Executar o MiniMax H3 localmente: hardware, ComfyUI e uma configuração de vídeo com IA auto-hospedada

Sim, o MiniMax H3 pode ser executado localmente. Os pesos H3-Base abertos podem gerar vídeo e áudio estéreo nativo no seu próprio hardware, e os runtimes da comunidade já conseguiram executar o modelo em GPUs de 24 GB, placas de 12–16 GB e até configurações experimentais de 8 GB.

A ressalva importante é que “executar o H3 localmente” não significa atualmente reproduzir offline todas as funcionalidades do pipeline alojado da MiniMax. O H3-Base está aberto para inferência local, enquanto a camada de orquestração oficial H3-Context-IR e a etapa H3-Regenerate-2K continuam alojadas. Para a maioria dos utilizadores domésticos de IA, isto faz com que o H3 seja menos uma simples transferência de modelo e mais um problema de infraestrutura que envolve memória da GPU, RAM do sistema, armazenamento de modelos, software de fluxo de trabalho e, cada vez mais, um NAS ou servidor doméstico.

O MiniMax H3 pode mesmo ser executado localmente?

Sim. A MiniMax lançou o H3 como um modelo de vídeo multimodal com pesos abertos em agosto de 2026 e disponibiliza pontos de controlo H3-Base que podem ser implementados em hardware local.

O lançamento oficial do MiniMax H3 descreve o modelo como um sistema multimodal de uso geral capaz de compreender combinações de texto, imagens, vídeo e áudio, gerando simultaneamente vídeo e áudio estéreo nativo.

O modelo H3-Base local suporta:

• geração de vídeo de 4–15 segundos
• saída a 24 FPS
• áudio estéreo de 32 kHz
• texto para vídeo com áudio
• condicionamento do primeiro e do último fotograma
• referências multimodais de imagem, vídeo e áudio
• várias proporções, incluindo 16:9, 9:16, 1:1, 4:3 e 21:9

O resultado predefinido do H3-Base utiliza uma margem curta de 768 píxeis. Esta distinção é importante porque a capacidade frequentemente anunciada de “até 2K” pertence ao sistema H3 completo, e não apenas ao fluxo de trabalho básico totalmente local.

O MiniMax H3 é totalmente local ou ainda precisa da nuvem?

Esta é a distinção mais importante para quem está a criar uma configuração H3 privada.

O fluxo de trabalho oficial completo do H3 contém três partes principais:

A MiniMax afirma explicitamente no seu repositório oficial do H3 que o H3-Context-IR depende de vários modelos e serviços alojados e não faz parte do lançamento aberto atual. O H3-Regenerate-2K também ainda não foi disponibilizado como código aberto.

Isto dá-nos dois modelos de implementação muito diferentes.

H3 totalmente local

Prompt ou multimédia de referência local → H3-Base → vídeo local da classe 768p + áudio estéreo.

Os seus ficheiros de origem, o processo de geração e o resultado podem permanecer no seu próprio computador. Este é o mesmo princípio geral subjacente ao processamento local de IA: quanto mais etapas permanecerem dentro da sua própria rede, mais controlo mantém sobre os dados privados e as dependências de serviços.

H3 híbrido

Context-IR alojado → H3-Base implementado localmente → Regenerate-2K alojado.

Isto pode reproduzir uma maior parte do fluxo de trabalho completo da MiniMax, mas deixa de ser um pipeline completamente offline ou privado.

Se o objetivo é uma IA local desde o início, o H3-Base é, portanto, o componente mais importante.

De que hardware precisa para executar o MiniMax H3 localmente?

Não existe um único requisito de VRAM para o MiniMax H3, porque a resposta varia drasticamente consoante a precisão, a quantização, a poda do modelo, o descarregamento, a resolução, o fluxo de trabalho e o runtime.

