# 「Singularity 0.4 分辨率 + 潜空间 1.5，双采样出 1280×704，VDN+NVIDIA-SOL 提速」这句话怎么实现

> 结论先行：这句话说的**不是一件事，而是四件可独立验证的事**——① 换一个针对"中景模糊/油腻皮肤/运动模糊"做过微调的 H3 模型（Singularity）；② 用官方默认的 0.4MP 小画布（16:9 = **864×480**）跑第一遍；③ 在两遍采样之间把**视频 latent 放大 1.5 倍**（864×480 ×1.5 = 1296×720，按 32 像素网格对齐后落到 **1280×704**，即 0.90MP）；④ 用 VDN（线性注意力）和 NVIDIA Sol-Attn（稀疏注意力）做加速。
>
> 其中 ①②③ 是**工作流层的做法**，④ 是**换内核层的加速**，而"解决中景模糊"是**模型层的固有属性**（Singularity 的 HDR 微调），不是任何工作流参数能修出来的。
>
> 关键现实核对（针对你的 GPU 机 192.168.31.31，RTX 5060 Ti 16GB）：
> - **①②③ 的零件几乎全都在机器上了**：Director 默认就是 0.4MP/16:9/864×480；学习型 H3 潜空间放大器（LBH 3D fp16/bf16）权重已下载；`ComfyUI-MinimaxH3AudioT8` 有 `MiniMaxH3LearnedLatentUpscaleT8Advanced`（两遍二采专用），`user/default/workflows/` 里已经躺着 6 个两遍采样工作流，其中一个的 target 就写着 **1280×704**。
> - **真正缺的只有两样**：Singularity 权重（21 GB，hf-mirror 可下）和 VDN-H3 那套（节点 + int8 stage ≈ 2.6 GB）。
> - **"VDN + SOL 同时提速"有硬冲突**：VDN 节点会接管 `blocks.*.attn.forward`，与"MiniMax H3 Scheduled Sol Attention"补丁**不能叠加**（叠加后跑的不再是 VDN-H3）。机器上现在装的是 `ComfyUI-SolAttn_triton`（社区 Triton 版 Sol-Attn，就是"NVIDIA-SOL"），所以要么二者选一，要么换 [xmarre/Sol-H3](https://github.com/xmarre/ComfyUI-Sol-H3) + VDN-H3-Plus（provider API v3）那一套才能"组合"。

