Para generar vídeo con MiniMax H3 en ComfyUI, elige primero el workflow: texto o imagen inicial, o referencias de identidad, movimiento y audio. Después selecciona la LoRA Turbo compatible. La atención optimizada es una tercera decisión, no un sustituto del modelo correcto.
Revisión técnica: 11 de septiembre de 2026. Parámetros contrastados con las fuentes enlazadas y tres ejecuciones locales documentadas más abajo. No son un benchmark comparativo: las mejoras de velocidad deben medirse con la misma entrada y configuración.
FL2VA y Ref2VA: dos rutas distintas
La biblioteca nativa de ComfyUI ofrece T2V, I2V, R2V y referencia multiframe. Los ejemplos T2V/I2V utilizan la familia fl2va; R2V utiliza ref2va. Ambos pueden generar vídeo con audio, pero los pesos no son intercambiables. Abre la plantilla de tu tarea y deja que identifique los archivos necesarios. Plantillas y documentación oficial de H3 en ComfyUI.
- Texto a vídeo: para una escena nueva descrita con palabras.
- Imagen a vídeo: para dar movimiento a una imagen de partida. Puedes crearla con Krea 2.
- Referencia a vídeo: para indicar qué fuente aporta identidad, voz, estilo o movimiento, sin tratar todas las referencias como si cumplieran la misma función.
Preparar el primer render sin acumular variables
- Guarda tu workflow y abre una plantilla oficial en una versión actualizada de ComfyUI.
- Descarga los pesos de Comfy-Org/MiniMax-H3 que pide esa plantilla. Modelos de difusión, codificador de texto y VAE son componentes distintos: no basta con el checkpoint de vídeo.
- Genera un plano corto, con una acción clara, sin LoRAs de estilo ni parches externos.
- Guarda vídeo, workflow, semilla, resolución, duración y tiempo total. Esa será la referencia para juzgar Turbo y attention.
Plano medio de una persona adulta junto a una ventana. Mira hacia una taza y la levanta lentamente con una sola mano. Cámara fija, luz de mañana, fondo definido. Se oye el roce suave de la taza sobre la mesa y ambiente tranquilo de habitación. Sin diálogo ni música.
Este prompt es un ejemplo propuesto, no una demostración de un render ya realizado. Empieza por una sola acción porque permite detectar manos duplicadas, saltos del objeto o sonidos que no corresponden al movimiento. No fijes una promesa de segundos por vídeo sin conocer tarjeta, memoria, precisión, duración y resolución.
LoRAs Turbo: LightX2V y LarryVRH
LightX2V: elegir la LoRA de la familia correcta
Los ejemplos actuales de ComfyUI incluyen como opción minimax_h3_fl2v_turbo_8step_v1.0_comfyui_bf16 para T2V/I2V y minimax_h3_ref2v_turbo_4step_v0.1_comfyui_bf16 para R2V. Colócalas en models/loras/ y activa el modo Turbo de la plantilla correspondiente: no intercambies FL2V y Ref2V ni acumules dos LoRAs de aceleración. El flujo base usa más pasos; Turbo puede reducir calidad de movimiento y audio. Configuración de los workflows nativos.
LightX2V publica sus adaptadores y ejemplos; su ficha enlaza las especificaciones de cada versión. Comprueba nombre completo, modo y número de pasos: «H3 Turbo» no identifica por sí solo una receta reproducible.
LarryVRH: sampler y loader propios
La ficha de LarryVRH MiniMax-H3-Turbo-Lora recomienda v4_step600_ema, fuerza 1.0 y scheduler simple. Propone 6–8 pasos para reducir las estelas de movimiento que pueden aparecer con 4. Subir por encima de 8 no se presenta como una mejora.
Su ruta nativa requiere el loader y MiniMax-H3 Turbo Sampler del proyecto ComfyUI-MiniMax-H3-Turbo, conectado a SamplerCustomAdvanced. No lo sustituyas por cualquier sampler porque ambos muestren el mismo número de pasos. Sigue el workflow del autor para T2V/I2V; no extrapolamos esa receta a Ref2VA sin una configuración documentada para ese modo.
Otras LoRAs: realismo e identidad no son velocidad
Realism People de fal es un adaptador orientado a personas, no una LoRA de aceleración. Su archivo es h3-realism-people-t2v-i2v-r2v.safetensors, con activador r34l1sm. El autor indica fuerza 1.0, o 0.6–0.8 para un efecto más suave, y declara soporte T2V, I2V y R2V.
Comprueba primero ese adaptador sin Turbo. Después prueba la combinación manteniendo la semilla. Revisa piel, expresiones, manos y continuidad; que carguen los pesos no demuestra que la mezcla conserve calidad. Para una LoRA de personaje, comprueba además modelo base, versión, activador y ejemplos del autor. Los embeddings de prompt tampoco son LoRAs.
SageAttention, Comfy Kitchen, SLA y Sol-Attn
Atención nativa y Comfy Kitchen
Conserva una ejecución con el backend nativo. Si aparece la opción en tu instalación, ModelAttentionBackend permite seleccionar comfy kitchen attention o pytorch attention. Es una comparación por backend, distinta de reducir pasos o activar atención sparse. Su disponibilidad está condicionada por el entorno. Selector incorporado en ComfyUI.