O modelo nativo é grande. O H3 utiliza um H3-Omni-Transformer denso com 33 mil milhões de parâmetros, enquanto o seu codificador utiliza os pesos pré-treinados Qwen3-VL-32B. A MiniMax refere que cerca de 13 mil milhões dos parâmetros do transformador pertencem a ramificações relacionadas com AdaLN, cujas saídas podem ser pré-computadas e colocadas em cache para inferência, mas isto continua muito além da memória ocupada por um modelo de consumo típico não quantizado.

Por isso, o ecossistema local tem-se concentrado fortemente na poda e na quantização.

O índice de integração do H3 mantido pela MiniMax lista atualmente opções locais que vão desde uma configuração DiffSynth NF4 de 8 GB até versões quantizadas de 12-16 GB e configurações ComfyUI de 24 GB.

Isso não significa que uma GPU de 8 GB seja uma boa máquina para o H3.

Na gama mais baixa, a falta de VRAM tem de ser compensada através da transferência dos componentes do modelo entre a memória da GPU e a memória do sistema. Isso transforma o problema de «O modelo consegue ser carregado?» em «Quanto tempo está disposto a esperar por cada geração?»

A VRAM mínima e a VRAM utilizável são duas questões diferentes. É por isso que é útil separar os estrangulamentos de computação, memória e armazenamento antes de presumir que um SSD ou NAS mais rápido pode compensar memória insuficiente na GPU.

O MiniMax H3 consegue funcionar em GPUs de 24 GB, como a RTX 4090?

Sim, e 24 GB é atualmente um dos alvos mais interessantes para uma configuração doméstica H3 séria.

As compilações da comunidade e orientadas para o ComfyUI reduziram o modelo de difusão o suficiente para que um transformador H3 INT8 podado possa ocupar cerca de 20 GB, com o codificador de texto quantizado separadamente e os componentes do modelo transferidos quando necessário.

O detalhe importante é que o H3 não é um único ficheiro de pesos.

Um fluxo de trabalho de geração completo pode precisar de:

• o transformador de difusão H3
• codificador de texto/visão baseado no Qwen3-VL
• VAE de vídeo
• VAE de áudio
• LoRAs ou modelos de aceleração opcionais
• meios de referência
• memória latente temporária e de descodificação

Assim, um «modelo de 19 GB» não significa automaticamente que caiba facilmente numa GPU de 24 GB, deixando 5 GB livres.

A gestão da memória durante a execução é quase tão importante como o tamanho do checkpoint.

O MiniMax H3 consegue funcionar com 16 GB ou 12 GB de VRAM?

Sim, mas isto entra ainda mais no território da quantização feita pela comunidade.

O ecossistema atual inclui modelos de difusão GGUF e NVFP4 podados, associados a codificadores Qwen3-VL fortemente quantizados. Isto pode colocar o H3 na categoria dos 12–16 GB, mas a memória do sistema e a transferência de dados tornam-se cada vez mais importantes.

É melhor encarar isto como uma forma de tornar o H3 acessível do que como a configuração ideal para trabalho de produção frequente.

Se gerar apenas clips curtos ocasionalmente, essa cedência pode ser perfeitamente aceitável. Se o H3 fizer parte de um fluxo de trabalho de conteúdos automatizado que gere dezenas de clips, o débito será muito mais importante do que simplesmente conseguir colocar o modelo na VRAM.

O MiniMax H3 consegue mesmo funcionar com apenas 8 GB de VRAM?

Existe agora uma opção para 8 GB, mas este número precisa de contexto.

O DiffSynth-Studio disponibiliza uma configuração de inferência NF4 cujo requisito mínimo declarado de VRAM é de 8 GB. Nesse nível, porém, a transferência extensiva significa que uma grande parte da carga de trabalho deixa de permanecer na GPU.

Num sistema com 8 GB, a questão relevante não é, portanto:

«O H3 inicia-se?»

É:

«O tempo de geração resultante é aceitável para aquilo que quero fazer?»

Para testar o H3, aprender fluxos de trabalho ou gerar ocasionalmente um clip, um experimento com 8 GB pode ser útil. Para gerar vídeos localmente com frequência, mais VRAM continua a ser uma grande melhoria em termos de utilização.

FL2VA vs Ref2VA: Que modelo MiniMax H3 deve utilizar?

