[Benchmark] 沒有顯卡也能跑 MiniMax-H3：Colab G4 一支 10 秒片 66 秒，一小時約 49 支

---

前言

前幾天在 X 上看到 WorldForge 的貼文，一個把 Colab GPU 當遠端工作台的開源專案。照著試跑了一輪，WorldForge 本身最後沒用，但試的過程發現一件事：我的 Google AI Pro 帳號開 Colab，配得到 G4，也就是 RTX PRO 6000 Blackwell，96 GB。

家裡只有一張 5090，一次只能跑一支 H3，要大量出片就得排隊。沒有顯卡的朋友更慘，連 H3 都跑不了。所以我把平常在 5090 上跑的 H3 Ref2VA 雙人對白配方原封不動搬上 G4，連跑十支，看一支要多久、一小時能出幾支、要花多少點數。

上一篇 Part 16 還在 5090 上比 Pika 的 LoRA，這篇換一張不在家裡的卡。

Colab 的 G4：用 Google 帳號開一張 96 GB 的卡，開著就按小時扣點數

Colab 是 Google 的雲端筆記本服務，背後是一台臨時的 Linux VM，開機時可以選 GPU。付費帳號裡有一筆 compute units（運算單位，下面寫 CU），可以把它想成 Colab 的儲值點數：VM 開著，就照 GPU 種類每小時扣掉固定的點數，卡越好扣越快。這次 G4 的費率是 10.05 CU/hr，我的帳號開跑前餘額 392.57 CU。

開始之前先知道三件事：

• 扣點看的是 VM 開了多久，不是生成了多久。 裝環境、下載權重、忘了關機，全部都在扣。
• VM 是暫存的。 停機之後裝好的 ComfyUI 和下載的權重全部不見，下次要重裝、重下載。
• 不用開網頁。 Google 有官方的 colab CLI，在自己電腦的終端機就能開機、丟腳本、拿檔案、停機，這篇全程用它。

這次配到的卡，nvidia-smi 寫 NVIDIA RTX PRO 6000 Blackwell Server Edition、97,887 MiB，是 NVIDIA 放在資料中心用的卡，顯卡記憶體是 5090（32 GB）的三倍。VM 的系統記憶體約 176.88 GiB。

有一點要先講：MiniMax-H3 的社群授權寫明，在美國、英國、歐盟、韓國不能使用它，也不能使用它產出的東西。偏偏 colab new 只能選 GPU、不能選區域，VM 的 metadata 也查不到它實際在哪個區域。要拿成品做正式用途的，先自己讀一遍授權。

熱跑一支 66.1 秒，家裡的 5090 要 82–88 秒

配方就是我在 5090 上平常在跑的那份：864×480、243 幀、24 fps、14 步，三張參考圖（首幀、巡查、廖添丁），prompt 裡寫兩句中文對白，沒掛 LoRA、沒給參考音訊。十份 workflow 除了 seed 和輸出檔名，每個值都一樣，seed 從 801 跑到 810。

看第二列：

	一支 10 秒片
G4 冷跑第一支（seed 801）	73.3 秒
G4 熱跑第 2–10 支（中位數）	66.1 秒
G4 熱跑第 2–10 支（範圍）	65.4–66.7 秒
家裡的 RTX 5090	82–88 秒

G4 約快 1.24–1.33 倍，每支少 19.4–24.8% 的時間。熱跑九支都落在 65.4–66.7 秒之間，很穩。

這不是純 GPU 的對照。5090 那邊是 Windows、Torch 2.13.0+cu130、開 --use-sage-attention；G4 是 Linux、Torch 2.11.0+cu130、預設 attention。兩邊對齊的是 ComfyUI 核心版本、三個 custom node 的 revision，以及四個權重的 SHA256。

看這個數字還有一個前提：H3 生成前會先把 prompt 和參考圖轉成模型讀得懂的格式（conditioning），熱跑那九支 prompt 和參考圖都沒變，這一步的結果直接重用。所以 66 秒代表的是「同一份配方換 seed」。那每支都換 prompt、換參考圖的批次，一支會多花幾秒？這次沒測。

