H3 开源之后最受关注的问题之一就是本地到底怎么跑这一篇汇总四种主流部署路线对比各自的适用场景、上手成本和坑点帮你选对姿势。路线一SGLang推荐SGLang 是官方文档里首推的路线对 H3 的 Omni-Transformer 支持最完整。流程大概是从 Hugging Face 拉取 checkpointFL2VA 或 Ref2VA 任选起一个 SGLang server再通过 Python 客户端发请求生成。优点官方支持最到位、性能好缺点对显存要求高33B 模型跑 768p 推理建议至少 80GB 级别的显存。路线二vLLMvLLM 是生产环境最常见的大模型推理框架吞吐量高、与现有 vLLM 生态衔接自然。如果你团队已经在用 vLLM 管理其他模型把 H3 加进来是最顺的。官方也提供了对应示例。路线三diffusersdiffusers 适合研究型玩家。它把 H3 的 VAE、Transformer、文本编码器都拆成标准 diffusers 组件方便你替换其中任意模块做实验。对想深入理解模型结构、或者做二次开发的开发者这条路最友好——但生成吞吐不如前两者。路线四ComfyUIComfyUI 是创作者的天堂。如果你不想写代码、只想在节点图上拖拽着生成ComfyUI 有现成的 H3 工作流。把 checkpoint 放进 models 目录加载工作流就能出片适合快速验证效果和做内容生产。四条路线的取舍一句话总结要性能和官方支持选 SGLang要生产吞吐选 vLLM要做实验和二次开发选 diffusers要可视化创作选 ComfyUI。实操前的三个提醒1. 显存是硬门槛33B 全模态模型 双 VAE显存不足会非常痛苦。先确认自己的显卡再决定要不要上 2K 路线。2. 三个 checkpoint 别搞混FL2VA首尾帧转视频音频和 Ref2VA参考图/视频/音频混合功能不同按任务需求加载。3. 2K 需要 H3-Regenerate-2K目前还未开源只能走官方 API。想要最高 2K 分辨率记得预留 API 调用预算。