O H3-Base é disponibilizado em duas variantes orientadas para tarefas. Escolher a variante certa pode poupar tanto espaço de armazenamento como complexidade do workflow.

H3-Base-FL2VA

O FL2VA centra-se na geração orientada por texto e por fotogramas-chave.

Se o seu objetivo for a geração convencional de texto para vídeo ou de imagem para vídeo, o FL2VA é normalmente o ponto de partida mais simples.

H3-Base-Ref2VA

O Ref2VA foi concebido para um condicionamento de referências multimodais mais avançado.

Segundo o cartão oficial do modelo H3, o Ref2VA pode aceitar até:

• 9 imagens
• 3 clipes de vídeo
• 3 clipes de áudio
• 12 ficheiros de referência no total

Isto permite workflows locais muito mais interessantes: referência de personagem, transferência de movimento, referência de estilo, referência de voz, edição de vídeo de origem ou combinações de vários tipos de multimédia.

Mas, se não precisar dessas referências, transferir e gerir um segundo checkpoint de grandes dimensões acrescenta utilização de armazenamento sem necessariamente melhorar um workflow simples de texto para vídeo.

Qual é a forma mais fácil de executar o MiniMax H3 localmente?

Para a maioria dos utilizadores individuais, o ComfyUI é atualmente a forma mais fácil de começar.

A MiniMax lista o ComfyUI juntamente com Diffusers, SGLang e vLLM como opções de implementação suportadas. O ComfyUI também lançou suporte para o H3 desde o primeiro dia e disponibilizou versões com menor utilização de memória destinadas a GPUs de consumo.

A versão do H3 para ComfyUI explica que a poda dos pesos de modulação do H3, a quantização INT8, os kernels personalizados e o descarregamento dinâmico para a VRAM reduzem significativamente a utilização de memória em comparação com uma implementação de precisão total.

Uma configuração local prática é a seguinte:

1. Instale ou atualize o ComfyUI.
2. Escolha um workflow MiniMax H3 de texto para vídeo, imagem para vídeo ou referência para vídeo.
3. Transfira o modelo de difusão correspondente.
4. Transfira o codificador de texto H3 compatível.
5. Adicione os VAEs de vídeo e áudio.
6. Comece com uma geração curta de classe 768p.
7. Monitorize tanto a utilização da memória da GPU como da RAM do sistema.
8. Só depois aumente a duração, a resolução ou a complexidade do workflow.

Esta ordem é importante. Depurar o H3 enquanto utiliza simultaneamente um clipe longo, o máximo de referências, uma resolução elevada e extensões agressivas torna difícil determinar se uma falha provém do modelo, da memória, dos nós ou do próprio workflow.

ComfyUI vs Diffusers vs SGLang vs vLLM-Omni para H3

O melhor runtime depende menos das pontuações de benchmark do que da forma como o H3 será utilizado.

Esta distinção torna-se importante quando o H3 ultrapassa a fase de experiência.

Um criador que produz manualmente um vídeo de cada vez precisa de uma arquitetura muito diferente da de uma casa ou estúdio onde vários dispositivos enviam tarefas de geração para uma única máquina central com GPU. A mesma separação já surge em guias práticos sobre computação e armazenamento separados: o NAS não tem de executar a inferência mais pesada apenas por ser responsável pelos dados.

O MiniMax H3 pode funcionar como uma API local de geração de vídeo?

Sim.

Esta é uma das razões pelas quais o H3 é interessante para além da experimentação num computador de secretária. O SGLang e o vLLM-Omni podem transformar o H3 num serviço, em vez de exigirem que os utilizadores interajam diretamente com o processo do modelo.

Por exemplo, a receita do H3 para vLLM-Omni disponibiliza a geração através de uma interface /v1/videos ao estilo da OpenAI.

Isso permite uma arquitetura de IA doméstica diferente:

Portátil / telemóvel / automatização ↓ API local do H3 ↓ servidor com GPU ↓ vídeo + áudio gerados ↓ armazenamento local 

Depois de o H3 ser exposto desta forma, a estação de trabalho com GPU já não tem de ser a máquina onde o utilizador edita prompts, gere projetos ou armazena conteúdos multimédia concluídos.

