Kör MiniMax H3 lokalt: hårdvara, ComfyUI och en självhostad AI-videouppsättning

Ja, MiniMax H3 kan köras lokalt. De öppna H3-Base-vikterna kan generera video och inbyggt stereoljud på din egen hårdvara, och community-baserade körmiljöer har redan fått modellen att fungera på GPU:er med 24 GB, kort med 12–16 GB och till och med experimentella konfigurationer med 8 GB.

Den viktiga begränsningen är att ”köra H3 lokalt” för närvarande inte innebär att alla funktioner i MiniMax värdbaserade pipeline kan återskapas offline. H3-Base är öppen för lokal inferens, medan det officiella orkestreringslagret H3-Context-IR och steget H3-Regenerate-2K fortfarande finns som värdtjänster. För de flesta hemanvändare av AI innebär det att H3 är mindre av en enkel modellnedladdning och mer av ett infrastrukturproblem som omfattar GPU-minne, systemminne, modellagring, arbetsflödesprogramvara och i allt högre grad en NAS eller hemmaserver.

Kan MiniMax H3 verkligen köras lokalt?

Ja. MiniMax släppte H3 som en multimodal videogenerator med öppna vikter i augusti 2026 och tillhandahåller H3-Base-kontrollpunkter som kan distribueras på lokal hårdvara.

Den officiella MiniMax H3-utgåvan beskriver modellen som ett multimodalt system för allmänna ändamål som kan förstå kombinationer av text, bilder, video och ljud och samtidigt generera video med inbyggt stereoljud.

Den lokala H3-Base-modellen stöder:

• videogenerering på 4–15 sekunder
• utdata med 24 FPS
• 32 kHz stereoljud
• text-till-video med ljud
• konditionering av första och sista bildrutan
• multimodala bild-, video- och ljudreferenser
• flera bildförhållanden, inklusive 16:9, 9:16, 1:1, 4:3 och 21:9

Standardutdata från H3-Base använder en kortsida på 768 pixlar. Den skillnaden är viktig, eftersom den ofta marknadsförda kapaciteten på ”upp till 2K” gäller det kompletta H3-systemet och inte enbart det grundläggande, helt lokala arbetsflödet.

Är MiniMax H3 helt lokalt, eller behöver det fortfarande molnet?

Detta är den viktigaste skillnaden för alla som bygger en privat H3-installation.

Det fullständiga officiella H3-arbetsflödet består av tre huvuddelar:

MiniMax anger uttryckligen i sitt officiella H3-arkiv att H3-Context-IR är beroende av flera värdbaserade modeller och tjänster och inte ingår i den aktuella öppna utgåvan. H3-Regenerate-2K har inte heller gjorts tillgänglig som öppen källkod ännu.

Det ger oss två mycket olika implementeringsmodeller.

Helt lokal H3

Prompt eller lokalt referensmaterial → H3-Base → lokal video i 768p-klassen + stereoljud.

Dina källfiler, genereringsprocessen och resultatet kan förbli på din egen maskin. Detta är samma övergripande princip som ligger bakom lokal AI-bearbetning: ju fler steg som stannar i ditt eget nätverk, desto mer kontroll behåller du över privata data och tjänsteberoenden.

Hybrid H3

Hostad Context-IR → lokalt distribuerad H3-Base → hostad Regenerate-2K.

Detta kan återskapa mer av MiniMax fullständiga arbetsflöde, men det är inte längre en helt offlinebaserad eller privat pipeline.

Om målet är AI som körs lokalt i första hand är H3-Base därför den viktigaste komponenten.

Vilken hårdvara behöver du för att köra MiniMax H3 lokalt?

Det finns inget enda VRAM-krav för MiniMax H3, eftersom svaret förändras drastiskt beroende på precision, kvantisering, modellbantning, offloading, upplösning, arbetsflöde och körmiljö.