---

## 一、这句话逐词翻译

| 话里的词 | 到底指什么 | 依据 / 现状 |
|---|---|---|
| **Singularity** | `Minimax-h3_Singularity`，WarmBloodAban（AIGC-Singularity 团队）发布的 **MiniMax H3 社区融合微调**：把 `ref`/`fl`/`b25-49` 等多个 H3 变体合并成一个 ComfyUI 可直接加载的文件，再做三天深度微调+剪枝去掉高步数训练的伪影 | [ComfyUI Wiki 新闻](https://comfyui-wiki.com/zh/news/2026-09-07-h3-singularity)、[HF 仓库](https://hf-mirror.com/WarmBloodAban/Minimax-h3_Singularity)。文件：`Minimax-h3_Singularity_ref2va_Pruned_v1.3_int8.safetensors` **20.97 GB**（推荐）/ 完整版 **34.0 GB** |
| **"很好地解决了中景模糊"** | 官方列出的改动里明确写着：**HDR 训练以减少高速动作的运动模糊**、**修复中景与远景镜头中折叠/模糊的远景人脸**、去掉厚重"过度油光"皮肤、强化剑斗/武术动态、VFX 调优、运镜响应更好 | 同上表格式对比。**这一条是模型属性**——挂上这个 UNET 就生效，不需要任何节点 |
| **0.4 分辨率** | 官方 MiniMax H3 模板的**默认画布 0.4 MP**，16:9 下 `multiple=32` 取整 = **864×480**。你自己 Director 插件的 README 原文：`画布默认 0.4MP 16:9（864×480）`；`minimax_h3_director_external_groups_r2v.json` 里写死的 `"megapixels":0.4,"width":864,"height":480` | 已在机器上核实（`ComfyUI_MiniMaxH3_Director/example_workflows/README.md`、`web/js/minimax_gen_timeline.js`） |
| **潜空间 1.5** | 第一遍去噪完成后，把 **H3 的视频 latent 空间放大 1.5 倍**，再跑第二遍。H3 视频 latent 空间压缩 = **16 像素/格**且 DiT patch 是 `(1,2,2)`，所以 latent 宽高必须为**偶数**、像素宽高必须能被 **32** 整除 | 参考 [rockerBOO/h3-latent-upscaler](https://github.com/rockerBOO/h3-latent-upscaler)（纯插值，snap 到偶数）与 [LBH-123-AI/Minimax_h3_latent_Upscaler](https://hf-mirror.com/LBH-123-AI/Minimax_h3_latent_Upscaler)（**学习型 3D latent 放大网络**，691 MB，**机器上已有 fp16/bf16 两份**） |
| **双采样** | 就是图像圈的 **hi-res fix / two-pass**：第一遍低清把构图、运动、音频定下来 → 放大 latent → **同步放大 conditioning 里的参考图/首尾帧** → 第二遍**低去噪**（denoise 约 0.2–0.4）重采样补高频 → 音频单独按自己的 sigma 曲线加噪后回拼 → 解码 | [seedance 两阶段指南](https://www.seedance.tv/zh/blog/minimax-h3-two-stage-workflow)、[rockerBOO README](https://github.com/rockerBOO/h3-latent-upscaler)、机器上的 `2026-08-21_H3_Learned_Latent_TwoPass_*.json` |
| **1280/704** | 0.4MP 画布放大 1.5 倍后的**落地尺寸**：864×480 = 0.41MP，×1.5² = **0.90MP ⇒ 1280×704**（0.90MP 精确值）。算术见下节 | 机器上的 `2026-08-21_H3_Learned_Latent_TwoPass_I2VA_Standard_Advanced_EXP.json` 里，`MiniMaxH3LearnedLatentUpscaleT8Advanced` 的参数正是 `… 'scale_by', 2.0, 1.0, 1280, 704, …`——**target 1280×704 是这台机器已经跑过的尺寸** |
| **VDN** | **Video Delta Net**（OpenVDN）：MiniMax-H3 的**混合注意力**——近邻帧保留精确 softmax 窗口，远距离时序上下文走 checkpoint 里的 **Video Delta Attention** 线性分支（常数代价递归状态），注意力开销随片长**线性**而非平方增长；发布含 **8 步 DMD** 与 50 步两档 | [OpenVDN/vdn-minimax-h3](https://github.com/OpenVDN/vdn-minimax-h3)、ComfyUI 移植 [Saganaki22/ComfyUI-VDN-H3](https://github.com/Saganaki22/ComfyUI-VDN-H3)；**机器上未装** |
| **NVDIA-SOL（NVIDIA Sol-Attn）** | NVIDIA NVlabs **Sana / Sol-Attn**：免训练稀疏注意力（tau 阈值 + 池化质心路由），论文 arXiv 2607.24027 | **机器上已装**：`custom_nodes/ComfyUI-SolAttn_triton`（社区 Triton 实现，README 自述已在 RTX 4090/5090 上对 MiniMax H3 测过）。B 站"Sol-H3 开源提速 15.5 倍"指的是理想配置下的数字 |
| **"提速"的可信度** | ⚠️ VDN 官方"74.5×"= **8×B200 + FA4 + FP8 + 8 步蒸馏**的总和；官方自己的**单卡**数字是 50 步下约 **2.6×**；这个 ComfyUI 移植版在 **RTX 5090 上 1280×736/145 帧/8 步实测约 17 s/it**，且作者自己写明**"显存/内存有限就别用这个"**（额外占 4.3 GB bf16 / 2.2 GB int8 分支权重） | VDN-H3 README 的 Hardware reality check 一节 |