O processamento e o armazenamento podem tornar-se serviços separados.

Quanto armazenamento precisa o MiniMax H3?

O armazenamento é um dos requisitos do H3 mais fáceis de subestimar.

O repositório oficial do MiniMax H3 contém ambas as famílias de tarefas, os pesos dos transformadores, o codificador baseado no Qwen, VAEs, estruturas do Diffusers e ficheiros de suporte. O repositório completo pode ocupar centenas de gigabytes se tudo for transferido.

O índice de integração do MiniMax H3 coloca atualmente o repositório original completo em cerca de 464 GiB. Os pesos individuais dos transformadores FL2VA e Ref2VA originais têm cada um cerca de 62 GiB antes de serem convertidos para uma precisão inferior ou variantes podadas.

Não precisa de transferir tudo isso para executar o H3.

Uma configuração doméstica sensata deve, em vez disso, separar:

• checkpoint ativo
• quantizações alternativas
• variantes FL2VA e Ref2VA
• codificadores de texto
• VAEs
• LoRAs
• imagens e vídeo de referência
• resultado gerado
• projetos arquivados

É aqui que o vídeo local com IA começa a parecer muito mais uma carga de trabalho de armazenamento do que uma aplicação tradicional de IA para computadores. Uma arquitetura mais abrangente de IA local e armazenamento de ficheiros torna-se útil quando os modelos, os conteúdos multimédia de origem, os resultados e as cópias de segurança precisam todos de um local permanente.

Os modelos MiniMax H3 devem ser armazenados num NAS?

Sim para alguns ficheiros, mas não necessariamente para todas as partes da inferência ativa.

Uma arquitetura útil consiste em separar o armazenamento ativo do armazenamento de capacidade.

Manter no SSD local da máquina com a GPU

• checkpoint H3 atualmente ativo
• codificador de texto ativo
• ficheiros de geração temporários
• cache
• ficheiros carregados repetidamente durante a inferência

Manter no NAS ou no servidor doméstico

• quantizações H3 alternativas
• versões mais antigas dos modelos
• arquivos FL2VA e Ref2VA
• biblioteca de conteúdos multimédia de referência
• vídeos concluídos
• cópias de segurança dos fluxos de trabalho do ComfyUI
• recursos do projeto
• dados de treino ou conjuntos de dados LoRA

Esta separação evita transformar o armazenamento em rede num estrangulamento desnecessário durante cada carregamento de modelo, impedindo simultaneamente que centenas de gigabytes de recursos de IA encham a estação de trabalho.

Para um laboratório doméstico ao estilo ZimaSpace, esta é a forma mais útil de pensar no H3: o nó com a GPU gera, enquanto o servidor doméstico organiza e conserva o espaço de trabalho de IA.

O MiniMax H3 Precisa de uma Rede 10GbE?

Não para a etapa de geração propriamente dita. Assim que o modelo ativo e as entradas são carregados na máquina com a GPU, a inferência H3 é predominantemente uma tarefa local de computação e memória.

A velocidade da rede torna-se importante quando transfere repetidamente checkpoints muito grandes ou conteúdos multimédia com uma taxa de bits elevada entre um NAS e o nó com a GPU.

Por exemplo, transferir um modelo de 20–60GB é muito diferente de carregar um documento de 5MB num fluxo de trabalho com um LLM local.

Isto significa que o vídeo gerado por IA altera o valor de uma rede doméstica mais rápida:

• A 1GbE continua a ser suficiente para armazenar projetos concluídos e cópias ocasionais de modelos.
• A 2.5GbE reduz significativamente a fricção ao transferir ficheiros de modelos grandes.
• A 10GbE torna-se mais interessante quando o NAS é uma biblioteca central de modelos para várias estações de trabalho de IA ou quando os recursos de vídeo não comprimido são transferidos constantemente.

