仙宫玉廊 · 汉服女子背影行走（3 段 × 11s）—— 生成与实测报告

任务：2026-09-16 23:20 起 → 2026-09-17 20:46 完成（中间因两次整机硬挂中断）机器：GPU 机 192.168.31.31（ComfyUI 0.35.0 / 8189，RTX 5060 Ti 16GB，32GB RAM）素材：图片-1 (2).png（仙宫玉廊背景）+ 任务01-人物三视图.jpg（汉服女子三视图）下载页：http://192.168.31.76:8899/10-视频生成流水线/20260916_2340_仙宫玉廊_汉服女子背影行走/

一、需求 → 落地对照

#	用户要求	落地方式
1	第一张图作背景、第二张图作人物	`<Picture 1>` = 玉廊背景（首帧/场景锚），`<Picture 2>` = 人物三视图（身份锚，提示词声明「三视图是同一个人的三个角度，不是三个人」）
2	按 MiniMax H3 模板改写提示词	六段式 Ref2VA（subject_definitions / summary / retention_analysis / detailed_description / overall_soundscape / non_diegetic_music）；模板里的 `@33598841-…` 资产引用改写为 `<Picture 1>`
3	三段视频，每段 11 秒	3 段 × 260 帧 = 10.833s（H3 帧数只能落在 17k+5 网格：264 帧会被向上取到 277=11.54s，260 帧才最接近 11s），合计 780 帧 = 32.5s
4	场景保持稳定、远处云层翻滚	三段共用同一背景锚 + 固定 seed 20260916；提示词逐段写死「建筑纹丝不动、云海缓慢翻滚、仙鹤被建筑遮挡后不再出现」
5	人物出现后一直向前走，姿态优雅女性化	段 1 第 2 秒从左侧柱后入画（背影）；小步、匀速、提胯轻摆、裙裾广袖随步幅轻荡、珠饰轻晃
6	除最后一幕全程背影	段 1/2 与段 3 前 4.3s 只有背影；段 3 转身瞬间才露侧脸/三分脸
7	最后向左转进入建筑	段 3 第 5.2s 起左转，穿左侧龙柱进殿，被柱子完全遮挡后镜头停在空廊+云海（实测：n=125 起可见侧脸，n=168 已完全出画）
8	画面 480P	一采画布 864×480（0.4 MP，16:9）
9	双采保持清晰度	H3 Director Refine 二采：`mode=upscale / upscale_method=h3_latent`，学习型 3D 潜空间放大（`minimax_h3_latent_upscaler_3d_fp16`）→ 1280×704（720P 档，像素 ×2.25），euler + `BasicScheduler(beta, 3, denoise 0.2)`
10	然后 RTX 放大两倍	DaSiWa RTX VSR 2.0×（分块执行，每块 130 帧）→ 2560×1408
11	无运镜漂移 / 建筑融化 / 字幕水印	提示词写死 locked-off static camera、无 cut、无字幕水印；风格锁定 Kodak Vision3 500T、深青阴影+暖金高光

二、执行链路（官方 Director + Refine，未走 dasiwa V18 模板）

UNETLoader  Minimax-h3_Singularity_ref2va_Pruned_v1.3_int8   （20.97GB）
  └ LoraLoaderModelOnly  minimax_h3_ref2v_turbo_4step_v0.1    （strength 1.0）
      ├→ MiniMaxH3Director   r2v / 1 段 260 帧
      │     864×480，4 步 res_multistep + simple，cfg 1.0，shift video 12 / audio 3
      │     audioMode=generate（生成环境音：风、檐铃、鹤鸣、足音）
      └→ BasicScheduler（beta / 3 步 / denoise 0.2）─┐
             MiniMaxH3DirectorRefine ←───────────────┘
               mode=upscale + h3_latent + 跟随导演台 → 1280×704
                  └ CreateVideo → SaveVideo
                        └ 后处理：DaSiWa_RTX_UpscalerRefiner（VSR 2.0×，130 帧/块）→ 2560×1408
                              └ ffmpeg 12 帧交叉溶像拼接 → 成片

