MiniMax H3 实测：3090、4080S 32G 和 4090，ComfyUI 跑视频该租哪张卡

三张卡，两个分辨率，九组数据，跑了整整一轮 MiniMax H3。这篇是实打实的实测记录，不是参数堆砌，想看结论的可以直接跳到最后，想看数据和过程的接着往下看。

先说结论

如果只看生成速度，RTX 4090 24G 全面胜出，没有悬念。但如果把成本也算进去，情况会反过来——4090 虽然算力最强、生成最快，但因为完成一条视频的耗时远远低于另外两张卡，单条视频的实际生成成本反而是三者里最低的。3090 恰恰相反，单卡租金便宜，但慢得太多，算总账反而最贵。4080 Super 32G（魔改版）夹在中间，是个务实的均衡选择。

下面把过程和数据摆出来。

MiniMax H3 是什么，为什么现在值得测

MiniMax H3 是 MiniMax 家的一个开放权重视频生成模型，ComfyUI 官方已经原生支持，分为 T2V（文生视频）、I2V（图生视频）、R2V（参考素材生视频）几种任务类型，最大的特点是原生输出立体声音频——声音、音效和背景音乐是模型在一次前向计算里一起生成的，不是后期叠加上去的。分辨率最高能到 2K，单条视频时长一般在 5～15 秒之间。因为是开放权重，本地就能跑，官方也提供了 INT8 量化版本，专门为了降低显存占用、让消费级显卡也能跑起来。这次测试用的就是官方 INT8 模型。

正因为是本地部署、消费级显卡能跑，才有了"到底该配哪张卡"这个实际问题——这也是这次测试的出发点。

测试怎么做的

测试环境和参数都尽量贴近官方默认设置，方便别人复现：

• ComfyUI 版本 0.40.0，用官方 T2V、I2V、R2V 三套模板，提示词用默认的，不做额外调优
• 模型是官方 INT8 量化版
• 分辨率测了两档：0.4mp 和 0.9mp
• 视频长度统一 5 秒
• 每组配置跑 3 次，第一次当热身（warmup），真正比较的是第二次和第三次，避免模型加载、显存分配这些一次性开销干扰结果
• 系统内存（不是显存）统一配置 64G，主要是为了防止 OOM，保证三张卡测试条件一致

三张卡的硬件底子：3090、4080 Super 32G、4090

三张卡都是在晨涧云算力平台租的，规格如下：

从纸面参数看，三张卡的定位很清楚：3090 是老将，显存带宽反而比 4080 Super 还高，靠的是 384-bit 的位宽；4090 是全面碾压，CUDA 核心数比 4080 Super 多了六成；4080 Super 32G 的优势不在算力，而在那 32GB 显存，这也是它被拿来"魔改"最主要的原因——原生 4080 Super 只有 16GB，对不少 AI 工作流来说不太够用。

Sage Attention 和 Turbo 模式，分别带来了什么

测试过程中用了两个加速手段，都值得单独说说。

Sage Attention。 这是清华大学团队做的量化注意力机制，思路是把注意力计算里的矩阵从 FP16 精度降到 INT8，从而提速，官方论文给出的数据是比 FlashAttention2 快 2 倍以上，在不同的视频生成模型上，端到端的加速幅度从百分之十几到三倍不等，具体要看模型结构和序列长度。这次测试比较了几种主流的 Attention 加速方案后选定了 Sage Attention，原因是它在 MiniMax H3 上表现最稳定，实测下来大概能带来接近 20% 的提速——这个数字在同类方案里不算最夸张，但胜在稳，没有出现别的方案偶尔崩掉或者画面异常的情况。

Turbo 模式。 官方原生支持，本质上是多加载了一个 LoRA，用来压缩采样步数。开启后实测速度提升能到 2～3 倍，效果很明显。代价也很直接：画质细节会打折扣，不过肉眼看差别不算大；更麻烦的是显存消耗会跟着上升，OOM 的概率也随之升高。这也是为什么这次测试统一把系统内存配置到 64G——不是显存，是内存，但内存不够同样会在高负载时拖累稳定性，尤其是开了 Turbo 之后。