A GPU não fica mais rápida por o seu NAS ter 10GbE. O fluxo de trabalho envolvente é que melhora. Se a própria rede se tornar o estrangulamento, a comparação mais útil é entre NAS 2.5GbE vs 10GbE, com base nos tamanhos reais dos ficheiros, no débito do armazenamento, nos clientes, nos switches e na frequência das transferências.

O MiniMax H3 Pode Funcionar Completamente Offline?

O H3-Base pode ser utilizado como parte de um fluxo de trabalho offline assim que todos os pesos, dependências e ficheiros de referência necessários estiverem disponíveis localmente.

Isso inclui conversão local de texto em vídeo, geração condicionada por fotogramas-chave e fluxos de trabalho H3-Base baseados em referências compatíveis.

No entanto, os serviços oficiais Context-IR e Regenerate-2K estão atualmente alojados. Um fluxo de trabalho que dependa desses componentes não está completamente offline.

Esta distinção é especialmente importante para conteúdos de referência sensíveis. Se o requisito for que imagens, vídeos, vozes ou ativos comerciais não lançados nunca saiam da rede local, crie o fluxo de trabalho com base no H3-Base e no pré-processamento local, em vez de presumir que toda a stack oficial do H3 é aberta.

A mesma regra aplica-se a qualquer fluxo de trabalho de IA local totalmente offline: executar o modelo principal localmente não é suficiente se a autenticação, o pré-processamento, o armazenamento, as APIs ou outras fases necessárias continuarem a depender da Internet.

O MiniMax H3 pode gerar vídeo 2K localmente?

Não através do pipeline oficial completo de 2K atualmente.

O H3-Base produz o resultado base com uma margem curta de 768 píxeis. O resultado oficial 2K da MiniMax utiliza o H3-Regenerate-2K, que recebe o vídeo base juntamente com o contexto original e regenera o resultado, em vez de simplesmente executar uma super-resolução convencional.

A MiniMax afirma que o Regenerate-2K ainda não está incluído na versão aberta.

Isto não impede os utilizadores de aplicarem upscaling local ou fluxos de trabalho da comunidade a um resultado H3. Significa simplesmente que essas abordagens não devem ser confundidas com o pipeline oficial MiniMax H3-Regenerate-2K.

Para pesquisas como “MiniMax H3 local 2K”, esta distinção é mais útil do que uma simples resposta de sim ou não:

a geração local com H3 está disponível; a fase oficial completa de regeneração em 2K ainda não é totalmente local.

O MiniMax H3 pode ser executado em Apple Silicon?

O ecossistema local está a expandir-se para além das GPUs NVIDIA.

Um projeto notável da comunidade é h3.c, uma implementação de inferência H3 nativa para Metal, concebida para Apple Silicon. O ecossistema atual acompanha o suporte para texto-para-vídeo/áudio, fluxos de trabalho com o primeiro e o último fotograma e entradas de referência ordenadas.

Isto torna os Macs com memória unificada numa plataforma H3 interessante, uma vez que os sistemas Apple Silicon suficientemente grandes podem trocar as limitações tradicionais da VRAM discreta por um conjunto de memória partilhada maior.

No entanto, o suporte para Apple Silicon deve continuar a ser encarado separadamente do principal caminho de implementação de referência da MiniMax. A maturidade do kernel, o desempenho, a pressão sobre a memória e a paridade de funcionalidades podem mudar rapidamente à medida que os runtimes da comunidade evoluem.

MiniMax H3 local vs H3 na nuvem: que configuração faz mais sentido?

A resposta depende de valorizar mais o controlo da infraestrutura ou a conveniência.

Para uma geração ocasional de vídeo com IA, a inferência na nuvem pode ser muito mais económica do que comprar uma GPU de grandes dimensões.

A implementação local torna-se mais interessante quando a máquina já existe, o volume de geração é elevado, os conteúdos multimédia de origem são sensíveis, os fluxos de trabalho exigem uma personalização extensa ou o H3 é apenas um de vários serviços de IA locais que partilham o mesmo hardware.