---

## 二、把这句话的数字复算一遍（1280×704 是怎么来的）

| 阶段 | 像素 | latent（÷16） | 说明 |
|---|---|---|---|
| 第一遍画布（0.4MP, 16:9） | **864 × 480** = 0.41 MP | 54 × 30 | 32 的倍数 ✓、latent 偶数 ✓，官方默认 |
| latent ×1.5 | 1296 × 720 | 81 × 45 | 1.5 倍后 latent 变**奇数**，必须对齐 |
| 对齐到 32 像素网格 | **1280 × 704** = 0.90 MP | 80 × 44 | `1296/32 = 40.5 → 40`、`720/32 = 22.5 → 22`（**四舍六入五取偶**正好落这里）；用"向上取到偶数"的实现则是 82×46 = **1312×736** |
| 第二遍画布 | 1280 × 704 | 80 × 44 | 面积 = 0.9 MP = 0.4MP × **2.25 = 1.5²** ✓ 完全自洽 |

**要在工作流里把尺寸钉死成 1280×704，有三种写法**（任选其一）：
1. **target 模式**：放大节点选 `target_dimensions`（T8 Advanced 节点有 `target_width/target_height`，step=32），直接填 `1280 / 704`；
2. **scale_by 微调**：864×480 时填 `scale_by ≈ 1.4667`（54×1.4667 = 79.2→80；30×1.4667 = 44.0 恰好偶）→ 精确 1280×704；
3. **best_aspect / 32 网格取整**（T8 的 `MiniMaxH3LatentUpscaleBy32T8` 的 `best_aspect` 策略）让它自己挑最接近比例的 32 倍数尺寸。

> 出处备注：机器上 `MiniMaxH3LatentUpscaleBy32T8` 的默认就是 `['bicubic', 1.5, '16 - MiniMax H3', 'best_aspect']`——**"潜空间 1.5"这个说法很可能就是从这条默认参数来的**。

---

## 三、你的机器上现在有什么、缺什么（192.168.31.31 实测盘点）

### 已经有了 ✅

| 类别 | 具体 |
|---|---|
| 底座 | ComfyUI **0.34.0**（commit 2026-09-02）、torch **2.11.0+cu130**、triton **3.6.0**、RTX 5060 Ti 16 GB（**compute_cap 12.0 = SM120**，Blackwell ✓） |
| H3 主模型 | `minimax_h3_ref2va_pruned_int8_convrot` 21.0 GB、`minimax_h3_fl2va_pruned_int8_convrot` 21.0 GB、`*_pruned_w4a8_mixed` 11.8/12.5 GB、`dasiwa_minimax_h3_ref2va_..._8turbo_int8` 21.0 GB |
| 文本编码器 | `qwen3vl_32b_minimax_h3_nvfp4_awq`、`int4_convrot`、`heretic_nvfp4` |
| VAE | `minimax_h3_video_vae_int8_convrot` / `fp16`、`minimax_h3_audio_vae_fp32` |
| Turbo LoRA | `minimax_h3_ref2v_turbo_4step_v0.1`、`minimax_h3_fl2v_turbo_4step_v1.0_768p`、`fl2v_turbo_8step_v1.0`、`h3/minimax_h3_turbo_v4_step600_ema_pruned` |
| **加速内核** | `ComfyUI-SolAttn_triton`（**NVIDIA Sol-Attn**）、`ComfyUI-Spectrum-MiniMax-H3`、`sageattention 2.2.0`（按 2026-09-06 运维结论**已全局停用**）、`ComfyUI-INT8-Fast` |
| **潜空间放大** | `models/latent_upscale_models/minimax_h3_latent_upscaler_3d_fp16.safetensors` + `_bf16`（**学习型放大器权重已就位**）；`ComfyUI-MinimaxH3AudioT8` 提供 `MiniMaxH3LearnedLatentUpscaleT8Advanced`、`MiniMaxH3LatentUpscaleBy32T8`、`MiniMaxH3TwoPassDetailMixerT8Advanced`、`MiniMaxH3DualClockSamplerT8` |
| 二采编排 | `ComfyUI_MiniMaxH3_Director` 的 `MiniMaxH3DirectorRefine`（`upscale` / `h3_latent` / 权重 / 采样器 / cfg / size_mode / 画幅 / scale_by / target_w / target_h） |
| **现成工作流** | `2026-08-21_H3_Learned_Latent_TwoPass_{I2VA_Standard,I2VA_Native_Speech,Hybrid_Lock_Source,Hybrid_Reference_Only,Hybrid_Remix_Source_020}_Advanced_EXP.json`（**target 1280×704**）、`2026-08-16_H3_Latent_Upscale_By32.json`、`minimax_h3_director_二采_加速.json`、`MiniMax_H3_I2V_10s_0.7MP_加速放大_修正版.json` |

