这次我们来看 ComfyUI 生态里最近讨论热度很高的一个重绘方案MiniMax H3 二采重绘 V2。先说清楚它是什么。MiniMax H3 本身是图像生成模型这一档而这次热词里频繁出现的二采重绘 V2更多是围绕 H3 模型整理出来的一套 ComfyUI 工作流。它不是单一模型文件而是一整套双模型接力 二次采样 注意力加速的组合方案。所谓双模型超级加强从命名和描述来看是让两个模型接力出图第一段负责构图和语义打底第二段由 H3 模型做细节重绘。这样做的直接好处是构图和细节可以分开控制成图清晰度能再往上拉一截坏处是出图耗时和显存压力会同时变大。V2 版本新增的注意力加速很大程度上就是冲着这个副作用来的。如果只看关键词这套工作流最值得关注的点有三个第一二次采样重绘到底能不能把细节和清晰度拉高一个档次第二双模型串联之后在 3060 这种入门级显卡上到底能不能跑得动第三注意力加速开关前后的速度差异到底有多大。这些都需要实际跑一遍才能给出可靠结论但部署路径本身是清晰的装 ComfyUI、放模型、导入工作流、跑测试。下面按这个顺序展开。这篇文章适合已经在用 ComfyUI 做图生图、局部重绘和高清放大的用户想试 MiniMax H3 模型但不确定文件放哪、工作流怎么导入的用户以及经常批量出图、比较在意显存占用和单张耗时的人。如果只是看成品图效果可以直接去模型发布页看示例这篇主要针对要动手部署、调参和排查问题的人。1. 核心能力速览先给一张速览表方便你快速判断这个工作流适不适合自己。以下信息综合项目标题、关键词和公开讨论整理部分参数需要以实际发布的工作流文件为准。能力项说明项目类型ComfyUI 图像生成工作流二采重绘方向核心模型MiniMax H3以及配套接力使用的第二模型主要功能文生图、图生图、二次采样重绘、细节强化、清晰度增强V2 新特性双模型加强组合、全新注意力加速启动方式通过 ComfyUI 页面导入工作流 JSON 后运行推荐硬件从相关讨论看RTX 3060 级别可以尝试建议至少 8G 显存起步显存占用未获取精确数值需以本机实际运行参数为准是否支持 CPU理论上可跑但二次采样加双模型会导致耗时明显拉长不推荐是否支持 API依赖 ComfyUI 自带的 API 服务可批量提交任务是否支持批量任务支持可基于 ComfyUI 队列或外部脚本实现适合场景局部重绘、高清放大、人像精修、电商图、动画风格转换这里重点说一句显存占用和出图速度不能只看模型名字还取决于分辨率、步数、batch size、是否开启注意力加速、是否启用 ControlNet 等。所以下面章节会给出一个可复用的测试流程方便你在自己的显卡上拿到真实数据。2. 适用场景与使用边界2.1 适合做什么从二采重绘这个名字就能看出来这个工作流的核心定位不是简简单单的文生图而是对图像做二次加工。适合的场景大致有几类图生图重绘输入一张底图把构图、颜色或材质重新画一遍。局部重绘用 mask 圈住某个区域只重绘这个区域比如换衣服、改背景、修瑕疵。高清放大与细节补全第一遍生成或放大后的图再用 H3 模型做一遍细节强化。人像精修头发丝、皮肤纹理、服装褶皱这类高频细节二次采样往往比单遍直接生成更稳定。电商产品图固定机位和视角把产品边缘、材质、光影重绘优化。动画或二次元风格转换利用重绘阶段统一画风。2.2 不适合做什么纯文字排版扩散模型对文字的处理依然不可靠尤其是中文。高频重复几何图案比如百叶窗、密集网格重绘阶段容易出现摩尔纹或结构错乱。对输出尺寸有严格要求的场景如果必须精确到像素级尺寸建议先确认工作流是否有固定分辨率输出节点。需要完全一致的产品图二次采样重绘会有一定随机性不能保证和原图完全一致。2.3 使用边界与合规提醒图像生成类工作流一定要特别注意三点。第一输入图片涉及真实人物时尤其是人脸、肖像、他人照片必须确认已经获得了对方授权。即使是本地部署也不能用别人的照片生成不合适的内容。第二训练数据本身存在版权争议风险生成结果如果用于商用建议先确认模型许可证和你所在地区的合规要求。第三批量生成时最好在代码或脚本里加入内容过滤关键词避免自动化流程产出违规内容。本地部署不等于可以放任不管这个边界要清楚。3. 本地部署环境准备3.1 硬件层面的基础要求从相关热词来看ComfyUI MiniMax H3 3060是很多人关心的组合也就是说RTX 3060 级别显卡是被讨论到的目标配置。