生图平面类

几十张图、一万步内就拟合:T8 的 MiniMax H3 Image 训练教程,真正的门槛在「成对图」怎么配

2026年11月23日2 次阅读Read in English
几十张图、一万步内就拟合:T8 的 MiniMax H3 Image 训练教程,真正的门槛在「成对图」怎么配

先讲结论

这是 T8(B 站 T8star-Aix)在 11 月 22 日早上发的一期训练教程,不是新模型发布,也不是新权重开箱。它接着前一天那期「单头节点 + 细节微调 LoRA」往下讲,补的是很多人卡住的那一步:自己怎么训一个 MiniMax H3 Image 的 LoRA。

三句话概括这期视频的判断:

  • 拟合极快。 作者只用了「几十张图片」,文生图 LoRA 跑到几千步到一万多步就已经能用;他自己训的三份分别是 18500 步、10500 步和 15000 步,其中 15000 步在侧面和小角度上更稳。
  • 别盯着 loss 曲线。 因为收敛太快,曲线已经不说明问题;作者明确说核心是「肉眼实际跑下来的效果」,看着差不多就可以停。
  • 编辑训练的方向比参数重要。 做「成对图」训练时,Target 要选最终结果图,控制图要放原图;顺序反了这次训练就白做。

这期视频到底演示了什么

视频 7 分 17 秒,结构很清楚,基本是一条完整的操作路径:

  1. 先说前一天的成果:完整 BF16 主干 + 单头多步节点 + 一份 MLP100 微调 LoRA,用来在多步采样下补材质。
  2. 再说今天的新东西:训练器已经上传,评论区和工作群里已经有人在跑,反馈集中在「这是我训过最简单的模型」。
  3. 然后现场演示两类训练:文生图 LoRA 和图像编辑(成对图)训练。
  4. 最后用训好的模型做对比:细看相似度、看侧面角度、看编辑后的效果。

作者自己没有回避短板:H3 Image 在人脸一致性上不如 Qwen-Image 2.1。他给的理由也很直白——H3 Image 参数大、细节多、对概念的理解更好,所以只要把一致性这一项补上来,用途会比现在宽得多。训练 LoRA 就是这个「补」的动作。

怎么用:训练前的三项设置与避坑

视频里的界面是现成的训练器(作者说已上传,但没有在视频里口播仓库地址)。三个地方容易做错:

  • 底模别选错。 列表里有两个名字很像的 H3 Image 条目,要选原版那个;选错之后后面所有参数都白调。
  • 显存够就先别开省显存。 只有在显存或内存不足时,才开 low-vram 选项和层卸载;够用还开着,等于白让速度慢一截。
  • rank 跟随数据集。 数据分辨率高的时候,rank 可以往上提到 32 或 64;普通几十张图的个人素材,默认档就够。

另外两个小操作:输出目录里多设几个保存点,否则前面的检查点会被后面覆盖掉;训练步数设高一点没关系,因为「随时可以停」,用不到那么多步就直接中断。

成对图训练:方向别搞反

这是整期视频里最值得记的一段,也是决定成败的一步。

训文生图很简单:一张图 + 触发词 + 一些关键词,不需要额外的控制图。

训图像编辑就不一样,要喂「成对图」,也就是「改之前」和「改之后」两张:

  • Target 选最终结果图,也就是你希望模型学会输出的那张。
  • 控制图放原图,也就是编辑前的输入。
  • 做对图或多图训练时,必须上传控制图,不传会直接报错。

作者还提到做对图训练时要把某个默认开关关掉(他口播里说的是「首次的材料」,指训练器里那个按首帧/首图处理的选项),否则配对会被理解错。这条不影响理解,但真上手时值得对着界面确认一遍。

至于能训什么概念,他的说法是「模型本来就有这些概念,训练是在强化」。所以他演示了物体移除:原图里有杂物,成品图里干净了——不是教模型「什么是移除」,而是让它把这个能力对齐到你的素材风格上。同理,三视图、保持一致性前提下的转向,都可以这么做。

还有一个联动技巧:转方向的时候叠加之前那份文生图 LoRA,相似度会更高。两者是相辅相成的——一个管概念和细节,一个管方向和身份。

训完之后怎么用

视频后半段是两组对比,作者没有给数字表格,全是肉眼判断,这里如实转述:

  • 慢速路线:用前一天那份「加细节的原版模型」跑多步,1 万步的 LoRA 在这个设置下相似度不错,但有些角度还是不太像。
  • 快速路线:6 步出图,再叠加 QKV 修正,作者说这个组合在此前的测评里「效果甚至好于某些模型」;把训好的 LoRA 加进去之后,CFG 可以稍微调低一点。
  • 他自己的评价是:最终还是要实际跑,别只看曲线。同一份 LoRA,换采样设置、换角度,结论会不一样。
  • 编辑路线:编辑完成后再叠加对应 LoRA,能再提高一致性。作者的口气在这句上明显更硬——到这个程度,他认为已经能对标 Qwen-Image 2.1,而且 H3 Image 原生支持 4K 输出,这点很关键。

另外他补了一句更新:上一期视频里的在线工作流昨天在 RunningHub 上没配好,今天修好了、已经上线,支持加载各类 LoRA——虽然节点是单头输出,LoRA 照样能用,他自己跑下来手感不错。不想本地折腾 66 GB 权重的人,这条路径值得先试。

这些事得先知道:官方规格与许可

为了让「训得动」这件事有参照,把官方模型卡里几个硬数字列一下:

  • DiT 是 33.1B 参数,50 层,hidden size 5376,56 个注意力头,FFN 14336,3D 多模态 RoPE。
  • 权重是 BF16,embedding / timestep / 输出层是 FP32。
  • 发布版被蒸馏成 6 步采样、不用 CFG;这也是为什么社区做「多步」都要额外加节点和补偿 LoRA。
  • 出图约 16MP,1:1 是 4096×4096,最宽到 6272×2688,不用外挂放大。
  • 文生图和指令式图像编辑是同一个 checkpoint;最多支持 16 张参考图。
  • 文本编码器不在图像仓库里,要单独从 MiniMax-H3 拉,约 66.7 GB。

许可是重点:MiniMax-H3-Image 用的是社区许可协议,「适用地域」明确排除欧盟、英国、韩国和美国,这些地区要单独申请书面授权。开放下载不等于能随便商用,也不等于全球可用。要商用,先看清楚自己在哪。

不适合谁

  • 想「一键出成品 LoRA」的人:这仍是一条要自己配数据集、自己看效果的流程,作者反复强调肉眼判断,没有自动评分。
  • 显存和内存都紧的机器:训练比推理更吃资源;视频里的推理环节是 16 GB 显存 + 128 GB 内存跑 66 GB 权重,训练只会更紧。
  • 只想做精准局部编辑的人:作者前一天那份实验 LoRA 的失败样本就包括「局部编辑出现漂移、雨伞柄缺失」,训练能改善一致性,但不会让编辑精度变成像素级可控。
  • 在意人脸一致性、又不想训 LoRA 的人:按作者自己的说法,原版在这一项上不如 Qwen-Image 2.1,不训就是短板。

成本与时间

  • 训练本身:几十张图、几千到一万多步,作者说「速度非常快」,训完的模型就落在输出目录里对应的触发词文件夹下。
  • 硬件门槛主要在模型体量:完整主干 66.29 GB(社区转好的 ComfyUI 版),文本编码器 27.14 GB(INT8),VAE 1.17 GB。想纯本地跑,硬盘和内存得先算一遍账。
  • 想省这一步:走作者今天修好的在线工作流。

下一步可以怎么做

  1. 先用 20~40 张同风格图训一个文生图 LoRA,把步数设在 12000 左右,跑一半就肉眼验收,不行就停。
  2. 再准备 15~30 组成对图(原图 → 结果图),注意 Target 放结果、控制图放原图,训一个「移除」或「换背景」这类单一概念。
  3. 训完固定同一提示词、同一 seed,对比 6 步 + QKV、6 步 + 训好的 LoRA、多步 + 细节 LoRA 三组,只留肉眼最稳的那组。
  4. 商用前先确认许可地域。

参考来源

本文依据 B 站视频《Minimax H3 Image训练教程,支持高细节套件模型节点,大大提高ID一致性,补全全部短板,训练难度超低,建议人手一个!》(BV1Auy5zzE3w,2026-11-22 发布)的完整口播转写整理;官方规格与许可条款来自 Hugging Face 上的 MiniMax-H3-Image 模型卡与 LICENSE;训练器生态的现状由 GitHub 上多个第三方 H3 Image LoRA 训练项目交叉印证。视频中作者未口播训练器仓库地址,本文因此不指认具体训练器仓库。

参考来源

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...