Den inbyggda modellen är stor. H3 använder en tät H3-Omni-Transformer med 33 miljarder parametrar, medan kodaren använder de förtränade Qwen3-VL-32B-vikterna. MiniMax uppger att ungefär 13 miljarder av transformerns parametrar tillhör AdaLN-relaterade grenar vars utdata kan förberäknas och cachas för inferens, men detta ligger fortfarande långt över minnesbehovet hos en typisk okvantiserad konsumentmodell.

Det lokala ekosystemet har därför fokuserat starkt på bantning och kvantisering.

MiniMax-underhållna H3-integrationsindexet listar för närvarande lokala alternativ från en 8 GB DiffSynth NF4-konfiguration till kvantiserade byggen på 12–16 GB och ComfyUI-konfigurationer på 24 GB.

Det betyder inte att ett 8 GB-grafikkort är en bra H3-maskin.

I den lägre änden måste det saknade VRAM-minnet kompenseras genom att modellkomponenter flyttas mellan GPU-minne och systemminne. Då förändras frågan från ”Kan modellen läsas in?” till ”Hur länge är du beredd att vänta på varje generering?”

Minsta VRAM och användbart VRAM är två olika frågor. Därför är det bra att skilja mellan flaskhalsar för beräkning, minne och lagring innan du antar att en snabbare SSD eller NAS kan kompensera för otillräckligt GPU-minne.

Kan MiniMax H3 köras på 24 GB GPU:er som RTX 4090?

Ja, och 24 GB är för närvarande ett av de mer intressanta målen för en seriös H3-konfiguration hemma.

Community- och ComfyUI-inriktade byggen har minskat diffusionsmodellen tillräckligt mycket för att en beskuren INT8 H3-transformer ska kunna ligga runt 20 GB, medan textkodaren kvantiseras separat och modellkomponenter avlastas vid behov.

Den viktiga detaljen är att H3 inte består av en enda viktfil.

Ett komplett genereringsarbetsflöde kan behöva:

• H3-diffusionstransformern
• text-/bildkodare baserad på Qwen3-VL
• video-VAE
• audio-VAE
• valfria LoRA:er eller accelerationsmodeller
• referensmedia
• tillfälligt latentminne och avkodningsminne

En ”19 GB-modell” innebär alltså inte automatiskt att den får plats smidigt i en GPU på 24 GB med 5 GB över.

Hantering av minnet under körning är nästan lika viktigt som kontrollpunktens storlek.

Kan MiniMax H3 köras på GPU:er med 16 GB eller 12 GB VRAM?

Ja, men detta går längre in på området för community-kvantiserade modeller.

Det aktuella ekosystemet omfattar beskurna GGUF- och NVFP4-diffusionsmodeller som kombineras med kraftigt kvantiserade Qwen3-VL-kodare. Det kan flytta H3 till klassen 12–16 GB, men systemminne och dataöverföring blir allt viktigare.

Detta bör snarare ses som ett sätt att göra H3 tillgänglig än som den idealiska konfigurationen för frekvent produktionsarbete.

Om du bara genererar korta klipp då och då kan den kompromissen vara helt acceptabel. Om H3 ingår i ett automatiserat innehållsflöde som genererar dussintals klipp kommer genomströmningen att vara mycket viktigare än att modellen helt enkelt får plats i VRAM.

Kan MiniMax H3 verkligen köras med endast 8 GB VRAM?

Det finns nu en väg för 8 GB, men siffran behöver sättas i sitt sammanhang.

DiffSynth-Studio tillhandahåller en NF4-inferenskonfiguration vars angivna VRAM-minimum är 8 GB. På den nivån innebär omfattande avlastning dock att en stor del av arbetsbelastningen inte längre finns kvar i GPU-minnet.

För en konfiguration med 8 GB är den relevanta frågan därför inte:

”Startar H3?”

Det är den:

”Är den resulterande genereringstiden acceptabel för det jag vill göra?”

För att testa H3, lära dig arbetsflöden eller skapa ett enstaka klipp kan ett experiment med 8 GB vara värdefullt. För återkommande lokal videogenerering är mer VRAM fortfarande en betydande förbättring av användarupplevelsen.

