MiniMax-H3: any denoise mask produces a repeating grid artifact since #15375

问题场景

该问题在 ComfyUI 中处理 MiniMax-H3 视频生成模型时出现。无论是通过用户自定义节点还是原生节点（如 Create Solid Mask → Set Latent Noise Mask → LTXVConcatAVLatent → KSampler），只要掩码到达模型采样器，输出视频就会叠加周期性的网格伪影。问题在完全均匀的掩码下也会出现，即不需要掩码在空间上随机变化。

报错原文

MiniMax-H3: any denoise mask produces a repeating grid artifact since #15375

Measured by 2-D FFT... a square peak at exactly **16.0 x 16.0 px** at 9 to 12x prominence with a mask, and nothing above roughly 2.6x background without one.

原因分析

可能原因：掩码处理的双重机制冲突。#15375 之前，掩码合并只发生在 KSamplerX0Inpaint 层面：采样后的输出会根据掩码与输入 latent 混合。而 #15375 引入了一条新的独立路径：模型自身（`comfy/ldm/minimax/model.py` 的 `_denoise_mask_conds`）会根据掩码将每个 token 的时间步长（timestep）调整为 `1 – m*sigma`。这就导致模型预测时的假设（masked token 对应的 noise level）与其实际收到的 latent 不一致。

Issue 讨论中进一步指出，掩码会在到达模型时被量化到 token 网格时钟步长（如 `r = ceil(256m) / 256`）。输入 latent 能通过 `scale_latent_inpaint` 与量化步长对齐，但模型的输出速度（velocity）在后续 FLOW_AV 转换（`BaseModel._apply_model` → `ModelSamplingAV.calculate_denoised`）时，仍使用的是全局的 sigma，而非掩码局部的 `r * sigma`。这种不匹配会在每个 latent 单元边缘残留错误的速度分量，最终表现为亚 token 级的、空间分布不均的网格纹理。建议分析时特别关注这一点。

环境排查

• ComfyUI 内置 / 自定义节点：确保可在原生节点上重现（如 Create Solid Mask 路径），排除自定义节点污染。
• MiniMax-H3 相关文件版本：确认包含 #15375 的 commit 引入的 `_denoise_mask_conds` 分支（comfy/ldm/minimax/model.py）。
• 确认依赖版本：PyTorch 版本、Python 版本、CUDA（Issue 中为 torch 2.13.0+cu130、Python 3.12.7）。由于该问题在 CPU/源码级合约即可复现，可先在低负载下进行白盒调试。

解决步骤

1. 临时规避方法（已在 Issue 中被证实有效）：在 ComfyUI 脚本中对象模型并对 mask 相关对象打补丁：

   
   m = model.clone()
   orig = m.model.scale_latent_inpaint
   m.add_object_patch("_denoise_mask_conds", lambda denoise_mask, latent_shapes: {})
   m.add_object_patch("scale_latent_inpaint",
                      lambda sigma, noise, latent_image, x=None, denoise_mask=None, **kw:
                          orig(sigma=sigma, noise=noise, latent_image=latent_image, **kw))
       

2. 功能降级验证：去掉该补丁中的第二个 patch，保留 `_denoise_mask_conds` 的禁用，确认伪影是否消失（如果伪影仍保留，则可能是 `scale_latent_inpaint` 中的残余逻辑所致）。
3. 量化敏感性测试：Issue 中指出即使输入 mask 已经是精确的 205/256，问题依旧存在，因此确认问题并非简单由 mask 量化造成，而应集中排查速度回归与全局 sigma 的转换逻辑。
4. 社区与上游跟进：查看 #15981 及相关的 #15978、#15375 是否有官方修复 PR（Issue 讨论时尚未发现相关 PR，留言人称正在编写并准备提交 PR）。

验证方法

对输出视频的生成帧与输入 latent 相减，进行 2-D FFT 分析（周期为 6 到 80px）。若修复成功，16 像素方波峰将从 12x 显著度降至背景水平（约 2-3x 背景中位数）。建议分象限测量，因为该伪影空间不均，帧级别整体指标可能使其被平均掉而失效。

使用相同输入图、种子和模型参数，先后在开启 / 关闭 `denoise_mask` 的情况下生成视频，对比是否存在明显的规则网格纹理。

参考来源

Comfy-Org/ComfyUI #15981

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。