更稳妥的判断是建议使用英伟达显卡显存 8G 起步如果只有 4G 显存大概率要把分辨率压到非常低并且关闭一些高显存消耗的节点体验会打折扣。同时要注意显卡驱动需要更新到较新版本确保支持当前 PyTorch 所需的 CUDA 版本。系统内存建议 16G 以上批量任务、加载大模型时内存也会被吃一部分。磁盘空间建议预留 20G 到 50G因为多个模型文件加工作流文件体积不小。散热条件要足够好双模型串联跑二采重绘时显卡会持续高负载。3.2 软件层面的通用检查清单以下清单没有限定具体版本号因为 ComfyUI 和 Python 生态更新较快写死版本反而容易过时。按顺序检查即可操作系统Windows 10/11、Ubuntu 20.04 或更高版本。Python3.10 或 3.11 较常见。CUDA通过 PyTorch 自动安装即可不需要单独安装完整的 CUDA Toolkit。Git用于拉取 ComfyUI 仓库和自定义节点。浏览器推荐 Chrome 或 EdgeComfyUI 前端对浏览器兼容性较好。# 检查显卡驱动是否正常 nvidia-smi如果 nvidia-smi 能正常显示 GPU 型号、驱动版本和显存说明显卡驱动没问题。4. 安装部署与启动方式4.1 安装 ComfyUI如果已经装了 ComfyUI这步可以跳过。git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI pip install -r requirements.txt国内网络环境下载 GitHub 内容时速度不理想的话可以适当设置代理环境变量或者在镜像站下载 release 包。这里不展开。4.2 放置模型文件MiniMax H3 相关模型文件以及配套的第二模型需要放到 ComfyUI 对应目录下。常见位置如下ComfyUI/ ├── models/ │ ├── checkpoints/ # 完整模型文件通常放这里 │ └── diffusion_models/ # 部分工作流会引用这个目录 ├── custom_nodes/ # 自定义节点目录 ├── input/ # 批量任务输入图片目录 └── output/ # 默认输出目录具体文件名和节点引用路径必须以你拿到的工作流 JSON 为准。强烈建议拿到工作流之后先用文本编辑器打开 JSON搜索一下类似checkpoints、diffusion_models、ckpt_name的字段确认它到底引用的是哪个目录、哪个文件名再决定文件放哪里。4.3 安装必要自定义节点二采重绘工作流通常依赖一些扩展节点比如 ControlNet 相关辅助节点、遮罩处理节点、图像放大节点等。常见做法是在 ComfyUI 界面里通过 Manager 安装或者手动 clone 到custom_nodes目录。cd custom_nodes git clone https://github.com/ltdrdata/ComfyUI-Manager.git安装后重启 ComfyUI页面右侧会出现 Manager 面板可以补装缺失节点。4.4 启动 ComfyUI启动命令本身很简单python main.py --port 8188如果要让局域网内其他设备访问python main.py --listen 0.0.0.0 --port 8188启动成功后浏览器访问http://127.0.0.1:8188如果页面能正常打开ComfyUI 就装好了。4.5 导入工作流把下载好的二采重绘工作流 JSON 文件直接拖进浏览器页面ComfyUI 会自动渲染工作流图。导入之后的处理顺序检查每个模型加载节点确认模型文件已经放在对应目录。检查所有自定义节点是否变红变红说明缺节点先补装。确认Load Image节点指向的图片路径存在。点击Queue Prompt跑一次小分辨率测试。如果页面提示model not found或者node type not exist通通先停在这里把模型和节点装好再继续。5. 功能测试与效果验证5.1 文生图测试测试目的确认模型能正常加载基本采样链路没有断裂。操作步骤找到工作流里的文本输入节点。输入测试提示词建议先用简单场景比如a red apple on a wooden table, soft light, high detail。分辨率先设 512x512。采样步数按工作流默认值如果找不到可以先设 20。点击Queue Prompt。