FL2VA jämfört med Ref2VA: Vilken MiniMax H3-modell bör du använda?

H3-Base finns i två uppgiftsinriktade varianter. Genom att välja rätt variant kan du spara både lagringsutrymme och komplexitet i arbetsflödet.

H3-Base-FL2VA

FL2VA fokuserar på text- och nyckelbildsdriven generering.

Om ditt mål är konventionell text-till-video- eller bild-till-video-generering är FL2VA vanligtvis den enklare startpunkten.

H3-Base-Ref2VA

Ref2VA är utformat för mer avancerad multimodal referenskonditionering.

Enligt det officiella H3-modellkortet kan Ref2VA ta emot upp till:

• 9 bilder
• 3 videoklipp
• 3 ljudklipp
• Totalt 12 referensfiler

Detta öppnar för mycket mer intressanta lokala arbetsflöden: karaktärsreferens, rörelseöverföring, stilreferens, röstreferens, redigering av källvideo eller kombinationer av flera medietyper.

Men om du inte behöver dessa referenser innebär nedladdning och hantering av ytterligare en stor kontrollpunkt att lagringsutrymmet ökar utan att ett enkelt text-till-video-arbetsflöde nödvändigtvis förbättras.

Vad är det enklaste sättet att köra MiniMax H3 lokalt?

För de flesta enskilda användare är ComfyUI för närvarande den enklaste startpunkten.

MiniMax listar ComfyUI tillsammans med Diffusers, SGLang och vLLM som stödda driftsättningsalternativ. ComfyUI släppte också stöd för H3 redan första dagen och har paketerat versioner med lägre minnesanvändning som är avsedda för konsument-GPU:er.

ComfyUI:s H3-lansering förklarar att beskärning av H3:s moduleringsvikter, INT8-kvantisering, anpassade kärnor och dynamisk VRAM-avlastning minskar minnesanvändningen avsevärt jämfört med driftsättning med full precision.

En praktisk lokal installation ser ut så här:

1. Installera eller uppdatera ComfyUI.
2. Välj ett MiniMax H3-arbetsflöde för text-till-video, bild-till-video eller referens-till-video.
3. Ladda ner den matchande diffusionsmodellen.
4. Ladda ner den kompatibla H3-textkodaren.
5. Lägg till video- och ljud-VAE:er.
6. Börja med en kort generering i 768p-klassen.
7. Håll koll på både GPU-minnet och användningen av systemets RAM.
8. Öka först därefter längden, upplösningen eller arbetsflödets komplexitet.

Den här ordningen spelar roll. Att felsöka H3 samtidigt som du använder ett långt klipp, maximalt antal referenser, hög upplösning och avancerade tillägg gör det svårt att avgöra om ett fel beror på modellen, minnet, noderna eller själva arbetsflödet.

ComfyUI vs Diffusers vs SGLang vs vLLM-Omni för H3

Den bästa körtiden beror mindre på benchmarkresultat än på hur H3 kommer att användas.

Denna skillnad blir viktig när H3 går längre än ett experiment.

En kreatör som manuellt producerar en video i taget behöver en helt annan arkitektur än ett hushåll eller en studio där flera enheter skickar genereringsjobb till en central GPU-maskin. Samma uppdelning syns redan i praktiska guider om separera beräkning och lagring: NAS-enheten behöver inte utföra den tyngsta inferensen bara för att den lagrar data.

Kan MiniMax H3 köras som ett lokalt API för videogenerering?

Ja.

Detta är en anledning till att H3 är intressant även utanför experiment på en stationär dator. SGLang och vLLM-Omni kan göra H3 till en tjänst i stället för att kräva att användare interagerar direkt med modellprocessen.

Till exempel exponerar vLLM-Omni H3-receptet generering via ett OpenAI-liknande /v1/videos-gränssnitt.

