H3 参考图工作流(MiniMaxH3ImageConditioning)
这个 skill 解决什么
ComfyUI 里的 MiniMax H3 有两个入口:纯文字(CLIPTextEncode 直接喂 BasicGuider)和参考图(MiniMaxH3ImageConditioning)。
参考图入口能锁身份,但有四个坑,不踩过就会得到「脸永远是真人照片」「换哪个角度都是同一张」「报 TypeError」。
本 skill 给出可复制的接线、四种已验证配方、以及每个现象对应的改法。
一、四条硬开关(按重要性排序)
images插槽接着参考图,构图就被钉死。 写「俯拍 / 背后 / 特写」出来还是原图那个机位。换机位必须把整个 autogrow 插槽删掉,人物改用文字重写。- 接不接
vae决定「照片」还是「CG」。 接着 vae → 参考图被编码成minimax_refslatent,权重压过文字,脸会一直是真人五官;断开 vae(VAEDecode那根照接)→ 参考图只进文本编码器,画面跟提示词走,立刻变瓷面 CG。 - 宽高写死,别留 0。
width/height默认 0 时会按参考图短边 1024 自动出画布(9:16 约 1.8 MP),8 GB 显存会爆或极慢;一律显式768×1344。 - 换机位时动作段必须整段重写。 残留
stomp / kick / sneaker the largest这类上一张的词,会把机位拉回原构图。
二、接线(API 格式,照这个连)
UNETLoader(int8 fl2va) → ModelAttentionBackend("comfy kitchen attention")
├── BasicGuider(model) ← conditioning 来自节点 6 的第 0 输出
└── BasicScheduler(simple, 30, 1)
CLIPLoader(qwen3vl_32b, minimax) ────── 节点6.clip
VAELoader(minimax_h3_video_vae_fp16) ─┬── 节点6.vae ← 想出 CG 就把这根删掉
└── VAEDecode.vae
LoadImage → 节点6["images.image_0"]
节点6.latent(第1输出) → SamplerCustomAdvanced.latent_image
SamplerCustomAdvanced(noise, guider, KSamplerSelect(res_multistep), sigmas)
→ LTXVSeparateAVLatent(av_latent) → 取第 0 输出 video_latent → VAEDecode → SaveImage
可复制的 JSON 骨架见 references/api-graph.md。
注意:走参考图链路时不需要 CLIPTextEncode——提示词直接写在节点 6 的 prompt 字段里,再由它返回的
conditioning 一路喂给 BasicGuider。只有纯文字链路才用 CLIPTextEncode → BasicGuider。
最常踩的语法坑:autogrow 插槽在 API 里是带点的字面键 "images.image_0": ["7", 0]。
写成 "image_0" 会当关键字参数传给 execute(),报
MiniMaxH3ImageConditioning.execute() got an unexpected keyword argument 'image_0'. Did you mean 'images'?
三、四种配方(选一个,别混)
| 目标 | vae | images | 提示词重心 |
|---|---|---|---|
| 锁身份、换机位 | 接 | 删掉 | 人物写文字 + <Picture 1> 完全不提 |
| 锁身份、只换景别以内 | 接 | 接 | 开头写 <Picture 1> teaches only the rendering language and the face |
| 照片 → CG(保骨相) | 断开 | 接 | CG 渲染锚 + 景别「改写成腰以上四分三侧」 |
| 纯文字出图 | 不需要 | 不需要 | 全套八段文字 |
选错一条的表现:想换机位却仍接着 images → 四张图同一构图;想 CG 却接着 vae → 永远是真人照片。
四、参考图怎么准备(决定成败的一半)
- CG 进 CG 出最稳:想要 CG 新图,就用已认可的 CG 成图裁一份当参考,比用手机照片稳得多。
- 要保构图就裁成目标比例(9:16)再喂,否则模型会把原图机位一起搬过来(低机位仰头怼脸的照片会带来难看的下颌)。
- 参考图只承担「骨相 / 服装 / 材质」,别指望它承担新机位——机位永远写在文字里。
- 细节会对称化:单侧颜料痕、单侧耳钉这类,要单开一段点名「另一侧干净」。
模板见 references/reference-prep.md。
五、参数(8 GB 笔记本实测)
| 项 | 值 | 备注 |
|---|---|---|
| 尺寸 | 768×1344 | 32 的倍数,总像素 ≤ 768×1344 |
| 步数 | 30(simple 调度) | 6 步 HyperFlow 会抹掉材质与光斑,只适合草稿 |
| 采样器 | res_multistep | 模板默认;euler 也可 |
| 注意力后端 | comfy kitchen attention | int8 专用,N 卡 |
| 耗时 | 纯文字 105 s;带参考图 150–185 s | RTX 5060 Laptop |
六、失败对照表(症状 → 病因 → 改哪)
完整 12 条见 references/failure-table.md。最常见的四条:
| 症状 | 病因 | 改法 |
|---|---|---|
| 四张不同机位的图长得一样 | images 还接着参考图 | 删 images.image_0,人物文字重写 |
| 永远是真人照片 | 节点 6 接着 vae | 断开 vae(VAEDecode 照接) |
| 报 TypeError: unexpected keyword argument | autogrow 键写成 image_0 | 改成 images.image_0 |
| 换机位后回到旧动作 | 提示词残留上一张的动作词 | 动作段整段重写 |
七、自检(提交前 20 秒)
- 我要「换机位」还是「只换景别」?换机位 → images 必须为空。
- 我要「CG」还是「照片」?CG → 节点 6 不接 vae。
- 宽高是不是 768×1344(不是 0)。
- 提示词里有没有残留的上一张动作词。
- 参考图比例是否与目标比例一致。
八、和视频的衔接
静帧定版后再接 MiniMaxH3ImageToVideo:把定版图当 first_frame,length 用 124(24 fps,约 5 s),
提示词改成时间码分段([0.0s-1.5s] …),镜头动作写成画面占比变化而不是厘米数。
在蒸馏版(HyperFlow 6 步)上,雾、颗粒、光晕会被抹掉,要写成「欠半档、全画面发雾、不锐」这种可判定状态,或干脆后期加。