预期结果等待后输出一张 512x512 的苹果图。控制台没有红色报错。判断成功标准图片能正常生成且物体结构没有明显错乱。常见失败原因模型路径错误检查ckpt_name或model_name。显存不足把分辨率继续调低到 384x384 测试。节点报错缺自定义节点安装后重启。5.2 图生图与二采重绘测试测试目的验证二采重绘的核心链路也就是输入底图后经过两个模型接力输出增强后的图像。操作步骤准备一张测试图放在ComfyUI/input目录。在Load Image节点里选择这张图。设置重绘参数。常见的参数包括denoise、strength、cfg二采重绘一般建议从0.4到0.6起步太高会偏离原图太低细节变化不明显。运行任务。预期结果输出图在保留原图构图的基础上边缘更锐利、纹理更清晰。判断成功标准对比原图和输出图细节确实增加而不是简单的模糊锐化。常见失败原因denoise数值太高导致构图完全变化。两个模型之间节点连线错误导致只跑了单模型。mask 或图片尺寸不匹配导致输出黑块。5.3 注意力加速开关对比测试目的验证 V2 版本新增的注意力加速是否有实际效果。操作步骤准备同一张测试图、同一组参数。第一次运行关闭注意力加速相关节点或选项记录耗时。第二次运行开启注意力加速相关节点或选项记录耗时。连续跑三组取平均值避免单次波动。预期结果开启后耗时下降且输出图质量没有明显劣化。判断成功标准显存占用变化不大速度提升至少肉眼可感知图片细节没有糊掉。注意注意力加速是一种优化手段具体生效方式可能是一个开关节点也可能是某个采样器的新增选项。你需要以实际工作流为准找到它的开关位置。5.4 高分辨率与大图输出测试测试目的确认二采重绘在更大分辨率下是否稳定。操作步骤从 512x512 提升到 768x768。再尝试 1024x1024。观察显存占用、生成时间、图片是否有重复纹理或崩坏。预期结果较高分辨率下耗时和显存占用会明显上涨但图片不应出现大范围结构错误。判断成功标准图片在放大后依然保持清晰没有明显瑕疵。常见失败原因显存不够时出现CUDA out of memory。步数不够时高分辨率下容易产生过度平滑或细节缺失。两个模型接力时第二阶段的denoise没调好反而把第一阶段的细节弄糊。5.5 批量测试测试目的验证能否连续处理多张图片。操作步骤在Load Image节点选择一批图片或通过目录方式输入。点击Queue Prompt多次或使用下面第 6 章的 API 脚本批量提交。检查输出目录中是否生成对应数量的结果文件。预期结果每张图都正常输出没有中途卡死。判断成功标准输出文件数量等于输入数量且没有异常文件。常见失败原因某张图尺寸不一致导致后续节点报错。显存在连续任务中未释放第二张图开始爆显存。输出文件名覆盖建议在保存节点设置唯一前缀或时间戳。6. 批量任务与工作流整合6.1 ComfyUI 自带 APIComfyUI 启动后默认带 HTTP 接口路径是/prompt。如果你需要把二采重绘工作流接到自己的脚本或服务里可以直接用这个接口。先在工作流页面右上角把工作流导出为 API 格式。ComfyUI 菜单里通常有Save (API Format)选项导出的 JSON 结构可以直接提交给后端。下面是一个通用调用模板。注意workflow_api.json需要替换成你导出的 API 文件路径节点参数也要按实际工作流调整。import json import requests server_addr http://127.0.0.1:8188 with open(workflow_api.json, r, encodingutf-8) as f: workflow json.load(f) payload { prompt: workflow, client_id: csdn-demo-001 } resp requests.post(f{server_addr}/prompt, jsonpayload, timeout600) print(resp.status_code) print(resp.json())提交成功后返回内容里会包含任务prompt_id用来查询执行结果。6.2 批量任务脚本思路如果输入是多张图片可以这样设计脚本import os import json import requests import time server_addr http://127.0.0.1:8188 input_dir ./inputs def build_workflow(image_path): # 这里需要按实际工作流修改 # 1. 