Veda-on-ComfyUI：MiniMax-H3视频模型稀疏注意力节点，RTX5070实测注意力提速7.1倍，长视频收益显著

Veda-on-ComfyUI是面向MiniMax-H3（T2VA、FL2VA、R2VA）视频扩散模型的稀疏注意力ComfyUI节点。Veda本身是学习型稀疏注意力算法，借助蒸馏得到的小型打分器预判注意力Tile中对结果起决定性的区域，仅计算前约10%的Tile，其余直接跳过，大幅削减长视频生成时高昂的注意力开销。该节点属于注意力覆盖层，单节点完成模型输入输出，不修改模型权重，Turbo、风格LoRA、量化H3权重、首尾帧参考条件等原有工作流组件均可正常使用。

• GitHub：https://github.com/veda-sparse/Veda-on-ComfyUI
• 模型：https://huggingface.co/Veda-Sparse
• 网盘：https://pan.quark.cn/s/5c643e8f41dd 提取码：rdrx

性能实测

RTX 5070 12GB环境，T2VA，1344×768、124帧、8步Turbo LoRA、90%稀疏度

实测端到端最高2.9倍加速，仅看注意力计算可达7.1倍加速，视频越长，稀疏带来的性能收益越大。节点运行前会在显卡上自检Kernel；一旦环境不满足，直接报错并给出修复指引，不会静默降级为全注意力运行。稀疏内核随节点打包发布，Comfy Registry安装时自动配套Triton（NVIDIA SM80+、AMD RDNA3/RDNA4 ROCm）或MLX（Apple Silicon）。

安装要求

依赖 ComfyUI >=0.38.0，安装方式三选一：ComfyUI Manager搜索Veda；CLI命令comfy node install veda-sparse-attention；克隆仓库到ComfyUI/custom_nodes后重启。

使用方式

可直接在工作流模板载入「Veda MiniMax H3 T2VA / R2VA」模板，缺失打分器时弹窗一键下载。
在现有H3工作流中接入：将Veda Sparse Attention节点接入MODEL链路，放在模型与LoRA加载之后、guider/采样器之前。快捷键Ctrl+B可旁路节点，方便固定种子对比全注意力效果。

注意：不要和ComfyUI原生Model Sparse Attention同时启用；完全替换H3注意力的节点要放在Veda节点之前，否则Veda无法生效。Patch Sage Attention KJ这类非全局替换注意力节点可以和Veda叠加使用。

打分器

打分器文件约275MB，不会由节点自动下载。两种部署方式：模板启动后弹窗下载；手动将safetensors文件放入ComfyUI/models/veda目录。目录下所有safetensors都会出现在下拉选择列表，支持自定义训练打分器。

参数与运行信息

默认仅展示model、predictor，其余为高级参数：generated_sparsity控制生成视频稀疏度，reference_sparsity控制参考帧稀疏度，full_attention_layers、full_attention_steps指定强制走全注意力的层与采样步数。

节点实时输出运行状态：Kernel类型、视频分辨率、本次实际计算的注意力占比；verbose模式额外输出耗时、调用统计。训练基准尺寸为1344×768、768×1344等，其他分辨率会自动匹配最接近训练集的方案，建议和全注意力结果对照核验画质。

硬件支持

• 英伟达：SM80及以上（RTX30/40/50、A100、H100等）；RTX5070已验证可用
• AMD：ROCm环境RDNA3/RDNA4，RX9060 XT已验证
• Apple Silicon M系列：MLX后端，M3 Pro + macOS15验证通过
  老旧显卡、CPU环境无对应Kernel，节点会报错，此时只能旁路Veda运行。