关键取舍

不用 dasiwa V18 模板：V18 是「单采 + fl2va/ref2va 双路切换」，没有二采；「双采」只有官方 Director 外接 MiniMaxH3DirectorRefine 才有。
删掉 SageAttention 补丁：作者自带的 minimax_h3_director_二采_加速.json 两条模型链末端都挂了 PathchSageAttentionKJ + MiniMaxH3MemoryEfficientSageAttentionPatch。本机 SageAttention 2.2.0 无 sm120 内核，长序列会走 triton JIT → GSP 挂死（2026-09-14 已确认的掉总线元凶）。本次两条链都不挂这两个节点，同理也不启用 Sol-Attn（同为 triton 稀疏注意力）。
三段拆成三个独立任务（不是三段一个任务）：见第四节——多段单任务必挂机。
RTX 放大不放进生成图里：成片 780 帧 @1280×704 一次过 RTX，输出 2560×1408 张量要 ~34GB 内存；改为每段再切 2 块（130 帧）单独放大再拼接，单块峰值 ~7GB。实测 130 帧只要 0.3 分钟。
continuityKeepTail=false：默认「保完整」会让续接段多导出对齐余量（272 帧/段），总长漂到 33.5s。

三、提示词改写要点（相对用户给的模板）

原模板是「玉廊空镜 + 环境微动」的单镜描述，本次按实际需求补三层：

人物层：<Subject 1> 来自 <Picture 2>，显式声明「三视图是同一个人的三个角度，不是三个人」—— 这是宽屏参考三视图最容易翻车的点（模型会把三视图渲染成三个人）。本次实测未出现三人。
叙事层：段 1 = 空镜 2s → 人物入画走起（背影）；段 2 = 无缝续走（背影）；段 3 = 继续走 → 左转 → 入殿 → 空镜收尾。
锁定层：locked-off static camera / 建筑绝不移动变形融化 / 云海缓慢翻滚 / 仙鹤飞过建筑后不再出现 / 无字幕无水印 / Kodak Vision3 500T + 深青阴影暖金高光。

三段成品提示词见 提示词与参数/prompt_seg1.txt、prompt_seg2c.txt（段 2 采用）、prompt_seg3.txt。

四、★ 关键实验：AV Latent 尾部续接（段间引导）两次整机硬挂 —— 相关性确认、因果待隔离实验

用户要求试一次 latent 锚定（官方 Director 的 段间引导 / guide motion context 22f）：

#	时间	配置	结果
1	09-16 23:20→23:47	3 段单任务 + 段间引导 22f + Singularity + 二采（780 帧）	跑到约 25 分钟（段 2）整机冻结：ARP/ICMP/SSH 全消失，人工断电
2	09-17 20:14→20:23	同上重跑	启动后约 6 分钟（段 1 一采第 1 步采完之后）再次整机冻结
对照	09-17 18:46→20:11	单段独立任务 ×5（段 1/2/3/段2-v2 + 烟测）	全部跑完，单次 18~36 分钟，MemAvailable 稳定在 20~25GB

崩溃前日志（.bak）末尾就停在：0/4 … 25%|1/4 [01:31<04:34, 91.66s/it] —— 即第一段一采第 1 步刚结束就冻死。

用到的确实是 AV Latent 尾部续接（不是像素尾帧）：崩溃任务的 timeline.output 为 {"continuityEnabled": true, "continuityOverlapFrames": 22, "continuityKeepTail": false}，未设 continuityMode → 取默认 guide。director/h3_motion_context.py::apply_motion_context() 会把 上一段的 AV latent 尾部（视频 latent 22 帧 + 音频 latent 24 帧 @40Hz）作为永不降噪 conditioning 钉进下一段，解码后再裁掉钉入前缀（日志原话 previous AV tail + trim prefix）。另：因挂了二采、画布 864×480→1280×704，select_continuity_pin_latent() 取的是上一段一采的 AV latent（v9 行为）。

⚠️ 归因更正（重要）：初版报告把挂机归因于「连续性补丁 monkey-patch」，这条站不住—— apply_motion_context() 只在 seg.index > 0 时调用，而两次崩溃都发生在段 1 的一采采样 （第二次日志停在段 1 第 1 步采完 25%|1/4 [01:31<04:34, 91.66s/it]），那一刻还没有任何 pin， ensure_layout_patch() / ensure_payload_patch() 也还没装载。所以目前只确认相关性，未确认因果：