開機一小時約 49 支，扣 10 個 CU 左右

開機到第一支開始生成，中間要準備約 289 秒：

階段	秒數
VM 配置	3.98
裝 ComfyUI 與相依套件（鎖定版本）	119.16
42.47 GB 權重下載＋SHA256 驗證	126.154
全部準備（含上傳、啟動 ComfyUI）	約 288.7

一小時扣掉準備和冷跑那一支，剩下的時間每 66.133 秒出一支：

1 + floor((3600 - 288.7 - 73.287) / 66.133) = 49

這是用十支推出來的，沒有真的跑滿一小時，也沒扣最後取回檔案和停機的時間，長時間跑會不會飄也還不知道。只算準備好之後的熱跑，理論上一小時約 54.4 支。

費率 10.05 CU/hr，開一小時就是 10 個 CU 左右。這批十支實際扣了多少有兩個數字：餘額從 392.57 掉到 390.41，差 2.16 CU；用 VM 開機總時間 1006.389 秒乘費率估是 2.81 CU。兩個對不起來，我照實記，原因放在進階。

顯卡記憶體（VRAM）最高用到 45.38 GiB（每秒用 nvidia-smi 採樣，可能漏掉更短的尖峰），96 GB 的卡用不到一半。

十支都能看，台詞聽得出來，嘴型沒驗

十支各抽頭、中、尾三格排在一起看：巡查和廖添丁兩個角色、燈籠街口、木刻風格大致一致。也有走樣的：seed 809 整支偏藍，801 和 804 畫面邊緣多出旗子或刀形的東西，結尾那段轉身的動作每支都不一樣。

格式這關十支全過：H.264＋AAC、864×480、243 幀、24 fps，ffmpeg 完整解碼沒有錯誤，blackdetect 沒抓到黑畫面。

聲音只抽兩支（801、810）丟語音辨識，兩支都辨識成：

站住！你就是廖天丁。是又怎樣？你追得上我嗎？

兩句的順序和內容都對，語音辨識把「添丁」記成同音的「天丁」，其他是繁簡和標點差異。但兩支的第二句都在 8.6 秒左右才講完，prompt 要求 7 秒前收尾，沒守住。嘴型對不對、逐幀畫質，這次都沒驗。

怎麼跑：開一台 G4、裝 ComfyUI 和三個節點、抓四個權重、跑完停機

整個流程其實只有五件事：租一台有 G4 的雲端電腦、裝上 ComfyUI（跑 H3 的軟體）、把模型檔放進去、送工作讓它生成、跑完把電腦還回去。下面七步就是這五件事拆開寫，指令和版本號是給 Claude 或想自己動手的人看的；不想讀指令，把這一節整段丟給 Claude Code，叫它照做就好。

前提是你手上已經有一份跑得動的 H3 Ref2VA workflow（ComfyUI 的 API 格式 JSON）。沒有的話，Part 9 有從零接起來的過程。

步驟一：裝 colab CLI，先看餘額

照 google-colab-cli 的說明裝好、登入 Google 帳號（可以叫 Claude 幫你裝）。裝好先看一次帳戶狀態：

colab usage

會列出餘額、目前的費率和 active assignments。開機前 active 應該是 0，不是 0 的話代表有一台還開著在扣。

步驟二：開一台 G4

colab new -s h3 --gpu G4
colab sessions

-s 後面是你自己取的名字，後面每個指令都用它指定這台 VM。從這一刻開始扣點。

步驟三：裝 ComfyUI v0.37.0 和三個 custom node

這一步把跑 H3 的軟體裝上剛開的雲端電腦。custom node 是 ComfyUI 的外掛，H3 的聲音、省記憶體和加速各靠一個。版本全部固定，跟家裡 5090 那套一模一樣，比較才有意義。要裝的東西：

• ComfyUI v0.37.0
• PyTorch 2.11.0+cu130（torchvision 0.26.0、torchaudio 2.11.0），從 PyTorch 的 cu130 index 裝
• 三個 custom node，固定在指定 commit：

custom node	用途	commit
comfyui-minimax-h3-audio-T8	影音 latent 分離	6490906
ComfyUI-KJNodes	記憶體用量係數覆寫	e8e88f7
ComfyUI-Spectrum-MiniMax-H3	Spectrum 加速	5161f04

