记一下这几天在 ComfyUI 上跑 MiniMax H-3 的情况，主要一直在压 ref2va。
环境：单卡 RTX6000 PRO 96G，采样统一 20 步，方便横着比。
- 2 秒 1344x768：三分钟出头
- 5 秒 1696x736：也差不多这个量级
- 10 秒 1696x736：九分钟
- 15 秒 1344x768：十二分四十五
- 三张参考图做 reference to video，15 秒 864x480：三分钟左右
- 同样 15 秒 864x480，参考里再塞一段 15 秒视频：八分十四
最后两行放一起看就很直观了，真正拖时间的是视频参考，一加进去耗时差不多涨到五倍。视频参考要不要上，得先想清楚这条镜头是不是真需要。
效果这块比我预期好太多。图片、视频、音频参考混着喂，一次生成下来一致性和连贯性都在线，之前那种角色跑着跑着就变脸的老毛病基本没再出现。这也是我愿意忍着五倍耗时继续试的原因。
这批实验还没整理完，等弄完单独写一篇细的。