读取 workflow_api.json # 2. 把 LoadImage 节点的 image 字段替换为 image_path 的文件名 # 3. 返回字典 with open(workflow_api.json, r, encodingutf-8) as f: workflow json.load(f) # 假设 LoadImage 节点的节点 ID 是 10 # workflow[10][inputs][image] os.path.basename(image_path) return workflow for img_name in os.listdir(input_dir): if not img_name.lower().endswith((.png, .jpg, .jpeg)): continue img_path os.path.join(input_dir, img_name) workflow build_workflow(img_path) resp requests.post(f{server_addr}/prompt, json{prompt: workflow}, timeout600) data resp.json() if prompt_id in data: print(f{img_name} - {data[prompt_id]}) else: print(f{img_name} - FAIL: {data}) time.sleep(2)批量任务最容易踩的坑有两个。第一个是图片文件名。ComfyUI 的LoadImage节点默认读取ComfyUI/input目录下的文件所以脚本要把待处理图片放到这个目录并且文件名不能包含中文或特殊字符否则容易读不到。第二个是任务堆积过快。批量提交时不要一次性把所有任务全部推给 API建议每提交一个任务后轮询历史接口确认上一个任务跑完再提交下一个避免显存连续堆积导致 OOM。6.3 失败重试与日志批量任务建议维护一个处理清单{ tasks: [ { input: a.png, status: pending }, { input: b.png, status: done }, { input: c.png, status: failed } ] }失败的任务单独记录原因处理完一批后重跑失败列表即可。不要贪图省事把所有任务一次性灌进去。7. 资源占用与性能观察7.1 怎么观察显存和耗时推荐两个方法。方法一运行任务时另开一个终端输入nvidia-smi -l 1这样会每 1 秒刷新一次显卡状态可以看到显存占用、显卡温度和功耗。方法二在 ComfyUI 运行日志里确认采样耗时。ComfyUI 控制台会在每张图采样完成后打印耗时信息可以直接拿来比较不同参数下的速度差异。7.2 哪些因素对性能影响最大从二采重绘的工作方式来看影响最大的因素有三个。分辨率从 512x512 到 1024x1024计算量接近翻倍显存和耗时都会明显上升。采样步数步数每增加一倍耗时基本也会翻倍。二采重绘本身就已经跑两遍采样步数定太高会非常煎熬。批大小如果每次Queue里塞多张图显存占用会线性叠加很容易爆显存。其次是注意力加速开关。从设计初衷来看注意力加速就是为了降低采样过程中注意力计算的开销所以它在高分辨率或长步数场景下的收益会更明显。7.3 如何降低显存占用优先级从高到低先调低分辨率。把 1024 降回 768往往立刻见效。减少 batch size一次只跑一张图。减少采样步数优先保持 20 步以内。使用低显存优化选项。ComfyUI 的启动参数通常包含这类开关具体以当前版本帮助为准。清理 ComfyUI 缓存和后台残留进程。任务跑完后如果显存没有释放重启服务通常能解决。7.4 端口冲突和进程残留ComfyUI 启动时报端口占用时先确认端口是否被别的服务占用。netstat -ano | findstr 8188 taskkill /PID 进程ID /FLinux 下用lsof -i :8188 kill -9 PID如果只是换端口启动时指定新的端口就行。python main.py --port 82888. 