### 缺 ❌

| 缺口 | 体积 | 下载源（hf-mirror 可达，实测 HTTP 200） |
|---|---|---|
| **Singularity 模型** | 20.97 GB | `WarmBloodAban/Minimax-h3_Singularity` → `Minimax-h3_Singularity_ref2va_Pruned_v1.3_int8.safetensors` |
| **VDN-H3 节点** | 仓库很小 | `git clone https://github.com/Saganaki22/ComfyUI-VDN-H3`（github 实测 HTTP 200） |
| **VDN stage 权重（int8）** | 2.30 GB 分支 + 1.18 GB 适配器 | `drbaph/vdn-minimax-h3-int8-convrot-comfyui`（bf16 原版分支 4.28 GB 也可，但 16GB 卡建议 int8） |
| （可不装）rockerBOO 插值放大节点 | — | 功能与 `MiniMaxH3LatentUpscaleBy32T8` / T8 Advanced 重叠，**没必要再装** |

磁盘：GPU 机 `/` 还剩 **291 GB**，放得下。

---

## 四、落地实现

### 路线 A（推荐）：复用你已有的两遍工作流，只换模型 + 对齐参数

这是最短路径，**只下载 Singularity 一个文件**就能得到"这句话"里 95% 的效果（Singularity + 0.4MP + 潜空间 1.5 + 双采样 + 1280×704 + Sol-Attn 提速），唯一没有的是 VDN。

**步骤**

1. **下模型（GPU 机执行，约 35–70 分钟 @10 MB/s）**
   ```bash
   HF_ENDPOINT=https://hf-mirror.com ~/ComfyUI/venv/bin/hf download \
     WarmBloodAban/Minimax-h3_Singularity \
     Minimax-h3_Singularity_ref2va_Pruned_v1.3_int8.safetensors \
     --local-dir ~/ComfyUI/models/diffusion_models
   # 没有 hf CLI 时用 curl -L -C - 直接拉：
   # https://hf-mirror.com/WarmBloodAban/Minimax-h3_Singularity/resolve/main/Minimax-h3_Singularity_ref2va_Pruned_v1.3_int8.safetensors
   ```
   ⚠️ 文件名带 `ref2va` ⇒ **参考生视频（r2v）任务**；t2v/i2v 请用 `fl2va` 系底座，两者别混接。

2. **改工作流：以 `minimax_h3_director_二采_加速.json` 为模板**
   - `UNETLoader` 换成 `Minimax-h3_Singularity_ref2va_Pruned_v1.3_int8.safetensors`；
   - `CLIPLoader` type = `minimax`，用 `qwen3vl_32b_minimax_h3_nvfp4_awq`（或 int4_convrot 省显存）；
   - Director 画布：`aspectRatio = 16:9`、`megapixels = 0.4`、`multiple = 32` ⇒ 面板显示 **864×480**；
   - `LoraLoaderModelOnly` 挂 `minimax_h3_ref2v_turbo_4step_v0.1`（**Singularity 官方就是推荐配这个 4-step LoRA 快速迭代**）；第一遍 **4 步 / cfg 1.0 / shift video 12, audio 3**；
   - `MiniMaxH3DirectorRefine`（二采）：`mode = upscale`、`method = h3_latent`、权重 `minimax_h3_latent_upscaler_3d_fp16.safetensors`、`scale_by = 1.5`（或 target `1280 / 704`）、采样器 `euler`、**第二遍 denoise 0.25–0.40、3 步**、音频 denoise = 0（音轨沿用第一遍原声）；
   - 加速：`PathchSageAttentionKJ` 保持 `auto`（你的运维结论是 Sage 全局停用，这行按现状保留/绕过）+ 在 UNET 上加 **Sol-Attn 节点**（`start_percent 0~0.1`、`end_percent 0.9~1.0`、`tau` 从默认起调，先和关掉做 A/B）。