路径	是否有 AV latent 续接	结果
3 段单任务 + 段间引导（09-16 / 09-17 两次）	有（guide 22f + 音频 24f）	整机冻结 ×2
单段独立任务 ×5（含 36 分钟那次）	无（纯像素尾帧）	全部跑通

（补丁路径的潜在风险仍然真实：h3_context_patches.py 会 monkey-patch comfy.ldm.minimax.model 的 layout/payload，且其注释明确 Refuses to stack on foreign H3 layout / payload wrappers (including standalone Motion Context packs)，而本机就装着独立的 ComfyUI-H3-Motion-Context—— 但本次挂机没有证据说明是它。）

结论（已写入运维经验）：本机跑 H3 长视频，稳妥做法是 每段一个独立任务 + 上一段尾帧作像素参考 + 后期交叉溶像；暂停使用 3 段单任务 + 段间引导。

遗留待做（用户已同意以后隔离验证）：跑一次「3 段单任务但关掉段间引导」，才能分清责任在「多段单任务本身」还是「连续性/补丁路径」。（有一次挂机风险，择机再做。）

五、接缝：像素锚定管不住构图

三段独立生成时，段与段之间人物比例会跳（模型倾向把人物摆到自己习惯的构图）。两个变体都试过，都跳：

变体	做法	与上段尾帧的全帧 MAD	结论
b	尾帧作 `<Picture 3>`	21.09	跳
c（采用）	尾帧作 `<Picture 1>`（首帧锚定）+ 提示词写死开场状态	18.15	相对更好

→ 段 2 交付用的是 变体 c（段2_v2_1280x704.mp4）。接缝用 12 帧（0.5s）交叉溶像隐藏，溶像中点会有约 0.5s 的叠影（交叉溶像的固有现象）；想要更硬的观感可用交付里的硬切版。

六、交付物

目录：~/Downloads/dl-hub/10-视频生成流水线/20260916_2340_仙宫玉廊_汉服女子背影行走/

文件	规格	说明
`成片_三段交叉溶像_31s.mp4`	2560×1408 / 757 帧 / 31.64s / 24fps	推荐成片：三段 + 两处 12 帧交叉溶像
`成片_三段硬切_32s.mp4`	2560×1408 / 780 帧 / 32.59s / 24fps	硬切拼接版（保留分段原貌）
`段1_入画前行_2560x1408.mp4`	260 帧 / 10.83s	空镜 → 人物入画 → 背影前行
`段2_廊中前行_2560x1408.mp4`	260 帧 / 10.83s	廊中继续前行（背影，变体 c）
`段3_左转入殿_2560x1408.mp4`	260 帧 / 10.83s	前行 → 左转 → 入殿 → 空镜收尾
`段{1,2,3}_1280x704.mp4`	1280×704	双采原片（未放大，便于对比画质）
`验收_成片全片12帧.jpg` / `验收_两个接缝溶像.jpg`	—	抽帧验收图
`提示词与参数/`	—	三段提示词全文 + 全部脚本（h3_run.py / h3_seg.py / rtx_upscale.py / assemble_film.sh）+ API prompt JSON

参数留档：seed 20260916（三段同一固定值）｜一采 864×480、4 步 res_multistep/simple、cfg 1.0、shift 12/3｜二采 h3_latent→1280×704、euler、beta/3 步/denoise 0.2｜RTX VSR 2.0×｜无 Sage / 无 Sol / 无段间引导。

耗时：段 1 = 19.4 min，段 2(b) = 19.5 min，段 2(c) = 36.0 min，段 3 = 18.5 min； RTX 放大 3 段 × 2 块 ≈ 每块 0.3 min（合计不到 3 min）；拼接与溶像 < 1 min。另：两次挂机各损失约 25 分钟（以及两次人工断电重启）。

七、复现命令

# 1) 单段生成（第一段，无尾帧）
cd ~/Downloads/h3-tasks/bg-corridor
env -u ALL_PROXY no_proxy='*' ~/Downloads/vlm-env/bin/python -u h3_seg.py --seg 1