实测数据：0.4mp 和 0.9mp 两个分辨率

下面是完整数据，单位是秒，第 1 次是热身，重点看第 2、3 次：

有个现象一眼就能看出来：第一次运行几乎都比第二、三次慢一截，尤其是 3090 和 4080S 在 0.4mp 下的 t2v，第一次比第二次多花了三四十秒。这基本可以确定是模型加载、显存分配、CUDA 核初始化这些一次性开销造成的，后两次数据更能代表真实的稳定生成速度，这也是为什么要专门做热身这一步。

数据说明了什么

把第二、三次的数据取平均，能看得更清楚。

0.4mp 分辨率下，4080 Super 32G 的耗时大约是 3090 的 58%～61%，4090 的耗时大约是 3090 的 43%～44%。到了 0.9mp，差距进一步拉开：4080 Super 大约是 3090 的 56%～58%，4090 只要 3090 的 37%～39%。也就是说，分辨率越高，4090 的领先优势越明显——3090 从 0.4mp 升到 0.9mp，耗时涨了将近 2.8 倍；同样的分辨率跨度，4090 只涨了 2.4 倍左右。这说明在高负载场景下，3090 的瓶颈暴露得更快，大概率跟它整体算力（CUDA 核心数、Tensor Core 代数）明显落后于 Ada 架构有关，显存带宽虽然不低，也补不回这个差距。

任务类型之间也有规律。三张卡上，r2v（参考素材生视频）的耗时都是三种任务里最短的，i2v 和 t2v 相差不大，基本在同一量级。这个顺序在三张卡、两个分辨率上高度一致，说明这不是偶然波动，而是 r2v 这条任务路径本身计算量更小。

成本这笔账，结论是"3090 >> 4080S > 4090"——按单条视频折算，3090 成本最高，4080S 次之，4090 反而最低。这个结论乍一看有点反直觉，因为 4090 的小时租金通常是三张卡里最贵的。但账要这么算：云算力平台的计费是按时间，不是按视频数量，4090 虽然贵，但同样一条视频它花的时间只有 3090 的三到四成，时间省下来的部分，远远抵消了单价的差距。反过来 3090 单价便宜，但慢，如果对着时钟算成本，慢反而是最大的成本项。

关于"魔改"4080 Super 32G，值不值得租

4080 Super 32G 这种显存翻倍的改装卡，这两年在国内云算力平台上已经不算新鲜事了，3080 20G、4090 48G、4080 Super 32G 这类产品线基本都有对应的改装版本在流通，思路都是换上更大容量的显存颗粒。好处很直接：花不到旗舰卡的钱，拿到比原生版本大得多的显存。但这类卡不是官方产品线，自己买断的话没有官方质保，风险要自己承担。

这也是为什么这次测试选择在云算力平台租，而不是自己买——先租着测，数据摆出来自己看，划算再考虑要不要长期投入，风险比直接买一张魔改卡低得多。从这次的数据看，4080 Super 32G 的速度定位介于 3090 和 4090 之间，不是最快，但性价比和显存容量的平衡确实做得不错，尤其适合本身就需要大显存、又不想为顶级算力多付一倍价钱的场景。

结论：到底该选哪张卡

把上面的数据和结论放到一起，选卡逻辑其实很清楚：

• 追求极致速度、时间比钱更值钱、需要批量跑视频：选 4090 24G，虽然租金贵，但算总账反而是最省钱的
• 预算有限、任务不多、对速度没有硬性要求：3090 可以接受，但要有心理准备——单条视频的等待时间会明显更长
• 想要一个折中方案，尤其是同时还要跑大显存需求的其他工作流：4080 Super 32G 魔改版是个务实的选择，速度不是最快，但胜在均衡

最后提一句，这次测试用的是官方默认提示词和标准工作流，实际生产环境如果叠加更复杂的 LoRA、ControlNet 或者更长的视频时长，时间和显存的表现会有出入，建议照着这套方法自己在目标显卡上跑一遍再做决定——租一小时的成本，远低于选错卡之后返工的成本。