縮短步長的可能

先講可以直接用的：有首圖、不需要角色說話的內容，走 fl2va ＋ v4(600step) ＋ 6 步——2.60× 加速，前景銳利度反而更高， 色彩被首圖鎖住。連續分鏡再用頭尾格接，逐段無衰減。細節見下方 ①。

縮步這件事在實作上會遇到四個問題，這一節把它們各自的答案先給出來， 細節與完整數據在後面各節。

① 對嘴唱歌，能不能用 fl2va ＋ 縮步 LoRA？

不能。歌會被重新唱一遍。 fl2va 的權重接不住 ref_audios 的 copy exactly——聽起來很像同一首， 節奏也對得上幾個重拍，但那是模型自己唱的：

② 縮步要好看，靠什麼？頭尾格。

同一張首圖、同一份提示詞、同 seed，唯一差別是有沒有給尾格：

頭尾格買到的是「可控性」，不是「畫質」。 畫質來自 fl2va ＋ v4 ＋ 6 步（無尾格也有 95.1）； 動作來自提示詞的 shot 序列（無尾格版一樣跑完了整套動作）； 頭尾格負責的是終點精準落在指定的那張圖，以及色彩被兩端夾住。

多 shot 也撐得住。把同一段從 5 個 shot 加密到 9 個 shot（每 1.1 秒一刀）， 其餘條件完全相同：

終點命中率完全不受 shot 密度影響——尾格鎖的是最後一幀，中間切幾刀跟它無關。 銳利度低 14.6% 主要來自構圖（9 shot 版有一段推成大特寫，散景多）。

③ fl2va 能不能直接取代 ref2va？

社群的說法是換成 fl2va 權重會更銳利，實測確實如此—— 但參照保真度會掉。把 fl2va 的權重裝進 ref2va 的節點裡（同 prompt、同 seed 20264807、同兩張參考圖、同音檔，只換 UNET 與步數）：

6 步的畫質「地板」比 20 步的地板還高（68.8 vs 39.8）。 代價是參照類的能力：音軌 copy 失效，畫面的參考細節也會被重新詮釋。 要銳利走 fl2va，要保真走 ref2va，這是能力邊界不是偏好。

④ 一張首圖能延伸多長？

把每段的末幀抽出來當下一段的首圖，一路接下去。 能接多長取決於題材，而不是段數。

fl2va 吃首格（可選尾格）圖，走 MiniMaxH3ImageToVideo，沒有參考音、不做對嘴。 這條路線上的縮步 LoRA 可以完整掛上 MiniMaxH3TurboLoRA ＋ MiniMaxH3TurboSampler。

單變因對照

前景銳利度用 P99|Laplacian|（對散景免疫）量， 縮步版比滿步版高 19%。色偏是各時間點與首格圖的 RGB 距離， 兩者相當——色彩被首圖鎖住，縮步不影響。

連續分鏡：頭尾格

把第 N+1 張分鏡圖當第 N 段的尾格， 每段終點會落在下一段起點。八段 720P 實測：

對照末幀接龍：接縫貼齊 0.9876 更高，但每接一次前景細節掉 29%， 五段之後只剩 25%。頭尾格的接縫略低一點，但第 8 段和第 1 段一樣清楚。

怎麼選

以下段落量的是 ref2va（Reference-to-Video）這條路線， 適用於需要精確台詞、要對嘴的內容。 此路線的縮步測試目前結果尚不成熟，代價明顯，保留完整紀錄供參考。