Det möjliggör en annan arkitektur för AI i hemmet:

Bärbar dator / telefon / automatisering ↓ Lokal H3 API ↓ GPU-server ↓ Genererad video + ljud ↓ Lokal lagring 

När H3 exponeras på detta sätt behöver GPU-arbetsstationen inte längre vara den maskin där användaren redigerar promptar, hanterar projekt eller lagrar färdiga medier.

Beräkning och lagring kan bli separata tjänster.

Hur mycket lagringsutrymme behöver MiniMax H3?

Lagring är ett av de H3-krav som är lättast att underskatta.

Det officiella MiniMax H3-arkivet innehåller båda uppgiftsfamiljerna, transformatorvikter, den Qwen-baserade kodaren, VAE:er, Diffusers-strukturer och stödfiler. Hela arkivet kan ta upp hundratals gigabyte om allt laddas ner.

Integrationsindexet för MiniMax H3 placerar för närvarande hela det ursprungliga arkivet på ungefär 464 GiB. Enskilda ursprungliga FL2VA- och Ref2VA-transformatorvikter är vardera ungefär 62 GiB innan man går över till lägre precision eller beskurna varianter.

Du behöver inte ladda ner allt detta för att köra H3.

En vettig hemmauppsättning bör i stället separera:

• aktiv kontrollpunkt
• alternativa kvantiseringar
• FL2VA- och Ref2VA-varianter
• textkodare
• VAE:er
• LoRA:er
• referensbilder och video
• genererat resultat
• arkiverade projekt

Det är här lokal AI-video börjar likna en lagringsarbetsbelastning mycket mer än en traditionell AI-applikation på en stationär dator. En mer omfattande arkitektur för lokal AI och fillagring blir användbar när modeller, källmedier, resultat och säkerhetskopior alla behöver en permanent plats.

Bör MiniMax H3-modeller lagras på ett NAS?

Ja för vissa filer, men inte nödvändigtvis för varje del av den aktiva inferensen.

En användbar arkitektur är att skilja mellan snabblagring och kapacitetslagring.

Förvara på GPU-maskinens lokala SSD

• den för närvarande aktiva H3-checkpointen
• aktiv textkodare
• tillfälliga genereringsfiler
• cache
• filer som läses in upprepade gånger under inferens

Förvara på NAS:et eller hemmaservern

• alternativa H3-kvantiseringar
• äldre modellversioner
• FL2VA- och Ref2VA-arkiv
• referensmediebibliotek
• färdiga videor
• ComfyUI-säkerhetskopior av arbetsflöden
• projektresurser
• träningsdata eller LoRA-datauppsättningar

Den här uppdelningen förhindrar att nätverkslagring blir en onödig flaskhals vid varje modellinläsning, samtidigt som den hindrar hundratals gigabyte med AI-tillgångar från att fylla arbetsstationen.

För ett ZimaSpace-liknande hemlabb är detta ett mer användbart sätt att se på H3: GPU-noden genererar, medan hemmaservern organiserar och bevarar AI-arbetsytan.

Behöver MiniMax H3 10GbE-nätverk?

Inte för själva genereringssteget. När den aktiva modellen och indata har lästs in på GPU-maskinen är H3-inferensen i överväldigande grad en lokal beräknings- och minnesbelastning.

Nätverkshastigheten blir viktig när du upprepade gånger flyttar mycket stora checkpoints eller medier med hög bithastighet mellan ett NAS och GPU-noden.

Att överföra en modell på 20–60 GB skiljer sig till exempel avsevärt från att läsa in ett dokument på 5 MB i ett lokalt LLM-arbetsflöde.

Det innebär att AI-video förändrar värdet av snabbare nätverk i hemmet:

• 1GbE är fortfarande tillräckligt för att lagra färdiga projekt och kopiera modeller då och då.
• 2.5GbE minskar märkbart friktionen när stora modellfiler flyttas.
• 10GbE blir mer intressant när NAS:et fungerar som ett centralt modellbibliotek för flera AI-arbetsstationer eller när videofiler i originalformat flyttas kontinuerligt.

