ComfyUI Spectrum MiniMax H3：通过特征预测加速视频生成，最高减少 35% Transformer 计算量

对于希望在本地运行 MiniMax H3 视频模型但受限于算力或时间的用户来说，ComfyUI-Spectrum-MiniMax-H3 提供了一个创新的加速方案。这是一个专为 ComfyUI 原生 MiniMax H3 节点设计的自定义加速器，它通过在采样过程中预测隐藏特征，大幅减少了昂贵的 Transformer 评估次数。

• GitHub：https://github.com/xmarre/ComfyUI-Spectrum-MiniMax-H3
• ComfyUI-Spectrum-Proper：https://github.com/xmarre/ComfyUI-Spectrum-Proper

该节点并非简单的“跳过步骤”，而是基于切比雪夫岭回归（Chebyshev Ridge Regression）模型，利用历史实际步骤的特征来预测未来步骤的隐藏状态。这使得在保持大部分视觉质量的同时，显著提升了生成速度。

核心原理：预测而非计算

Spectrum 的核心逻辑是“拟合与预测”：

1. 历史记录：在预热阶段（Warmup Steps），节点会执行完整的原生 Transformer 计算，并记录隐藏特征。
2. 回归建模：基于这些历史数据，拟合一个切比雪夫多项式回归模型。
3. 特征预测：在后续的采样步骤中，节点跳过所有的 Transformer 块、RoPE 构建和条件投影，直接预测最终层之前的打包隐藏特征（音频和视频行）。
4. 混合输出：将预测的特征与两点局部线性预测相结合（由 blend_weight 控制），送入原生的输出头进行视频/音频重建。

性能收益：显著的步数缩减

在保守预设下（20 步采样），Spectrum 能显著减少实际求解器步骤：

注：端到端加速还取决于输出头成本、CPU 传输、参考模式及硬件配置。实测显示 VRAM 模式下平均可节省约 2.6% 的时间，但在更复杂的拓扑中潜力更大。

质量权衡：速度与保真度的博弈

Spectrum 是一个近似加速器，并非无损执行。启用后可能会带来以下影响：

• 轨迹偏离：在快速或短暂动作中，主体的运动路径、姿态或视线可能与原生结果不同。
• 局部细节退化：眼睛、手指、指甲等快速移动或短暂可见的小关节细节可能出现畸形或不稳定。

建议：对于质量关键型工作，建议对比启用和禁用 Spectrum 时的输出。如果速度收益大于潜在的质量差异，则值得使用。

安装与配置

1. 安装要求

• ComfyUI 版本：必须更新至提交 e377e263049f9338b4d12a3dd417b36ae62948ff（2026年8月3日）或更高，以支持打包隐空间采样器 API。
• 依赖：无第三方 Python 依赖，仅需 PyTorch 和 ComfyUI 原生模块。

2. 安装步骤

cd ComfyUI/custom_nodes
git clone https://github.com/xmarre/ComfyUI-Spectrum-MiniMax-H3.git

重启 ComfyUI 后，在 sampling/spectrum 类别下找到 Spectrum Apply MiniMax H3 节点。

3. 工作流放置

推荐顺序：
MiniMax H3 模型加载器 → LoRA/补丁 → Sigma Shift → Spectrum Apply MiniMax H3 → Guider/采样器

4. 关键参数说明

• enabled: 启用/禁用加速。
• blend_weight (0.50): 预测频谱的占比。值越高越依赖预测，速度越快但风险越大。
• degree (4): 切比雪夫多项式次数。至少需要 degree + 1 个历史点。
• warmup_steps (5): 强制进行原生计算的初始步数，用于建立历史库。
• history_storage:
  • system_ram: 将历史存在内存，节省显存但增加传输开销。
  • vram: 将历史存在显存，速度略快但占用约 2.2-6.1 GiB 额外显存。

支持的采样器

目前仅支持确定性较强的采样器，以确保特征轨迹的平滑性：

• Euler (sample_euler)
• RES 多步 (sample_res_multistep)
• RES 多步 CFG++ (sample_res_multistep_cfg_pp)

注意：祖先采样器（如 Ancestral）因注入噪声会破坏预测轨迹，自动回退到原生路径。