É também por isso que os custos da IA local e na nuvem devem ser avaliados com base na frequência das cargas de trabalho e no hardware que já possui, em vez de se comparar simplesmente o preço de uma API com o preço de compra de uma GPU.

Porque é que o vídeo local com IA está a tornar-se um problema de servidor doméstico

A execução de modelos de linguagem locais habituou os utilizadores a pensar sobretudo em RAM e VRAM.

Os modelos de vídeo alteram a equação.

Uma configuração local séria para vídeo acumula:

• dezenas ou centenas de gigabytes de pesos de modelos
• várias quantizações do mesmo modelo
• bibliotecas de imagens de referência
• áudio de referência
• vídeo de origem
• LoRAs
• ficheiros de fluxo de trabalho
• renderizações temporárias
• várias versões do vídeo final

Por isso, a questão a longo prazo já não é apenas:

A minha GPU consegue executar este modelo?

Cada vez mais:

A minha infraestrutura local consegue armazenar, disponibilizar, organizar, salvaguardar e reutilizar repetidamente todo este fluxo de trabalho de multimédia com IA?

É nesse ponto que uma estação de trabalho local de IA e um servidor doméstico começam a complementar-se.

Navegador / PC de edição │ ▼ ComfyUI ou API local │ ▼ Nó de computação com GPU │ ├── Modelo H3 ativo no NVMe local │ ▼ NAS / Servidor doméstico ├── Arquivo de modelos ├── Multimédia de referência ├── Fluxos de trabalho do ComfyUI ├── Vídeos gerados └── Cópias de segurança 

A GPU continua a ser o dispendioso motor de computação. O servidor torna-se o espaço de trabalho persistente de IA.

Esta é também uma forma útil de compreender uma arquitetura NAS com IA: o armazenamento não precisa de substituir a estação de trabalho com GPU. O seu valor está em fornecer uma camada estável de dados, modelos, multimédia, indexação e cópias de segurança em torno de cargas de trabalho de IA que exigem muitos recursos computacionais.

O MiniMax H3 é de código aberto?

A MiniMax descreve o H3 como uma versão de código aberto e publica os pesos e a implementação do modelo H3-Base. No entanto, o modelo é disponibilizado ao abrigo do MiniMax H3 Community License Agreement, em vez de uma licença de software permissiva convencional, como a Apache-2.0 ou a MIT.

Vale a pena verificar esta distinção antes de uma implementação comercial, redistribuição ou integração do H3 num produto. Os termos aplicáveis estão disponíveis com o lançamento oficial do modelo.

Também é importante não equiparar o checkpoint H3-Base aberto a toda a pilha de serviços H3: o H3-Context-IR e o H3-Regenerate-2K continuam fora da versão aberta atual.

Vale a pena executar o MiniMax H3 localmente?

O H3 é particularmente interessante para a IA local porque não é apenas mais um checkpoint de texto para vídeo. Combina referências multimodais, geração de vídeo e áudio estéreo nativo num único sistema, enquanto os seus pesos H3-Base abertos dão à comunidade local acesso suficiente para criar novos ambientes de execução, quantizações, fluxos de trabalho no ComfyUI, APIs e otimizações específicas para hardware.

Mas o H3 também mostra para onde a IA generativa local está a caminhar.

O desafio já não consiste simplesmente em descarregar um modelo para um único PC. Um ambiente H3 útil pode envolver um servidor com GPU, SSDs locais rápidos, centenas de gigabytes de armazenamento para modelos, uma biblioteca multimédia, orquestração de fluxos de trabalho, acesso remoto e armazenamento persistente na rede.

Para um teste pontual, o ComfyUI e um checkpoint H3 quantizado poderão ser suficientes.

Para uma arquitetura de vídeo com IA auto-hospedada a longo prazo, a abordagem mais útil consiste em separar computação, armazenamento ativo dos modelos, armazenamento de média em massa e acesso aos fluxos de trabalho. Essa estrutura continuará a ser útil mesmo quando o próximo modelo de vídeo aberto substituir o H3 no topo da tabela de classificação.