GPU:n blir inte snabbare bara för att ditt NAS har 10GbE. Det blir arbetsflödet runtomkring. Om själva nätverket blir flaskhalsen är den mer användbara jämförelsen 2.5GbE jämfört med 10GbE för NAS, baserat på faktiska filstorlekar, lagringsgenomströmning, klienter, switchar och överföringsfrekvens.

Kan MiniMax H3 köras helt offline?

H3-Base kan användas som en del av ett offline-arbetsflöde när alla nödvändiga vikter, beroenden och referensfiler redan finns lokalt.

Det inkluderar lokal text-till-video, keyframe-styrd generering och stödda H3-Base-arbetsflöden som drivs av referenser.

De officiella tjänsterna Context-IR och Regenerate-2K är dock för närvarande hostade. Ett arbetsflöde som bygger på dessa komponenter är inte helt offlinebaserat.

Denna åtskillnad är särskilt viktig för känsligt referensmaterial. Om kravet är att bilder, videor, röster eller ännu inte lanserade kommersiella tillgångar aldrig lämnar det lokala nätverket, bör arbetsflödet byggas kring H3-Base och lokal förbehandling i stället för att anta att hela den officiella H3-stacken är öppen.

Samma regel gäller för alla helt offlinebaserade lokala AI-arbetsflöden: att köra huvudmodellen lokalt räcker inte om autentisering, förbehandling, lagring, API:er eller andra nödvändiga steg fortfarande är beroende av internet.

Kan MiniMax H3 generera 2K-video lokalt?

Inte genom den fullständiga officiella 2K-pipelinen i dag.

H3-Base producerar basresultatet med en kortsida på 768 pixlar. MiniMax officiella 2K-resultat använder H3-Regenerate-2K, som tar basvideon tillsammans med det ursprungliga sammanhanget och regenererar resultatet i stället för att bara utföra konventionell superupplösning.

MiniMax uppger att Regenerate-2K ännu inte ingår i den öppna versionen.

Det hindrar inte användare från att tillämpa lokal uppskalning eller community-arbetsflöden på ett H3-resultat. Det innebär bara att dessa metoder inte bör förväxlas med MiniMax officiella H3-Regenerate-2K-pipeline.

För sökningar som ”MiniMax H3 lokal 2K” är denna åtskillnad mer användbar än ett enkelt ja-eller-nej-svar:

lokal H3-generering är tillgänglig; det officiella fullständiga steget för 2K-regenerering är ännu inte helt lokalt.

Kan MiniMax H3 köras på Apple Silicon?

Det lokala ekosystemet expanderar bortom NVIDIA-GPU:er.

Ett anmärkningsvärt community-projekt är h3.c, en Metal-nativ H3-implementering för inferens som är utformad för Apple Silicon. Det aktuella ekosystemet följer stödet för text-till-video/ljud, arbetsflöden med första och sista bildrutan samt ordnade referensinmatningar.

Detta gör Mac-datorer med enhetligt minne till en intressant H3-plattform, eftersom tillräckligt kraftfulla Apple Silicon-system kan byta ut traditionella begränsningar med diskret VRAM mot en större gemensam minnespool.

Apple Silicon-stöd bör dock fortfarande betraktas separat från MiniMax primära referensväg för driftsättning. Kärnans mognad, prestanda, minnesbelastning och funktionsparitet kan förändras snabbt i takt med att communityns körmiljöer utvecklas.

Lokal MiniMax H3 jämfört med moln-H3: Vilken konfiguration är mest rimlig?

Svaret beror på om du värdesätter ägande av infrastrukturen eller bekvämlighet.

För tillfällig AI-videogenerering kan molninferens vara betydligt mer ekonomiskt än att köpa en stor GPU.

Lokal distribution blir mer intressant när maskinen redan finns, genereringsvolymen är hög, källmediet är känsligt, arbetsflödena kräver omfattande anpassning eller H3 bara är en av flera lokala AI-tjänster som delar samma hårdvara.

