镜像说明 · H3 视频 + Anima/MOSS 生图 推理服务端

预配置的远程 ComfyUI 推理镜像，内置 MiniMax H3 多参考图生视频（Ref2VA） + Anima 插画生成 + MOSS-Image 写实/文字生成 三大能力，模型、解码器、加速后端、生产工作流全部预装调优，开机即用。

---

目录

章节	内容
一、这是什么	镜像定位与总体形态
二、系统与运行环境	硬件、ComfyUI、运维脚本
三、三大能力总览	一表对比三项能力
四、能力一：H3 多参考图生视频	生产规格 + 加速栈
五、能力二：Anima 插画生成	参数 + 实测
六、能力三：MOSS-Image 写实与文字生成	参数 + 实测
七、模型文件清单	全部模型与路径
八、必须搭配小青蛙画布	使用前提
九、注意事项	7 条运维须知
十、快速开始	4 步上手
附录：成品示例	参考图 + 提示词 + 视频

---

一、这是什么

一个纯后端推理镜像，把三大能力的模型、解码器、加速后端、生产工作流全部预装并调优好。它自身没有操作界面，必须配合「小青蛙画布（XQWCanvas）」前端来加载工作流、提交参考图与提示词、拉取成片。

三大能力一览：

能力	输入	输出	定位
H3 多参考图生视频	多张参考图 + 提示词 + 音频	736×1280 / 10s 视频	正式交付主力
Anima 插画生成	文本提示词	1024×1024 插画	快速出图（~19s）
MOSS-Image 生成	文本提示词	1024×1024 图像	写实 + 中文文字渲染

---

二、系统与运行环境

类别	内容	说明
系统	Ubuntu 22.04 / RTX 4090 24G / 14 核 48G 内存	Docker 容器，仅透传 CUDA 计算
推理框架	ComfyUI（已打 veryfast 编码补丁）	SaveVideo 编码 -23%，画质无差
注意力后端	sol-attn（comfy-kitchen BlockSparseAttention）	4090 原生可用，采样比 sage 快 ~27%
视频解码	全量 H3 VAE（视频 fp16 + 音频 fp32）	画质基准，正式交付用
轻量解码	taeh3（22M，可选）	解码快 ~10×，人物特写有损，仅草稿用
生产工作流	/root/prod/api_736x1280_10s_sol_full.json	23 节点 / 27 连线 / 无孤儿，API 直调
API 运行器	/root/run_prompt.py	提交工作流 + 轮询 history，脚本化出图/出片
自动重启守卫	/root/comfy_guard.sh	30s 探活 8188，崩了 ~40s 自动拉起
运维脚本	/root/restart_comfy.sh	安全重启（避免 pkill 自杀）
示例素材	/root/ComfyUI/input/refs/（5 张）	古风少女三视图 + 樱花大道场景

---

三、三大能力总览

能力	核心模型	步数	采样器 / 调度器	cfg	分辨率	实测耗时
H3 视频	H3_ref2va_heptagram_turboV10	4	sol-attn（tau 1.0）	—	736×1280	≈120s/条
Anima	anima-preview3-base	30	er_sde / simple	4	1024×1024	~19s
MOSS-Image	moss_image_sft_int8_convrot	50	euler / simple	3.0	1024×1024	~3–5 min

---

四、能力一：H3 多参考图生视频

模型三件套

组件	文件
视频 DiT	H3_ref2va_heptagram_turboV10.safetensors（19.5 GiB，BF16 + int8）
视频 VAE	minimax_h3_video_vae_fp16
音频 VAE	minimax_h3_audio_vae_fp32

默认生产规格（开箱即用）

参数	值
分辨率	736×1280（H3 官方 32 对齐桶）
时长	10s（243 帧）
参考	4 张图（人物三视图 + 场景）
注意力	sol-attn tau=1.0 + sink exact_kv_and_rows
解码	全量 VAE
步数	4 步
种子	服务端随机（可固定复现）
实测耗时	≈120s/条，画质零可见损失（基线 145.8s，-22%）

---

五、能力二：Anima 插画生成

模型三件套

组件	文件
插画 DiT	anima-preview3-base
文本编码器	qwen_3_06b_base
VAE	qwen_image_vae

调用参数

参数	值
分辨率	1024×1024
步数	30
采样器 / 调度器	er_sde / simple
cfg	4
负向提示词	worst quality, low quality, score_1, score_2, score_3, blurry, jpeg artifacts, sepia
实测耗时	~19s（4090 冷加载 + 30 步）