3. **或者用 T8 那套"学习型两遍"**（更贴"神经放大"）：直接打开 `2026-08-21_H3_Learned_Latent_TwoPass_I2VA_Standard_Advanced_EXP.json`，把它的底座换成 Singularity、把 `MiniMaxH3LearnedLatentUpscaleT8Advanced` 的第一个 widget 从 `scale_by=2.0` 改成 **1.5**（target 保持 1280×704），`MiniMaxH3TwoPassDetailMixerT8Advanced` 的二采强度按抗糊档从 0.25–0.4 起调。

4. **验证顺序**（别一上来跑 15s）：先 5s / 124 帧（17k+5 网格）跑一遍，比对①只有第一遍的 864×480 输出、②两遍后的 1280×704 输出、③直接用 0.9MP 单遍的输出；确认第二遍**只加细节、不改身份/动作/音轨**，才拉长时长。

**参数起点表**

| 参数 | 第一遍 | 第二遍 |
|---|---|---|
| 画布 | 864×480（0.4MP） | 1280×704（0.90MP） |
| 步数 / 采样器 | 4（turbo LoRA）/ `res_multistep` 或 `euler` | 3 / `euler` |
| denoise | 1.0 | **0.25–0.40**（>0.5 会改动作） |
| sigma shift | video 12 / audio 3 | video 12 / audio 3（音频分支走 `MiniMaxH3ShiftSigmas` 12→3） |
| 音频 | 生成 | **denoise = 0，沿用第一遍** |
| 放大 | — | 学习型 3D latent 放大 ×1.5 |

### 路线 B（严格照句子的"VDN + NVIDIA-SOL"）

1. 装 VDN：
   ```bash
   cd ~/ComfyUI/custom_nodes && git clone https://github.com/Saganaki22/ComfyUI-VDN-H3
   HF_ENDPOINT=https://hf-mirror.com ~/ComfyUI/venv/bin/hf download \
     drbaph/vdn-minimax-h3-int8-convrot-comfyui \
     --local-dir ~/ComfyUI/models/vdn/vdn-minimax-h3-int8-convrot-comfyui
   ```
   节点用法：插在 H3 UNETLoader 与采样器之间，`apply_turbo_adapter=ON` ⇒ **采样步数必须是 8**（对应 `stage-dmd`），`lora_mode=merge`（8 步 DMD 档**必须** merge，bypass 会出颗粒/劣化），`branch_weights=auto`。
2. **冲突处理（必须选一条）**：
   - **选一**：跑 VDN 的分支上**不要挂** `ComfyUI-SolAttn_triton` 的 Sol 补丁（两者都改写 `blocks.*.attn.forward`，叠加后 VDN 的线性分支被跳过，而且 VDN 的 LoRA 会被用在它没训过的注意力上）；
   - **选二**：改用 [xmarre/ComfyUI-Sol-H3](https://github.com/xmarre/ComfyUI-Sol-H3)（打包了真正的 Sana CuTe `cute_sm120` 后端）+ [VDN-H3-Plus](https://github.com/xmarre/ComfyUI-VDN-H3-Plus) 的 provider API v3，才能"Sana SOL 处理 VDN 的局部 Q 行、K/V 域保持 VDN 语义"地组合。代价：需要 `triton>=3.6,<4`（你已满足）、NVIDIA CUTLASS DSL（CUDA 13 extra）、cuda-python、apache-tvm-ffi，且**仅限 Linux + SM120**（你这台正好符合，但会改动现有环境）。
3. **16GB 卡的现实**：底座 21 GB 本来就要靠 offload 跑，再叠 VDN 分支（int8 2.2 GB / bf16 4.3 GB）会明显吃紧。VDN README 自己给的定位是"**显存或内存有限就不建议**"，收益主要体现在**长片**（注意力开销线性 vs 平方）。以你现在的 5–15s 片段、0.4→0.9MP 量级，**先上 Sol-Attn + Turbo LoRA 的性价比远高于 VDN**。

