MiniMax H3加速节点：Sol Attn V2联用SageAttn与长序列Token优化

作者：@T8star-Aix

MiniMax H3加速节点：Sol Attn V2联用SageAttn与长序列Token优化

一句话导读：视频介绍 MiniMax H3 的 Sol Attn V2 加速节点，并演示它与 SageAttention 联用时如何减少注意力计算、复用 KV 结果和降低显存压力，重点面向长序列视频与 8 步/BF16 高质量模式。

核心内容：
1. Sol Attn V2 是面向 MiniMax H3 的注意力加速节点。视频说明它既可用于常见的 8 步加速流程，也可用于原版 BF16 高质量模式；作者实测的主要收益是缩短生成时间并缓解显存压力。新版本当时尚未同步到 GitHub，作者同时准备了轮子、节点和整合包，方便不会手动安装依赖的用户使用。
2. 视频将 SageAttention 与 Sol Attn V2 的分工做了对比：SageAttention 对完整注意力进行高效计算，Sol Attn V2 则把注意力计算集中到更重要的区域，其余部分采用稀疏化处理。稀疏/精算比例越偏向少量区域，速度收益越明显，但需要结合画质和运动复杂度取舍。
3. 节点支持复用 KV 结果来减少显存占用。视频用约 15G 降到约 14G 的示例说明方向性收益，这不是所有显卡、分辨率和工作流都能直接复现的固定指标。长序列 Token 的收益会更明显：作者对比 5 秒、10 秒和 15 秒视频时指出，片段越长，未加速与加速之间的时间差越容易拉开。
4. 联用时要注意节点顺序和采样区间。视频建议把完整注意力节点放在前面，再连接新的加速注意力；前约 15%–20% 用完整计算构建视频结构，中段主要使用新的注意力模式，末段比例则根据运镜和快速动作调整。短视频测试中两种模式的差距可能只有十几秒，长视频的差距会扩大。
5. 视频还展示了按层级安排完整与稀疏计算的思路：前几层保留更多完整注意力，后续层采用稀疏/精算组合，以在速度和稳定性之间平衡。具体层数、起止比例和稀疏参数应以当前节点界面和自己的片段实测为准；使用 8 步时不一定还需要叠加 Block Cache，其他步数则要按工作流测试。

适合人群：正在 ComfyUI 中运行 MiniMax H3、需要处理长序列视频或显存较紧，希望比较 SageAttention、Sol Attn V2 与 Block Cache 组合效果的用户。

补充说明：本文根据授权视频音频转写、视频标题/简介和首屏评论整理。视频同时涉及未发布节点和整合包，安装前应核对当前版本、轮子依赖及使用规范；评论区存在不同加速方案的个体差异反馈，不作为通用性能结论。

相关夸克网盘链接：
【模型及工作流轮子节点：https://pan.quark.cn/s/a30a9a95a1bf】
【T8 CF整合包V19：https://pan.quark.cn/s/af20c54a9a13】
【无限画布整合包v2.6.8：https://pan.quark.cn/s/5871a0142ff3】
【贞贞整合包V4.8A：https://pan.quark.cn/s/ed4f5cc2db75】