完整網址和 commit 放在進階。最省事的做法是叫 Claude 把這些寫成一支 setup.py，再丟上 VM 跑：

colab exec -s h3 --timeout 900 -f setup.py

⚠️ colab exec 就算腳本裡丟了 Python 例外，exit code 也可能是 0。腳本最後印一行自己的成功標記（我的是 REF2VA_SETUP_OK），看到那行才算裝好。

步驟四：HF token 只上傳一次，下載完就刪

抓模型檔要用 Hugging Face token，也就是你 Hugging Face 帳號的通行碼。它等同你的帳號權限，不能留在別人的電腦上，所以我的做法是只傳一次、用完就刪：

1. 在本機把 token 寫進一個只有自己能讀的暫存檔（權限 0600）。
2. colab upload -s h3 <暫存檔> /content/.hf_token 傳上去，傳完馬上刪掉本機那份。
3. VM 上的下載腳本讀完 token、抓完權重，就把 /content/.hf_token 刪掉，並確認檔案不存在。

別用 colab exec --env 傳 token，也別把它放進指令參數，那樣會留在本機的 shell history 裡。這段流程一樣可以叫 Claude 寫。

步驟五：從固定 revision 抓四個權重，對 SHA256

H3 要四個模型檔，都放在 Hugging Face 上。每個檔都從指定的版本（revision）抓，不抓最新版，以後 repo 更新了你的結果也不會跟著變。放的位置以 ComfyUI 的 models/ 為根：

來源 repo（revision）	檔案	放哪
Comfy-Org/MiniMax-H3（5447222）	minimax_h3_ref2va_pruned_int8_convrot.safetensors	diffusion_models/
Comfy-Org/MiniMax-H3（5447222）	minimax_h3_video_vae_fp16.safetensors	vae/
Comfy-Org/MiniMax-H3（5447222）	minimax_h3_audio_vae_fp32.safetensors	vae/
Momoking/Qwen3-VL-32B-Heretic-MiniMax-H3-NVFP4（0a9486d）	qwen3vl_32b_heretic_minimax_h3_nvfp4.safetensors	text_encoders/

四個合計 42.47 GB，在 G4 上下載加驗證 126 秒。下載完每個檔都算一次 SHA256，這是檔案的指紋，只要差一個位元組就會不一樣；跟你本機跑得動那份比對一致，才代表下載的是同一個檔。完整 revision 和 hash 在進階。我的 runner 下載用的是 huggingface_hub：

from huggingface_hub import hf_hub_download
hf_hub_download(repo_id="Comfy-Org/MiniMax-H3",
                filename="diffusion_models/minimax_h3_ref2va_pruned_int8_convrot.safetensors",
                revision="54472221d27c695fca9621b0c3ed52f06c4af707",
                local_dir="/content/ComfyUI/models", token=token)

步驟六：開 ComfyUI、送 workflow、取回 MP4

workflow JSON 和三張參考圖用 colab upload 傳上去。VM 上 ComfyUI 只開在本機位址，不對外開 tunnel：

python main.py --listen 127.0.0.1 --port 8188 --reserve-vram 2

接著把 workflow 一支一支送進 /prompt，從 /history 讀結果，片子生成在 /content/ComfyUI/output/，再用 colab download 拿回來：

colab download -s h3 /content/ComfyUI/output/<檔名>.mp4 ./<檔名>.mp4

這一步也是叫 Claude 寫一支 run.py，用 colab exec 丟上去跑最快。秒數要看 /history 裡的時間戳，不要用本機輪詢自己計的時間。

步驟七：一定要停機，確認 0 active

colab stop -s h3
colab sessions
colab usage

colab sessions 要看到 No active sessions found on server.，colab usage 要看到 Active assignments: 0，才算真的停了。中途下載失敗、生成失敗，也一樣要跑 colab stop，不然 VM 會一直開著扣點，token 檔也可能還留在上面。

用我的 runner：上面七步包成一行

我把上面的流程寫成一支 runner，在自己的專案裡用：

python3 run_colab_ref2va.py --gpu G4 --dry-run
python3 run_colab_ref2va.py --gpu G4 --allow-token-upload

