的评估是你自己提示词上的 A/B 对照——看点见下文。

效果对比：官方发布的内容说明了什么

仓库带六个验证样例（validation/1 到 6），每个都包含条件图、提示词和两条视频：原始 H3-FL2VA 输出对比 H3 加 VBVR。这些是作者自己发布的演示——不是独立评测，设定预期时要记住这个区别。

LiconStudio Minimax-H3-VBVR 模型卡的 Video Comparisons 区域，并排展示原始 H3 与 H3+VBVR 的示例视频

模型卡上作者发布的同屏对比示例。来源：huggingface.co/LiconStudio/Minimax-H3-VBVR，2026-11-04 访问。

第一个样例最能说明训练思路：写实风格的水果摊，提示词要求顾客一次一个地拿起三个红苹果放进纸袋，最后袋里"恰好三个"、柜台一个不剩——并明确写了"不能切换镜头、不能复制、不能多出苹果"。计数与遮挡下的物体持续性正是 VBVR-Pro 任务反复训练的失败模式，这正是预期 LoRA 发挥作用的地方。其余样例模式相同：物体必须在运动中保住身份和数量的强交互场景。

老实说：模型卡声称的改进（更少复制、更少穿模、更连贯的动作逻辑）都只体现在作者自己发布的同屏对比视频里，可以直接在模型卡上观看。目前还没有任何独立方对这个 LoRA 做过评测。想自己判断，最省事的办法是挑一个 H3 已经"接近成功"的提示词——一个有 3–5 个物体被拿取、搬运或装袋的场景——在物体互动的那几帧逐帧对比两个版本。

没有 33B 级硬件？在线方案

本地跑 H3 是一笔实打实的投入：几十 GB 权重、带得动 33B Transformer 的 GPU 配置，而且 2K 输出依然不在本地管线里（开源版本针对约 1 MP / 768 px；2K 来自 MiniMax 托管的再生成阶段，或 ComfyUI 里单独的放大步骤）。

如果这超出你愿意承接的范围，底模本身有托管方案：AI Fruit 的视频生成器内置 MiniMax H3，浏览器里直接跑文生视频和图生视频，768P 或 2K 可选，无需任何本地配置——想先看看 H3 在高一致性提示词上的表现、再决定值不值得搭本地 LoRA 环境，可以直接试。注意托管生成器跑的是底模；VBVR LoRA 是本地工作流的附加组件，托管端不提供。在 AI Fruit 生成器里试用 MiniMax H3

AI Fruit 的 MiniMax H3 模型页，显示托管规格（4-15 秒时长、768p/2K 分辨率、原生立体声、开放权重许可、默认 32 credits）与 Ways to Run MiniMax H3 区块

想在 H3 上走得更远，还有两篇站内阅读：FastH3 Omni 介绍 FastVideo 的 8 步蒸馏 H3 checkpoint（本地提速），MiniMax H3 Timeline 插件介绍 ComfyUI 里的分镜多镜头工作流。

结论

VBVR LoRA 是昂贵底模上一个便宜、目标明确的实验：149 MB 对约 40 GB，解决的是具体的一致性失败而非泛泛的画质。如果你的 H3 视频反复出现物体复制或动作逻辑断裂，它是目前少数公开、可复现、正面解决这个问题的方案——而且附带的同屏证据在下载之前就能核验。装进 LoRA 加载器，同一提示词跑两遍，在物体必须"经得起互动"的那些镜头上做判断。