---

## 五、如果你想自己手搭两遍图（不走 Director/T8），这几个坑必须知道

1. **拆分/回拼 AV latent**：H3 的视频+音频是一个 `NestedTensor` AV latent，用原生 **`LTXVSeparateAVLatent`** / **`LTXVConcatAVLatent`** 拆合（已确认在你 0.34.0 的 `comfy_extras/nodes_lt.py` 里）。
2. **绝对不要用原生 `AddNoise`**：① 它内部对 `NestedTensor` 调 `count_nonzero` 会直接崩；② 即使喂普通 tensor，对 H3 这种 CONST 参数化流模型的输出也是错的（`SamplerCustomAdvanced`+`DisableNoise` 会再乘一次 `(1-sigma)`，实测 denoise=0.4 解出来是纯噪声/棋盘格）。必须用 `MiniMaxH3AddNoise`（做了 `inverse_noise_scaling` 预抵消）。
3. **音频要用自己的 sigma**：视频 sigma 0.4 时，模型内部按 `shift_video=12 / shift_audio=3` 换算后期望音频噪声是 **≈0.14**。所以视频分支用原始 `sigmas_pass2`，音频分支要串一个 `MiniMaxH3ShiftSigmas`（12→3）再进 `MiniMaxH3AddNoise`。
4. **conditioning 必须同步放大**：ref2va/i2v 的参考图、首尾帧是以 visual latent 形式装在 CONDITIONING 里的，画布变了不缩放 ⇒ 人脸畸变、构图偏移、主体被误读。用 `MiniMaxH3ConditioningUpscale`（或 T8 的等价节点），`scale_by`/`upscale_method` 与 latent 放大**保持一致**。
5. **解码显存尖峰**：768p 以上或长片段，原生 `VAEDecode` 一次性解全部帧会 OOM ⇒ 用 tiled VAE decode（保持默认 overlap，有缝就调大 tile 而不是 overlap）。
6. **对齐网格**：H3 帧数是 `17k+5` 网格（124 / 141 / 227…），画布宽高是 32 的倍数，latent 宽高是偶数——违反就报 shape/patch 错。

---

## 六、期望管理与"打假"

1. **"中景模糊解决"是真的，但它属于模型**：Singularity 的 HDR 微调 + 远景人脸修复就是冲这个去的（官方 changelog 明写）。换回原版 H3 后，无论二采怎么调，中景人脸也不会变好——**二采只能加高频细节，不能补回模型没建立的结构**。
2. **"0.4MP → 0.9MP 双采样"不等于"省一半时间"**：第二遍要在 2.25 倍像素上跑，denoise 0.3 只走 sigma 后 30% 的轨迹，所以第二遍大约是"0.3 × 2.25 ≈ 0.7 倍单遍"的采样成本；总耗时 ≈ 第一遍 + 0.7 倍，换来的是**失败草稿更便宜**（0.4MP 试错）+ 成片 0.9MP。
3. **0.9MP 基本就是你这台 16GB 卡的"可用天花板"**（社区 12–16GB 档的经验线是 0.8MP 上下；你们 2026-09-06 的提速方案文档里也记了同样结论）。再往上要么掉进 offload 抖动，要么必须换 64GB 内存并接受低效率。
4. **"VDN 提速"在你这台机器上很可能不成立**：它的收益随片长线性增长，而 5–15s/124–362 帧的量级下，Sol-Attn（免训练稀疏）+ 4 步 Turbo LoRA 才是主力；VDN 还要额外吃 2.2–4.3 GB 显存，正好压在 16 GB 的痛点上。
5. **"15.5× / 74.5×"这类数字**都是"8×B200 + FA4 + FP8 + 蒸馏"叠加出来的实验室数字。单卡用户合理预期：Sol-Attn 在长序列/高分辨率上两位数百分比，Turbo LoRA 才是数量级（4 步 vs 20 步）。

---

## 七、建议的执行顺序（如果要做）

| 步 | 动作 | 预估 |
|---|---|---|
| 1 | `hf-mirror` 拉 Singularity Pruned int8（20.97 GB）→ `models/diffusion_models/`；校验 sha256 / 文件大小 | 35–70 min（后台跑） |
| 2 | 复制 `minimax_h3_director_二采_加速.json` 为 `..._Singularity_0.4MP_1.5x.json`，换 UNET、画布 0.4MP/16:9、二采 h3_latent ×1.5（target 1280×704）、挂 Sol-Attn | 15–30 min |
| 3 | 首跑 5s/124 帧 基准；A/B：Sol-Attn on/off、二采 on/off | 每条约 10–25 min（取决于是否 offload） |
| 4 | 达标后再拉长到 10–15s；若要长片再评估 VDN（注意与 Sol-Attn 二选一） | — |
| 5 | 产出/结论写回 dl-hub + 运维记录 | — |