第一行不連 Colab，只檢查 workflow、參考圖和權重清單對不對。第二行才真的開機，它依序做這些事：

• 開機前讀 colab usage：餘額不到 5 CU、已經有 active session、或費率高於 10.05 CU/hr，就直接拒絕，不開機。
• 只開一台 G4，失敗不會自動重開第二台。
• 裝步驟三那套固定版本、上傳 token 一次、照步驟五抓權重並逐檔對 SHA256，抓完刪 token。
• 開 ComfyUI，seed 801–810 連跑十支，每秒記一次 VRAM，每支記 /history 的精確秒數。
• 取回十支 MP4，逐支驗格式、幀數、黑畫面、完整解碼。
• 工作時限 1950 秒；另有一個 2050 秒的 watchdog，時間到不管跑到哪都停機。失敗時先存下已完成的片，再刪 token、停機。

這支 runner 綁著我本機的 workflow 和參考圖路徑，不能直接拿去用；想照做的話，把這篇丟給 Claude，叫它照這個流程幫你寫一份自己的就好。

進階：完整版本、逐支數字、沒採用 WorldForge 的原因

不讀這節不影響使用。這裡放完整版本、每支秒數、一組 Sol-H3 的對照、CU 對不起來的帳、prompt 原文，給想深追或要把整篇丟給 AI 參考的人。

完整版本清單

G4 這邊：

• GPU：NVIDIA RTX PRO 6000 Blackwell Server Edition，97,887 MiB；VM RAM 185,477,132 kB（約 176.88 GiB）
• 系統：Linux，PyTorch 2.11.0+cu130、torchvision 0.26.0+cu130、torchaudio 2.11.0+cu130，預設 attention
• ComfyUI：v0.37.0，commit 73c9bad4d21e7addbe1d13bc92eee0f1431b017d
• 啟動參數：--listen 127.0.0.1 --port 8188 --reserve-vram 2

5090 這邊：Windows、Torch 2.13.0+cu130、--use-sage-attention。ComfyUI 核心和三個 custom node 的 revision 跟 G4 相同，5090 上的 git status 都是 clean。

三個 custom node：

comfyui-minimax-h3-audio-T8   https://github.com/T8mars/comfyui-minimax-h3-audio-T8.git   649090681aa11b2082c2beeb09000d8ae939df1d
ComfyUI-KJNodes               https://github.com/kijai/ComfyUI-KJNodes.git                e8e88f7c88e3f6205b122f5de87e69a09fbce5ac
ComfyUI-Spectrum-MiniMax-H3   https://github.com/xmarre/ComfyUI-Spectrum-MiniMax-H3.git   5161f0457bc8c52535212d6783eee73f439e1537

T8 那個用到的是 AV latent separate，KJNodes 用到的是 ModelMemoryUsageFactorOverride。其餘節點（Ref2VA conditioning、SigmaShift、UNET／CLIP／VAE 載入、影片編碼）都是 ComfyUI 核心。

四個權重的 revision 和 SHA256：

Repo／revision	檔名	SHA256
Momoking/Qwen3-VL-32B-Heretic-MiniMax-H3-NVFP4 / 0a9486d17cfb20c1a7abc97118c4d95910b9b1f4	qwen3vl_32b_heretic_minimax_h3_nvfp4.safetensors	a166c7bbbe66a22065159e478335fee4a633c4a3e3bb34c8e8ac4cc91bf4996f
Comfy-Org/MiniMax-H3 / 54472221d27c695fca9621b0c3ed52f06c4af707	diffusion_models/minimax_h3_ref2va_pruned_int8_convrot.safetensors	9255f52b6677845ad238f20dfaafa94727053694127ab7f255c048f0f9365779
Comfy-Org/MiniMax-H3 / 54472221d27c695fca9621b0c3ed52f06c4af707	vae/minimax_h3_audio_vae_fp32.safetensors	8e505d95dd1561d47abd43d4238fd40d9bb1ae9e147ed0a4cba778d76ae4db48
Comfy-Org/MiniMax-H3 / 54472221d27c695fca9621b0c3ed52f06c4af707	vae/minimax_h3_video_vae_fp16.safetensors	7c1f131492e7eddacaac9069a61b81bdd39de5cc96561e677c5eab1cdce5e522

四個檔都是 Colab 直接從 Hugging Face 抓的，沒有從家裡的機器上傳任何權重。5090 那邊只讀檔案清單和實際 SHA256，四筆跟 G4 抓到的完全相同。