常见问题与排查方法问题现象可能原因排查方式解决方案启动后页面打不开服务未启动或端口被占用检查终端日志、检查 8188 端口重启服务或更换端口模型文件找不到模型没放到正确目录查看工作流 JSON 中引用的路径把模型移动到对应目录自定义节点报红色错误缺少节点插件在 ComfyUI Manager 中查看缺失节点安装节点后重启第一张图正常第二张图 OOM显存未及时释放或 batch 太大查看 nvidia-smi 显存占用降低分辨率、减少 batch、重启服务输出图构图与输入完全不同denoise 或 strength 太高检查重绘参数降低数值到 0.4 到 0.6输出图很糊最后一个环节缺少放大或锐化节点查看输出链路结构添加图像放大或细节恢复节点API 提交失败JSON 结构不是 API 格式检查工作流导出方式使用 Save (API Format) 重新导出注意力加速开关无效果开关位置不对或未生效对比开启前后日志和耗时确认工作流版本更新到 V2高分辨率出现重复纹理步数不足或模型不适配高分检查放大链路先放大再重绘或提高重绘步数局域网无法访问启动参数未加 --listen确认监听地址使用python main.py --listen 0.0.0.0如果问题集中在依赖安装失败通常可以先升级 pip再逐项安装requirements.txtpip install --upgrade pip pip install -r requirements.txt网络环境不好的时候可以换国内镜像源pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple9. 最佳实践与使用建议9.1 第一次先小参数测试不要一上来就直接跑 1024x1024 加高步数。先用小分辨率、低步数跑通链路确认模型加载、节点连线、输出保存都正常再逐步加大参数。这样可以省掉大量排错时间。9.2 保留最小可运行配置把一组成功运行过的参数和工作流导出保存到单独目录。后续调坏参数时随时可以切回来。推荐目录结构minimax_h3_v2/ ├── workflow/ │ ├── base.json │ └── test_params.json ├── models/ ├── inputs/ ├── outputs/ ├── logs/ └── scripts/9.3 输出文件命名批量任务容易出现输出覆盖问题。建议在保存节点中设置唯一前缀或者让脚本以输入文件名为基础生成输出名再追加时间戳。9.4 批量任务要加日志脚本运行过程中把每个任务的提交时间、完成状态、失败原因记录到文件里。批量任务少了日志一旦中途报错排查成本会翻倍。9.5 接口服务要注意访问限制如果开启了 API 服务不建议直接暴露到公网。本地测试时保持127.0.0.1需要局域网访问时也要加访问控制。ComfyUI 本身没有复杂权限体系一旦端口暴露任何人都可能提交任务既不安全也消耗显卡。9.6 内容合规涉及真人照片、他人肖像、品牌 Logo、受版权保护的素材时一定要先确认授权。批量生成更要加内容过滤和人工复核环节。这在任何图像生成工作流里都是底线不是可有可无的建议。9.7 商用前做效果复核二采重绘的特点是细节增强但细节增强不等于真实。如果生成结果要用于商业项目建议放大到实际使用尺寸仔细检查文字、边缘、人脸五官和产品 Logo 是否变形。10. 总结与下一步MiniMax H3 二采重绘 V2 这套工作流最值得尝试的点在于它把二次采样重绘这件事做成了可以直接在 ComfyUI 里跑的完整链路。双模型接力、注意力加速、清晰度强化这三个关键词确实覆盖了目前社区搞图最关心的方向细节、显存、速度。拿到手之后第一个要验证的不是效果而是链路能不能通。先装好 ComfyUI放对模型用小分辨率跑通一张图再逐步加参数。最容易踩的坑是自定义节点缺失和模型路径不对这两个问题占了新手报错的一大半。接下来可以继续扩展的方向有几条把 ControlNet 接进二采重绘链路做更可控的局部修改接入批量文件夹输入做成一个半自动的批量精修管线或者把 API 接到自己的业务后台让其他系统直接调用本地出图能力。每一步都不复杂关键是先把当前版本的基本链路跑稳。如果你手头刚好是 3060 这类显卡建议先把注意力加速打开、分辨率从 512 开始试记录一组基准耗时。有了基准数据后面调参和升级显卡都更容易判断收益。建议收藏备用等实际部署的时候一步一步照着做会省下不少折腾时间。