定位：非写实插画，汉服 / 场景 / 人物表现良好，适合快速出图。

---

六、能力三：MOSS-Image 写实与文字生成

模型三件套

组件	文件
生图 DiT	moss_image_sft_int8_convrot
文本编码器	qwen3.5_9b_w4a8_gptq（9B，w4a8 量化）
VAE	flux2-vae_small（FLUX.2 small decoder）

调用参数

参数	值
分辨率	1024×1024
步数	50
采样器 / 调度器	euler / simple
cfg	3.0
shift	5.0（模型加载时自动应用）
Latent	Flux2 格式（128 通道，需用 EmptyFlux2LatentImage）
实测耗时	~3–5 min（9B 编码器冷加载较久）

定位：写实氛围 + 中文文字渲染强项（招牌 / 海报 / 标语类文字清晰可读）。

---

七、模型文件清单

模型	用途	路径
H3_ref2va_heptagram_turboV10	视频 DiT	models/diffusion_models/
anima-preview3-base	插画 DiT	models/diffusion_models/
moss_image_sft_int8_convrot	生图 DiT	models/diffusion_models/
minimax_h3_video_vae_fp16	H3 视频 VAE	models/vae/
minimax_h3_audio_vae_fp32	H3 音频 VAE	models/vae/
qwen_image_vae	Anima VAE	models/vae/
flux2-vae_small	MOSS VAE	models/vae/
taeh3	H3 轻量解码	models/vae_approx/ + 软链至 vae/
qwen_3_06b_base	Anima 文本编码器	models/text_encoders/
qwen3.5_9b_w4a8_gptq	MOSS 文本编码器	models/text_encoders/

---

八、必须搭配「小青蛙画布」使用

本镜像不含任何图形界面或独立操作面板，所有出片操作（选工作流、传参考图、写提示词、取成片）都在「小青蛙画布」里完成：

• 工作流：由「小青蛙画布」加载专用工作流文件（文件名属商业机密，此处不予列明）
• 成片输出默认前缀：xqcanvas/minimaxH3/
• 也可直接 POST 生产 API JSON 到 http://127.0.0.1:8188/prompt 调用（仍需小青蛙画布侧编排或脚本触发）

单独启动镜像 without 小青蛙画布 = 只能跑后台 API，无法可视化操作。

---

九、注意事项

1. veryfast 补丁改的是 ComfyUI 核心文件（comfy_extras/nodes_video.py），git pull 升级会丢失，需重新打并重启。
2. 参考素材目录 /root/ComfyUI/input/refs/ 需保持存在，曾被手动清空过；跑前建议 ls input/refs/ 校验。
3. H3 贴显存极限（模型 ~20GB / 24G 卡）：保持 ≤736×1280、少参考、单独跑，别和 MOSS 9B / Qwen 挤同一时段，否则 OOM 硬崩。守卫会自动拉起，但队列任务会丢。
4. 磁盘空间注意 output/ 产出累积，定期清理。
5. taeh3 解码对人物特写有可见损失（PSNR 26.9 / SSIM 0.85），正式交付请走全量 VAE。
6. NVENC 不可用：容器只透传 CUDA 计算，GPU 编码这条路封死，编码走 CPU libx264 veryfast。
7. HF 被限速：直连 HuggingFace ≈ 0，加模型需走本地 hf-mirror 下载 + SFTP 上传（工具链已在工作区）。

---

十、快速开始

1. 启动镜像（小青蛙画布侧选择本镜像）；
2. 在小青蛙画布加载对应工作流（工作流文件名属机密，从画布工作流库直接选择即可）；
3. 放入参考图（人物 + 场景）+ 提示词 + 音频；
4. 点生成 → 成片回传至 xqcanvas/minimaxH3/。

---

附录：成品示例

以下为 H3 多参考图生视频的一次真实产出：4 张参考图（古风少女三视图 + 樱花大道场景）→ 中文简短提示词 → 736×1280 / 10s / 243 帧 / ≈120s 成片（sol-attn + 全量 VAE + veryfast，画质零可见损失）。

1. 参考图片

人物三视图（正 / 侧 / 背）

正面	侧面	背面
人物-正	人物-侧	人物-背

环境场景

2. 提示词（中文简短版）

一位古装少女沿着樱花大道缓步前行，粉色花瓣随风飘落，她偶尔回头温柔一笑。
写实电影风格，柔和的春日光线，画面干净自然，无文字、无水印、无字幕。
配乐：轻柔的古筝。

3. 生成视频（736×1280 / 10s / ≈120s 产出）

在线播放（B 站）：https://www.bilibili.com/video/BV1H6nv6sESw/

若预览器无法内嵌播放，见同目录文件 assets/example_output.mp4（另有随机种子版本可复现）。本示例素材（参考图 / 提示词 / 成片）均存放于文档同级 assets/ 目录，可随镜像说明一并分发。