Det är också därför kostnaderna för lokal kontra molnbaserad AI bör bedömas utifrån hur ofta arbetsbelastningen körs och vilken hårdvara man redan äger, snarare än genom att bara jämföra ett API-pris med inköpspriset för en GPU.

Varför lokal AI-video håller på att bli ett hemmaserverproblem

Att köra lokala språkmodeller lärde användare att främst tänka på RAM och VRAM.

Videomodeller förändrar ekvationen.

En seriös lokal videouppsättning samlar på sig:

• tiotals eller hundratals gigabyte modellvikter
• flera kvantiseringar av samma modell
• bibliotek med referensbilder
• referensljud
• källmaterial
• LoRA:er
• arbetsflödesfiler
• tillfälliga renderingar
• flera versioner av den färdiga videon

Följaktligen är den långsiktiga frågan inte längre bara:

Kan min GPU köra den här modellen?

Det blir allt mer:

Kan min lokala infrastruktur lagra, tillhandahålla, organisera, säkerhetskopiera och upprepade gånger använda hela denna AI-mediekedja?

Det är då en lokal AI-arbetsstation och en hemmaserver börjar komplettera varandra.

Webbläsare / redigeringsdator │ ▼ ComfyUI eller lokalt API │ ▼ GPU-beräkningsnod │ ├── Aktiv H3-modell på lokal NVMe │ ▼ NAS / hemmaserver ├── Modellarkiv ├── Referensmedia ├── ComfyUI-arbetsflöden ├── Genererade videor └── Säkerhetskopior 

GPU:n förblir den dyra beräkningsmotorn. Servern blir den beständiga AI-arbetsytan.

Detta är också ett användbart sätt att förstå en AI-NAS-arkitektur: lagring behöver inte ersätta GPU-arbetsstationen. Dess värde ligger i att tillhandahålla ett stabilt lager för data, modeller, media, indexering och säkerhetskopiering runt beräkningsintensiva AI-arbetsbelastningar.

Har MiniMax H3 öppen källkod?

MiniMax beskriver H3 som en öppen källkodsversion och publicerar H3-Base-modellvikterna och implementationen offentligt. Modellen släpps dock under MiniMax H3 Community License Agreement i stället för en konventionell tillåtande programvarulicens som Apache-2.0 eller MIT.

Skillnaden är värd att kontrollera före kommersiell distribution, vidare distribution eller integrering av H3 i en produkt. De tillämpliga villkoren finns tillsammans med den officiella modellreleasen.

Det är också viktigt att inte likställa den öppna H3-Base-checkpointen med hela H3-tjänstestacken: H3-Context-IR och H3-Regenerate-2K ingår fortfarande inte i den aktuella öppna lanseringen.

Är det värt att köra MiniMax H3 lokalt?

H3 är ovanligt intressant för lokal AI eftersom det inte bara är ännu en text-till-video-checkpoint. Det kombinerar multimodala referenser, videogenerering och inbyggt stereoljud i ett enda system, medan de öppna H3-Base-vikterna ger den lokala communityn tillräcklig åtkomst för att bygga nya körtider, kvantiseringar, ComfyUI-arbetsflöden, API:er och hårdvaruspecifika optimeringar kring det.

Men H3 visar också vart lokal generativ AI är på väg.

Utmaningen är inte längre bara att ladda ner en modell till en enda dator. En användbar H3-miljö kan omfatta en GPU-server, snabba lokala SSD:er, hundratals gigabyte modellagring, ett mediebibliotek, orkestrering av arbetsflöden, fjärråtkomst och beständig nätverkslagring.

För ett engångstest kan ComfyUI och en kvantiserad H3-checkpoint vara tillräckliga.

För en långsiktig självhostad AI-videostack är den mer användbara arkitekturen att separera beräkning, aktiv modellagring, bulklagring för media och åtkomst till arbetsflöden. Den strukturen kommer att förbli användbar även när nästa öppna videomodell ersätter H3 i toppen av rankningen.