# 2) 抽上一段尾帧 → 生成下一段（variant c：尾帧作 <Picture 1>）
ffmpeg -y -sseof -0.15 -i "$T/段1_1280x704.mp4" -vsync 0 -q:v 2 -frames:v 1 seg1_tail.jpg
env -u ALL_PROXY no_proxy='*' ~/Downloads/vlm-env/bin/python -u h3_seg.py --seg 2 --tail seg1_tail.jpg --variant c

# 3) RTX VSR 2× 放大（每段 2 块 × 130 帧）
env -u ALL_PROXY no_proxy='*' ~/Downloads/vlm-env/bin/python -u rtx_upscale.py "$T/段1_1280x704.mp4" "$T/rtx/seg1" --chunk-frames 130

# 4) 12 帧交叉溶像拼接 + 硬切版
bash assemble_film.sh "$T" "段1_入画前行_2560x1408.mp4" "段2_廊中前行_2560x1408.mp4" "段3_左转入殿_2560x1408.mp4"

GPU 机侧注意：ComfyUI 不自启，用 bash ~/restart_comfy.sh 启动；本次额外挂了内存哨兵 ~/ram_guard.sh（MemAvailable < 2.5GB 连续两次 → 调 /interrupt，防 09-15 那种内存窒息冻结）。

八、建议

长视频一律「每段独立任务」，不要用 Director 段间引导；接缝用交叉溶像或干脆设计成硬切分镜。
加内存：32GB 跑 H3（15GB TE + 21GB UNET）本就吃紧；64GB 能显著降低冻结风险。
崩溃自动重启：本机 panic=0 / hung_task_panic=0，硬挂后只能人工断电；打开 kernel.panic=10 + hardlockup_panic=1 能把「等人来按电源」变成 2 分钟自愈（用户本次选择不改，留待考虑）。
想要真正无缝的三段，可考虑：把段长压到单次 5~10s 并用「上段尾帧 + 相同 seed」多次迭代，或改用官方 motion_context 之外的其他续接手段（当前本机唯一可用的是像素锚定）。

九、清晰度提升实测（2026-09-18 通宵跑通）

9.1 为什么之前的 480P 版糊 —— 自毁项 + 画布太小

提示词自己要求虚化：原提示词写了 soft-focus cinematic quality + shallow depth of field （已在后续版本中移除，改为 tack-sharp / crisp micro-detail）。
生成画布只有 0.4MP：清晰度的主导项是「画布」，不是步数、更不是放大。480P 再怎么放也只有 0.4MP 的细节密度。

9.2 三档配置的同帧锐度实测（拉普拉斯方差，同尺寸比较）

配置	帧60	帧140	帧220	相对 480P 链
864×480 / 4 步 / Turbo LoRA（拉大到 1344×768）	85.0	30.3	61.0	1.00×
1344×768 / 12 步 / 无 LoRA（最终采用）	273.7	111.2	224.9	3.2~3.7×
1344×768 / 20 步 / 无 LoRA（官方基线）	335.7	121.8	243.6	4.0×

分辨率 + 步数带来 4.0×锐度（三帧独立测量 3.95/4.01/4.00，高度一致）。
12 步 ≈ 20 步的 81.5% / 91.3% / 92.3%（均值 ~88%），但单段耗时从 88 分钟降到 54~76 分钟 —— 这是「质量/可完成性」的最优折中，故最终交付 12 步版。

9.3 关键性能事实（决定配方，别再踩）

每步耗时与底座大小无关：Singularity(21GB) 253 s/步 ≈ w4a8(11.8GB) 262 s/步。 → 瓶颈是纯算力，换小底座不提速（只降显存压力）。
1344×768 × 260 帧 ≈ 26 万 token，本卡约 260 s/步；20 步 = 88 分钟/段。
本机工程红线：单次连续满载 ≤60 分钟（实测 9~36 分钟稳、84 分钟硬挂、88 分钟侥幸）。 20 步/1MP 天然越线；12 步（54~76 分钟）勉强在窗内，8 步（~40 分钟）更安全。

9.4 第三次硬挂（01:00:41）与归因更新

用完全自建图（无 Director / 无补丁 / 无 Sage / 无 Sol）跑 20 步官方基线时，段 1（88 分钟）跑通、段 2 在 13/20 步、1:18:05 时整机硬挂；内存哨兵全程只有心跳（20~25GB 可用）从未触发 → 排除内存窒息；每步耗时从 253s 劣化到 360s（+42%） → 长时满载下的热/供电劣化。详情见 dl-hub/06-ComfyUI-H3运维记录/2026-09-17-Director段间引导latent锚定导致整机硬挂-两次复现.md 第八节。