SageAttention
ComfyUI documenta Sage como una opción de aceleración para H3. Requiere una instalación compatible con Torch y CUDA; algunos tipos de operación pueden volver al backend alternativo. No interpretes una carga correcta del nodo como prueba de que todas las capas usan Sage. Integración documentada de SageAttention.
H3 SLA Attention
El nodo comunitario de PlagueKind permite atención dispersa. sparsity_ratio expresa la fracción que se omite, no la densidad que se conserva. No confundas 0.85 con «conservar el 85 %». Ofrece ajustes como protect_audio, dense_last_steps y retorno a atención densa para secuencias cortas. Sigue el ejemplo del autor y cambia una variable cada vez; el valor óptimo no es universal.
Sol-Attn
En esta implementación comunitaria de Sol-Attn, el autor propone empezar por tau 1.4 y comparar activado/desactivado. Un valor más agresivo puede duplicar personajes aunque el render termine sin errores. Su prueba publicada se limita a una configuración concreta con RTX 5090; no garantiza el mismo comportamiento en otras GPU.
No apiles sus parches. Ese proyecto advierte que MiniMax H3 Memory Efficient Sage Attention de KJNodes impide que Sol-Attn se ejecute; ModelAttentionBackend ocupa el mismo punto de selección y prevalece el último aplicado. Comprueba en consola que Sol esté activo y revisa el vídeo completo. Otros wrappers pueden tener requisitos diferentes.
Tres ejecuciones locales observadas
El 11 de septiembre de 2026 comprobamos en el historial de ComfyUI tres ejecuciones Ref2VA completadas en una RTX 5090 de 32 GB. Las tres generaron ocho segundos a 24 fps y 1088 × 1920, utilizaron comfy kitchen attention, una primera fase de ocho pasos y una segunda fase de cuatro pasos con denoise 0.35.
| Modelo | LoRAs cargadas | Tiempo total observado |
|---|---|---|
| Singularity Ref2VA Pruned v1.3 INT8 | LarryVRH Turbo v4 a 0.6 + Realism People a 0.8 | 497,5 s |
| Híbrido FL2VA/Ref2VA INT8 | LarryVRH Turbo v4 a 0.6 + Realism People a 0.8 | 516,3 s |
| Híbrido FL2VA/Ref2VA INT8 | LightX2V Ref2V Turbo 8-step a 0.6 + Realism People a 0.8 | 501,2 s |
Estos tiempos incluyen el recorrido completo registrado por ComfyUI, no solo el muestreo. Las filas no deben ordenarse como una clasificación: cambiaron el modelo y la LoRA, y todavía no se ha realizado una revisión editorial comparable de imagen, movimiento y audio. Para medir la aceleración de cada opción hace falta repetir una entrada idéntica con el backend nativo como control.
Descarga el manifiesto de las ejecuciones (ZIP): reúne parámetros, hardware, tiempos y límites de la comprobación; no incluye vídeos, imágenes de referencia, prompts ni resultados privados.
Prueba controlada T2V: ejemplo visual
Esta ejecución pública usa una escena neutra: un pequeño barco de papel rojo sobre un lago al amanecer. Se completó el 14 de septiembre de 2026 en una RTX 5090 de 32 GB: FL2VA Pruned INT8, 1280 × 704, 124 fotogramas a 24 fps (5,2 s), semilla fija 20260914, ocho pasos, VDN stage-dmd-step-250, adaptador Turbo activo y atención agrupada.
La ejecución completa registrada por ComfyUI tardó 159,03 s, incluyendo carga, muestreo, decodificación y guardado. Se ha revisado el clip completo: barco, horizonte, reflejos y ondas mantienen continuidad visual.
Límite de esta prueba: una segunda pasada sin el adaptador Turbo terminó en 102,78 s, pero se ejecutó después y aprovechó caché; además cambió la memoria disponible y el modo de buffers. No demuestra que Turbo sea más rápido ni más lento. Para una conclusión de rendimiento hacen falta varias pasadas calentadas, con la misma configuración y la mediana de cada grupo.
Orden práctico para reducir inferencia
- Base: modelo y workflow correctos, sin extensiones de aceleración.
- Turbo: una LoRA compatible y su configuración completa. Compara movimiento y audio.
- Backend: prueba una alternativa de atención manteniendo lo demás fijo.
- Sparse, si compensa: reserva SLA o Sol para una comparación adicional; no aceptes una pérdida visual solo porque termine antes.
- Entrega: reproduce a velocidad normal, escucha el audio y examina los momentos de movimiento rápido.
Anota por separado carga, compilación inicial, muestreo, decodificación y tiempo total. Haz tres ejecuciones comparables y utiliza su mediana. Pasar de 20 a 4 pasos no demuestra que todo el proceso sea cinco veces más rápido: hay trabajo fuera del muestreo.
Antes de utilizar resultados comercialmente, consulta las condiciones vigentes del modelo y de los adaptadores en sus fichas originales. Para preparar la imagen inicial, sigue Krea 2: Turbo, LoRAs y attention; para aprender los nodos, consulta la introducción a ComfyUI.