---

## 八、参考链接

- Singularity：[ComfyUI Wiki 中文新闻](https://comfyui-wiki.com/zh/news/2026-09-07-h3-singularity)｜[HF 仓库（hf-mirror 可达）](https://hf-mirror.com/WarmBloodAban/Minimax-h3_Singularity)
- 两遍/潜空间放大：[rockerBOO/h3-latent-upscaler](https://github.com/rockerBOO/h3-latent-upscaler)｜[Comfy.ICU 节点说明](https://comfy.icu/node/MiniMaxH3LatentUpscale)｜[LBH 学习型放大器权重](https://hf-mirror.com/LBH-123-AI/Minimax_h3_latent_Upscaler)｜[Seedance 两阶段指南](https://www.seedance.tv/zh/blog/minimax-h3-two-stage-workflow)｜[SequenceForge（潜空间放大二采工程化参考）](https://github.com/bingling360/ComfyUI-minimaxH3-SequenceForge)
- VDN：[OpenVDN 官方](https://github.com/OpenVDN/vdn-minimax-h3)｜[ComfyUI 移植 ComfyUI-VDN-H3](https://github.com/Saganaki22/ComfyUI-VDN-H3)｜[int8 convrot 权重](https://hf-mirror.com/drbaph/vdn-minimax-h3-int8-convrot-comfyui)
- SOL：[NVlabs Sana Sol-Attn](https://github.com/NVlabs/Sana/tree/sol-engine/techniques/sparse_backends/sol_attn)｜[项目页](https://nvlabs.github.io/Sana/Sol-Attn/)｜[ComfyUI-SolAttn（已装在机器上）](https://github.com/sumeetprashant/ComfyUI-SolAttn)｜[xmarre/Sol-H3（VDN 组合方案）](https://github.com/xmarre/ComfyUI-Sol-H3)
- 机器本地：`ComfyUI_MiniMaxH3_Director/example_workflows/README.md`（0.4MP 默认画布）、`user/default/workflows/2026-08-21_H3_Learned_Latent_TwoPass_*.json`（target 1280×704）、`dl-hub/06-ComfyUI-H3运维记录/2026-09-06-H3提速方案.md`

---

## 九、落地实测补充（2026-09-11 当日完成）

本报告写完后已在 GPU 机把路线 A 跑通，两条关键结论回填：

1. **"0.4 分辨率 + 潜空间 1.5 → 1280×704"确认是插件源码算出来的**（不是玄学数字）：
   `ComfyUI_MiniMaxH3_Director/director/refine_pack.py` 的 `infer_upscale_target(864,480)` → `nw = round(864×720/480) = 1296`、`nh = 720` → `snap_dimension()` 按 32 取整（Python 四舍六入五取偶）→ **1296→1280、720→704**。所以只要二采的"宽高比"设成 **跟随导演台**、一采是 0.4 MP/16:9（864×480），目标画布自动就是 1280×704。**踩坑点**：若改成 `16:9 (宽屏)` + megapixels，0.88 MP 得到 1280×736、1.5 MP 得到 1664×928，都不是 1280×704。
2. **Sol-Attn 单卡实测提速 13%（采样）/ 7.6%（端到端）**，不是"15.5×"：
   864×480 / 294 帧 / 4 步 —— 热态 Sol OFF 采样 129 s、端到端 236.8 s；热态 Sol ON 采样 **112 s**、端到端 **218.9 s**。Sol ON 冷启首轮因内核 autotune+预热反而更慢（274 s），**别拿首次运行下结论**。Sol 路径两次运行输出 md5 完全一致（确定性可复现）。

落地产物见同目录 `Singularity双采样工作流-交接说明.md`（工作流改动、参数表、烟测与 A/B 数据、对比视频）。

---

*报告生成：DSH 会话（GPU 机 192.168.31.31 实测盘点 + 公开资料核实）。"已有/缺失"栏均为远程 ls/grep/pip list 实测结果。*