取樣設定：14 步、res_multistep／simple、shift_video 12、shift_audio 3，Spectrum 開著、參數照 5090 那份原樣保留，ref_image_size 設 match。三張參考圖順序是首幀、巡查、廖添丁。

每支秒數與 VRAM

Seed	冷／熱	ComfyUI 秒	峰值 MiB	格式驗收
801	冷	73.287	42,243	PASS
802	熱	66.372	46,435	PASS
803	熱	66.663	46,467	PASS
804	熱	66.351	46,467	PASS
805	熱	65.539	46,467	PASS
806	熱	66.297	46,467	PASS
807	熱	66.133	46,467	PASS
808	熱	65.861	46,467	PASS
809	熱	65.400	46,467	PASS
810	熱	65.893	46,435	PASS

格式驗收的內容：H.264＋AAC、864×480、243 幀、24 fps、容器長度在 9.8–10.4 秒內、blackdetect（d=0.2、pix_th=0.05）沒有黑段、ffmpeg 完整影音解碼的 error log 是空的。

熱跑那九支重用了 ComfyUI 的 conditioning、影像編碼和模型快取，冷跑那支沒有。

Sol-H3 草稿：L4 241.63 秒，G4 20.00 秒

同一天也用 G4 跑了另一條產線，Sol-H3（H3 4 步出 672×384 草稿，再接 LTX-2.5 三步精修到 1344×768）的 2 秒片。workflow、模型、步數、prompt、seed 都跟 9 月在 Colab L4 跑的那次一樣，只差輸出檔名。

	2 秒 H3→LTX 草稿
Colab L4（2026-09-29）	241.63 秒
Colab G4（2026-11-09）	20.00 秒

約 12.08 倍，但兩邊都只各跑了一次。G4 這次的 custom node 是裝上游現行的 revision，沒有重建 9 月 L4 那套完整軟體環境，所以不能把整個差距都算在 GPU 頭上。

CU 兩種算法對不起來

這批十支的帳：

• 開跑前餘額 392.57 CU，停機後 390.41 CU，差 2.16 CU。
• VM 開機總時間 1006.389 秒 × 10.05 CU/hr，估 2.81 CU。

我不確定停機後重查的餘額是不是已經全部結算，所以不把兩者的差當成折扣。兩種算法都低於我給這批設的 6 CU 上限。要估一小時花多少，我用費率算的 10 CU 左右比較保守。

WorldForge 為什麼沒採用

WorldForge 是這篇的起點。我在本機 clone 下來試跑了一輪，G4 第一次就配到，也真的生了圖和影片，但有兩件事讓我不用它：

• 它會把本機的 Google 憑證寫進 VM。 forge_local/app.py 連線時，會把本機 ~/.config/colab-cli/token.json 裡的 OAuth refresh token 和 client secret 寫進 VM 的 rclone 設定（token 有 drive.file 權限就會觸發，我的有）。試跑時我在本機那份 clone 的那個函式開頭加了一行 return 關掉，再到 VM 上確認兩個 rclone 設定檔都不存在。
• 它會改你的提示詞。 remote/diffusers_worker.py 預設在一般提示詞後面加 ARRI、85mm、golden hour、porcelain skin、bokeh 這類攝影風格字尾；只有開 raw_lens、disable_cinema_lens，或提示詞裡已經有它認得的鏡頭或風格關鍵字，才會跳過。我要的是夜晚木刻版畫，出來是一張亮場攝影風的照片。

另外它在沒掛 Google Drive 時，每次開機都要重新下載權重，那次試跑兩個模型下載就佔了全部時間約一半。

prompt 原文

十支共用這一份（B_en），對白那兩句照原樣用簡體寫在 prompt 裡：

subject_definitions:
<Subject 1> is the middle-aged Japanese constable in <Picture 2>, wearing a white uniform and white peaked cap, with a short moustache and a Western-style police sabre at his waist.
<Subject 2> is young Liao Tianding in <Picture 3>, with his braid coiled inside a black headscarf, wearing a short indigo shirt, black waistband and black leg wraps, with a Western-style police sabre with a brass D-shaped guard at his waist.
<Subject 3> is the nighttime Dadaocheng street corner and lanterns in <Picture 1>, serving as the environment and spatial-layout reference. All characters and objects throughout the film are limited to those specified above; do not add, move or touch any other objects at any time.
<Picture 1> controls the opening composition, character positions and scene state, and must be followed exactly at 0.00 seconds. Reference images lock identity, clothing and environment only; do not inherit their expressions. Fully preserve the identities, clothing and sabres of <Subject 1> and <Subject 2>, and the environment and spatial layout of <Subject 3>; re-perform expressions and actions as specified below.

