MiniMax H3 LoRA 训练 — AI Toolkit（云端）

使用 AI Toolkit 训练 H3 视频模型 LoRA，涵盖角色 / 风格 / 编辑 / 概念四种类型，支持图片训练和视频（参考生视频）训练。图片训练速度很快（约 1.98 it/s），1000 步左右角色特征已基本还原。

与用 Musubi Tuner 训练 H3 的方式不同，本教程使用 AI Toolkit，更适合新手上手。

环境要求

• GPU：推荐 48G 的 4090 或 32G 的 5090
• ⚠️ 不推荐 24G 显卡：采样阶段显存会飙升，大概率直接爆显存
• 显存占用参考：图片训练 16G~32G，视频训练更高

快速开始（云端）

# 1. 部署 GPU 实例（推荐 48G/4090 或 32G/5090）
# 2. 打开 Jupyter Lab，复制启动指令粘贴运行
# 3. 打开 AI Toolkit（内置 ComfyUI 可直接测试 LoRA 效果）

第一步：想清楚要训练哪种 LoRA

类型	说明	数据准备
角色 LoRA	还原特定角色特征	角色图片即可，打标时不描述外观特征
风格 LoRA	学习某种整体画风	至少 300~500 张同风格图片
编辑 LoRA	对视频/图片做特定变换（如转真人、变身肌肉男）	需要 Control（原始图）+ Target（目标图）成对素材，不需要打标，用 Default Caption
概念 LoRA	训练更复杂的抽象概念（如某种运镜风格的 MV 感）	视频素材，训练难度较高，需要认真打标

💡 社区反馈：训练图生视频/文生视频时，只用图片训练效果往往比带视频训练更好，可以优先尝试纯图片训练。

参考生视频（Refer to Video / 多参考）训练

这是本教程新增的核心内容：训练支持参考图/参考视频的多参数 LoRA。

数据集准备

• 准备 Control（原始/输入）和 Target（目标/期望输出）两组一一对应的素材
• 如果场景较复杂（比如两种不同风格都要覆盖），可以分别准备多组 Control/Target
• 在 AI Toolkit 的 Dataset 页面直接上传比新建文件夹后上传更快

关键设置

设置项	说明
Training Adapter	默认 v1，推荐改为 v2（更新、效果更好），也可选 Seek 版本；如果输入的是视频（转视频任务），需要选择支持 static+video 的 Adapter 版本，且不能用 Constrain Guidance，需改用 Adopt，并关闭 Guidance Loss
D-OPSD	效果最好（带教师模型指导训练），但速度会慢 5 倍以上（比如 20 秒/迭代变成 100 秒/迭代），追求极致效果再开
Level Floating	保持开启；精度用 100% 还是 50% 看显卡，爆显存就调高
精度（8bit/FP4/BF16）	默认即可，显存充裕可以改用更高精度
LoRA Rank	16 或 32 均可
保存数量	建议保留 10 个检查点，方便回退挑选
训练步数	建议设 5000 起步
优化器	推荐 Automagic（自适应学习率），8bit 更省显存
分辨率	默认 768，可改 1024 但更占显存
Frame Count	图片训练务必设为 1，并关闭 Number Frame 相关选项

视频帧数格式（重要）

• 视频训练素材帧数必须符合 17n + 5（模型底层限制），比如 22 帧、73 帧
• AI Toolkit 提供 Auto Frame Count：帧数不匹配时会自动向下取整到合规帧数，但更推荐自己提前把素材按帧数分类好（如 141 帧、158 帧一组），避免依赖自动纠正

打标建议

• 编辑 LoRA 不需要打标，用 Default Caption 即可
• 概念/风格 LoRA 需要认真打标，推荐两种自动化方式：
  • 官方提示词 Skill：把 Skill 文件拖给支持的 AI 编程工具，让其按规范生成描述，但需额外提醒"不要生成图片"，稍显麻烦
  • Google Antigravity（Gemini 3.8 Flash）：可直接读取文件夹批量打标，识别精度高，免费额度也比较宽裕，是更推荐的方式
• ⚠️ 视频较长时，AI 打标容易因上下文过长出现张冠李戴（把不同视频内容搞混），务必人工抽查校对，避免编造画面里不存在的内容影响 LoRA 效果
• 简单训练任务（比如普通角色 LoRA）不需要这么复杂，直接用图片训练即可

显存与速度参考

• H20 上 1000 步跑得很快；4090（48G）大约 18~20 it/s 左右
• 显存不足时：调高 Level Floating 精度百分比、降低分辨率、关闭 D-OPSD

采样设置

• 建议保留 2~4 个采样项即可，不用太多
• 采样提示词需要和实际训练任务对应替换（如转真人任务要用对应视频做参考）
• 转真人类编辑 LoRA 采样时如果素材本身偏"网红/cosplay 感"，训练越往后效果会越明显偏向这种风格，属于正常现象，可根据素材配比调整

小结

• 先确定 LoRA 类型（角色/风格/编辑/概念），数据准备方式完全不同
• 编辑类任务记得用 Control/Target 成对素材，不用打标
• 视频训练注意帧数格式（17n+5），能自己分类素材最好，别完全依赖 Auto Frame Count
• 打标优先用 Antigravity 之类的自动化工具，但一定要人工校对准确性
• 追求效果可开 D-OPSD，但要接受慢 5 倍以上的代价