CommunityImagegithub.com

h3-image-workflow

在 ComfyUI 上把 MiniMax H3 的「参考图 → 新图」工作流接对、跑稳:MiniMaxH3ImageConditioning 的接线、images.image_0 这个带点键的坑、vae 接不接决定照片还是 CG、换机位为什么永远失败。当需要锁住一个已定版角色、把照片翻成 CG、或换机位/换景别重出图时使用。

What is h3-image-workflow?

h3-image-workflow is a Claude Code agent skill that 在 ComfyUI 上把 MiniMax H3 的「参考图 → 新图」工作流接对、跑稳:MiniMaxH3ImageConditioning 的接线、images.image_0 这个带点键的坑、vae 接不接决定照片还是 CG、换机位为什么永远失败。当需要锁住一个已定版角色、把照片翻成 CG、或换机位/换景别重出图时使用。.

Works with~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Regenschleier/dsh-skills/tree/main/skills/h3-image-workflow

Installed? Explore more Image skills: steipete/songsee, affaan-m/frontend-design, mattpocock/improve-codebase-architecture · View all 6 →

Ask in your favorite AI

Open a new chat with this agent skill pre-loaded.

Documentation

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)

  1. 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。
  2. 接不接 vae 决定「照片」还是「CG」。 接着 vae → 参考图被编码成 minimax_refs latent,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。
  3. 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。
  4. 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vaeimages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768×134432 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 attentionint8 专用,N 卡
耗时纯文字 105 s;带参考图 150–185 sRTX 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 argumentautogrow 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)

  1. 我要「换机位」还是「只换景别」?换机位 → images 必须为空。
  2. 我要「CG」还是「照片」?CG → 节点 6 不接 vae。
  3. 宽高是不是 768×1344(不是 0)。
  4. 提示词里有没有残留的上一张动作词。
  5. 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。

Related Skills