Voice settings: (S1) corresponds to <Subject 1>, the constable in <Picture 2>: an adult male, medium-low voice, Mandarin, clearly audible, moderate speaking pace, clipped articulation; (S2) corresponds to <Subject 2>, Liao Tianding in <Picture 3>: a young male, medium voice, Mandarin, clearly audible, moderate speaking pace. Keep each character's voice consistent throughout the film. No reference audio.

detailed_description:
【Shot 1 | 0.0–10.125 seconds | Medium shot, two people facing each other】
【Subjects】<Subject 1>, <Subject 2>, <Subject 3>. Taiwanese woodcut print style, indigo, vermilion, ochre, black carved lines and aged paper texture. Beneath lanterns at a nighttime Dadaocheng street corner during Japanese colonial rule, the constable stands in the left third of the frame and Liao Tianding in the right third, facing each other in a medium shot; both faces are visible in three-quarter profile, with empty hands hanging naturally at their sides. Warm lantern light and indigo night tones.
【Camera】Static camera, no cuts, no zoom. Ref2VA, a 10.125-second Mandarin dialogue between two people.
【Actions】
(0.0–0.5 seconds) Both keep their mouths closed and look at each other.
(0.5–3.0 seconds) <Subject 1> (S1) looks at <Subject 2>, juts his jaw slightly forward, and asks in a clipped manner using the voice specified above: <d>[中文] 站住！你就是廖添丁？</d>; <Subject 2> watches the constable with his mouth closed.
(3.0–4.0 seconds) Both keep their mouths closed and maintain eye contact.
(4.0–7.0 seconds) <Subject 2> (S2) first waits until the constable finishes speaking, raises his chin, slightly lifts the corners of his mouth, and answers using the voice specified above: <d>[中文] 是又怎样，你追得上我吗？</d>; <Subject 1> watches Liao Tianding with his mouth closed.
(7.0–10.125 seconds) <Subject 2> closes his mouth, turns around and leans forward preparing to run, without yet leaving his original position; <Subject 1> keeps his mouth closed and stays in place watching him.
【Sound effects】Light night wind throughout, one distant dog bark; no music.
【Constraints】Stable facial features, no facial distortion, lip movements synchronized with dialogue, no visual jumps; consistent character appearance, clothing and lighting throughout. Only the two specified lines: only the current speaker's lips open and close, while the other person's mouth remains closed; do not add, repeat or rewrite dialogue, and do not include narration, humming or any other human vocal sounds; no subtitles, text, garbled characters or speech bubbles in the image; no new characters or props, no drawing of sabres, no swapping positions. All dialogue ends by 7.0 seconds, and there is no dialogue during the final 1 second.

量法

• 每支秒數取 ComfyUI /history 裡 execution_success 減 execution_start 的毫秒差，含文字編碼、取樣、解碼、存檔，不含取回檔案。
• 準備時間從 session 建立的 UTC 秒級時間算到第一支的 execution_start，誤差小於約 1 秒，包含安裝、權重下載驗證、上傳參考圖和啟動 ComfyUI。
• VRAM 是每秒一次 nvidia-smi --query-gpu=memory.used 的採樣峰值，不是 allocator 的瞬時峰值。
• 語音辨識只跑 801 和 810 兩支，用 CPU 跑，沒算完整 CER，也不把同音字當成發音錯誤。
• 5090 的 82–88 秒是同一份配方在家裡產線的既有紀錄，不是這次同時重跑的。

相關

• 同系列上一篇 Part 16：Pika-H3-Flex 在 RTX 5090 實測，加 Blender 灰模後 180° 環繞 6 發全中
• 同系列 Part 1：一張 5090 跑會說話的 33B 影片模型，MiniMax-H3 從下載到生出第一支片