9.5 最终交付（12 步 / 1344×768 / AV latent 续接）

文件	规格	说明
`成片_官方基线720P_12步_1344x768.mp4`	1344×768 / 804 帧 / 33.53s / 24fps / AAC 32kHz	当前最佳版本，三段 `-c copy` 直拼，无溶像
`段{1,2,3}_官方基线720P_12步_1344x768.mp4`	260 / 272 / 272 帧	10.83 / 11.33 / 11.33s
`验收_12步720P_全片12帧.jpg` / `验收_12步720P_两处接缝.jpg`	—	抽帧验收
`锐度对比_12步_vs_20步.jpg` / `锐度对比_480P链_vs_官方720P.jpg`	—	1:1 像素肉眼对比

接缝实测（MAD，越小越连续）：段1→段2 4.51（同段自然帧差 4.98）、段2→段3 4.20（同段自然帧差 3.69）→ 两处接缝均比同段自然帧差更小，无可视接缝。

三段耗时：54 / 76 / 76 分钟（含段间 5 分钟冷却），全程无挂机、内存哨兵零告警。

9.6 还能再提升的加分层（按性价比）

RTX VSR 2×（1344×768 → 2688×1536）：130 帧/块约 0.3 分钟，全片 7 块约 3 分钟；像素域锐化，不增新细节但观感更锐。推荐叠加。
二采精修（同分辨率，beta/3 步/denoise 0.2）：+30~40% 时间，细节再补一点。
降到 8 步换更短单段（~40 分钟/段）以进一步远离挂机区间 —— 但会再损失约 10% 锐度。
根治方向：内存加到 64GB + 打开崩溃自动重启（kernel.panic=10 等），并把单段控制在 ≤60 分钟。

十、段3 回头瞬间脸部修复/重绘（2026-09-18）

10.1 问题

段 3 第 5.2s 起人物左转、短暂露出侧脸（帧 ~115-160），但此时她在中远景， 脸在 1344×768 画面里只有 24~36px —— 无论分辨率还是步数都救不了这么小的脸， H3 在「头占画面比例小」时必然发虚（这是 H3 的属性，720p 以上同样存在）。

10.2 做法：ComfyUI-H3-FaceRefine 逐帧重绘

VHS_LoadVideoPath(段3) → H3FaceTrackCrop(检测+裁脸, frame_count→length)
  → MiniMaxH3ReferenceToVideo(768×768, 身份参考=三视图裁出的正面脸, 提示词=段3原提示词)
  → H3InjectVideoLatent(注入原片潜空间) → H3PerFrameDenoise(模型路径内, er_sde/simple 8步/denoise 0.4)
  → VAEDecode → H3FaceStitch(贴回原底, face_only) → VHS_VideoCombine

身份参考：用 turnaround_prep.py（vision 定位正面视图在左侧）裁出正面视图再裁头部区域。
未检测到脸的帧保持原像素（fade_out）；背景像素全程保持原片（缝合只改人脸掩膜区）。

10.3 两版参数与结果

版本	画布	crop_factor	置信度	结果（视觉模型三版盲评）
原片	—	—	—	最糊：五官边缘发虚、皮肤有噪点
v1	auto 512×512	3.0	0.35	比原片清晰，但有「磨皮/涂抹感」
v2（采用）	manual 768×768	2.5	0.4	五官立体感与边缘锐度最佳，皮肤干净无噪点，最锐利自然

10.4 交付

文件	说明
`成片_官方基线720P_12步_段3脸部修复_1344x768.mp4`	段1+段2+段3(修复v2) 直拼，804 帧 / 33.53s
`段3_脸部修复_v2_768.mp4`	仅段3（272 帧 / 11.33s）

说明：脸在画面里本来就小（25~36px），修复提升的是「同一尺寸下的锐度/干净度」，视觉模型确认三版呈阶梯式递进（原片→v1→v2）。若想要「脸更醒目」级别的提升，只能靠分镜（转身时切近景）或放大画面，见 §9.6。

生成报告.md