什麼都不加，單純把 BasicScheduler 的步數從 20 改成 6： 266.9 秒 → 99.3 秒，時間剩 37%。畫面的結果分成兩種，差距非常大。

聲音那一側特別值得講：H3 是一次前向同時產出畫面與聲音， 但縮步並沒有動到語音的品質。實測 1536×864、四個鏡頭、10.83 秒的對白片：

前一篇的 attention 加速在 20 步時很有效。但把它跟縮步放在一起，會發現一件事：

原因很直接：attention 加速的是「每一步」的計算。 步數從 20 砍到 6，它能作用的次數只剩不到三分之一，可省的絕對量也跟著消失。

第 ① 節的問題——動作影片在 6 步下糊掉——正是縮步 LoRA 要解決的。 社群目前有兩條訓練線，本文測的是其中一條。

1. 先測的是 lightx2v 那條線（Kijai/MiniMax-H3_comfy， 4 步、strength 0.75、需改用 er_sde／sa_solver）。它確實有效——同樣 4 步， 掛上之後前景細節從 28.84 拉到 72.42（2.5 倍）。 但它會明顯改變畫面內容（換了採樣器，構圖與動作都跟原本不同）， 而且手指結構不理想。所以我們轉去測另一條線。
2. 本文主要測試的版本：larryvrh/MiniMax-H3-Turbo-Lora ＋ 官方節點 ComfyUI-MiniMax-H3-Turbo。 strength 1.0／6 步／scheduler simple， 採樣器沿用原本的即可——這是它相對 lightx2v 的優點：變因少、構圖不會整個換掉。
3. ⚠️ 這個版本不能用內建的 LoRA 節點載入（lightx2v 那顆可以，因為它發布的就是 ComfyUI 格式）。實測用 LoraLoaderModelOnly 時， 518 個權重全部沒有進去——數量正好等於這個 LoRA 的全部 tensor。 這種 lora key not loaded 不是可以忽略的那一種： 平常少數 key 對不上時 LoRA 照樣生效，但全部對不上就是完全沒有效果。 數一下行數跟 tensor 總數比，相等就是全滅。
4. 社群另有 patch 版（SanDiegoDude/H3-Turbo-6-Step-LoRA-Comfy） 把權重轉成 ComfyUI 原生格式，可用內建節點直接載。 本文未測試那條路線——它的建議配方與作者的標準路線不同 （Euler＋beta57＋strength 由 4.0 排程遞減）， 訓練步長的設定也可能不一致，本文數字不能直接套過去。

1. 要用 larryvrh 那條線：cd ComfyUI/custom_nodes && git clone https://github.com/larryvrh/ComfyUI-MiniMax-H3-Turbo， 重啟 ComfyUI。LoRA 放 models/loras/。
2. 接線：MiniMaxH3TurboLoRA（strength 1.0、low_vram OFF）接在 UNETLoader 之後；MiniMaxH3TurboSampler → SamplerCustomAdvanced.sampler； BasicScheduler 設 simple / 6 步。 BasicGuider 與 BasicScheduler 都要吃同一條 patched model。
3. 解析度取 32 倍數；length 必須落在 17k+5 網格上，不足會靜默切掉尾字。
4. 確認 LoRA 真的生效：看 ComfyUI log 的 lora key not loaded 行數， 或直接跑一組不掛 LoRA 的對照比對輸出。

先回答讀者最常問的那一句：我能不能用更低的成本做出影片？ 下面兩支是同素材、同 seed 的直線對照——左邊是原本的 20 步，右邊是 6 步＋縮步 LoRA。

同素材、同 seed、同 6 步，唯一差別是有沒有掛縮步 LoRA：

前景細節差 74.5%，而耗時幾乎不變——LoRA 補的是畫質，不是速度。

兩顆 checkpoint 的取捨

v1（~850）的「過度銳利」是量得出來的：1.50 倍。 那不是更清楚，是皮膚顆粒感、髮絲過度描邊、對比過強，加上 a 通道最高（偏紅）， 整體呈現偏黃的加工感。v4 在 480P 精確回到 baseline 的 1.00×，色偏收斂，而且快 13%。

過銳的處方：降 strength 要配解析度

上游對 over-sharp 的建議是把 strength 調到 0.8~0.95。實測發現單降不夠：

同樣的細節量攤在更多像素上，銳利度自然回落；只降 strength 而不給更大的畫布，兩頭落空。 而降 strength 沒有把動作的清晰度一起帶走——這是這個配方最大的風險點，實測已排除。 代價是時間：496.9 秒／10 秒素材。

時間省下三分之二，代價有三個。這裡按「可不可修」排序，而不是按嚴重程度—— 因為讀者真正要判斷的是「我付不付得起」，而可不可修才是關鍵。

可修 ①　偏黃、偏亮

第一眼最強烈的差異其實是這個——不是細節，是整體調性偏暖偏亮。 但有兩件事讓它不算大問題：

可修 ②　手部等精細結構

收尾特寫那一格最明顯：20 步的雙手指節分明、邊緣乾淨；6 步的手指會黏在一起、指節不成形。 臉、服裝、場景都看不出退步，偏偏是手。 處理方式是重抽一次，或在分鏡時避開手部特寫——成本有限。

不可修 ③　構圖與運鏡整個換掉

縮步等於重擲一次構圖——同一個 seed 也保不住，因為改掉的是整條去噪軌跡， 不是在原本的畫面上做微調。而且這個數字在 480P 與 720P 幾乎一樣（0.47／0.49）， 與解析度無關。

附帶一提：景深也會被動到，但看是哪一顆

用「中央銳利度 ÷ 邊緣銳利度」當景深指標（比值高＝背景相對糊＝淺景深的電影感）：

v1 那顆把中央與邊緣的銳利度雙雙拉高（27.1/13.0 → 40.2/25.1）， 看起來「處處都很清楚」——但背景模糊本來不是缺陷，是淺景深， 把它「修正」掉等於拿掉電影感。這是選 v4 的另一個理由。