【免费下载链接】MiniMax-Music3-nvfp4项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/MiniMax-Music3-nvfp4点击查看免费下载MiniMax-Music3 是 MiniMax 推出的文字/歌词生成完整歌曲大模型本仓库是它的NVFP4 4-bit 量化 MLX 版权重仅 9.2 GB。本文把 BF16、8-bit、6-bit、4-bit、MXFP8、MXFP4 这六大量化版本与 NVFP4 放在一起从显存占用、生成速度、音质三个维度做完整对比帮你快速选出最适合自己 Mac 的那个版本。MiniMax-Music3 是什么为什么需要量化MiniMax-Music3 采用三段式结构模块作用关键配置语言模型Language Model根据文字 歌词自回归生成 25 帧/秒的音频 token36 层hidden 4096Flow Transformer把音频 token 转成波形潜空间36 层Vocoder声码器输出 44.1 kHz 立体声成品1536 维全精度BF16权重需要 20 GB 以上的显存统一内存很多 Mac 直接装不下。量化就是把权重用更少的比特数存储用很小的音质损失换取数倍的体积缩减。mlx-community 已发布全套 MLX 量化版本本仓库 README.md 中列出的兄弟版本包括BF16、8-bit、6-bit、4-bit、MXFP8、MXFP4实验性加上本仓库的 NVFP4共 7 个版本。7 种量化格式一分钟看懂BF1616 位浮点全精度基准体积最大、音质天花板8-bit / 6-bit / 4-bitMLX 经典整数量化affine比特数越低越省显存MXFP8 / MXFP4MicroscalingNVIDIA 提出的微缩放格式每 32 个权重共享一个缩放因子8 位 / 4 位两种NVFP4FP4 数值 每组 16 个权重一个 FP8 缩放因子是本仓库采用的格式配置见 config.jsonquantization: { group_size: 16, bits: 4, mode: nvfp4 } 苹果芯片没有独立显存显存指的就是 GPU 可直读的统一内存。下表占用即加载模型所需的基础内存实际运行还要预留计算开销。六大量化版本显存内存占用全对比以本仓库 NVFP4 实测值两个权重分片共9,199,077,544 字节 ≈ 9.2 GB为锚点推算其余版本标注约的为估算值实际以各版本下载后大小为准版本格式体积权重相对 BF16定位BF1616-bit 浮点约 22 GB100%全精度基准8-bit8-bit 整数约 13 GB约 60%均衡之选6-bit6-bit 整数约 11 GB约 50%紧凑4-bit4-bit 整数约 9.2 GB约 42%紧凑MXFP88-bit 微缩放约 13.5 GB约 60%均衡之选MXFP4实验4-bit 微缩放约 8.9 GB约 40%最省显存NVFP4本仓库4-bit 微缩放9.2 GB实测约 42%⭐ 4-bit 里音质更稳权重分片与 1,480 个张量的映射关系见 model.safetensors.index.json两个分片为 model-00001-of-00002.safetensors 和 model-00002-of-00002.safetensors。几个直观结论4-bit 家族NVFP4 / 4-bit / MXFP4体积几乎相同都在 9 GB 左右从 BF16 换到 NVFP4显存需求降到约4 成22 GB → 9.2 GB16 GB 统一内存的 Mac建议选10 GB 以内的版本4-bit 家族给计算峰值留出余量。生成速度4-bit 家族最快歌曲生成的瓶颈在语言模型的自回归阶段每步都要把全部权重过一遍内存属于典型的带宽瓶颈——权重越小跑得越快档位版本速度感受最快4-bit / 6-bit / MXFP4 / NVFP4约为 BF16 的 1.5~2 倍自回归阶段中等8-bit / MXFP8介于两者之间最慢BF16基准速度同一档位内如 NVFP4 vs 4-bit速度差异很小选档看显存同档看音质。另外量化版本还能腾出内存放更大的 KV 缓存生成 30 秒以上长歌时更从容。音质NVFP4 为什么值得优先听这是 NVFP4 最聪明的一点见 README.md Quantization and verification 一节只量化计算量大的线性层全局语言模型、RVQ 深度解码器、Flow Transformer而Embedding、输出头、卷积、条件编码器、声码器全部保持全精度。也就是说真正决定听感的音频通路vocoder 等一个 bit 都没压量化误差被压在了对听感不敏感的大矩阵上。配合group_size 16的细粒度缩放NVFP4 与 BF16 的听感差距在 4-bit 方案里是最小的一档。各版本音质定位按盲听预期BF16基准无可挑剔NVFP4 / 8-bit / MXFP8与 BF16 差距很小日常创作无感4-bit / 6-bit个别高频细节略钝整体可用MXFP4官方标注 experimental体积最省音质待更多听评。三步跑起来安装 生成第一首歌第 1 步安装 mlx-audio版本要求较新以官方说明为准详见 README.mdpython -m pip install -U mlx-audio第 2 步下载本仓库模型仓库较大建议使用 git LFS 或 huggingface-cli 下载git clone https://gitcode.com/hf_mirrors/mlx-community/MiniMax-Music3-nvfp4第 3 步命令行生成 30 秒歌曲--lyrics必填纯伴奏用[instrumental]占位python -m mlx_audio.music.generate \ --model ./MiniMax-Music3-nvfp4 \ --caption Warm acoustic pop, 96 BPM, intimate female vocal \ --lyrics $[verse]\nMorning light across the room\n[chorus]\nSing with me \ --duration 30 --steps 30 --seed 7 --output song.wav输出的song.wav为44.1 kHz 立体声--steps控制 Flow Transformer 的去噪步数步数越高越精细、越慢。采样器为 scheduler/scheduler_config.json 中的 FlowMatchEulerDiscreteScheduler分词配置见 tokenizer/tokenizer.json。快速选型你的 Mac 该用哪个版本你的配置推荐版本理由16 GB 统一内存NVFP4 / 4-bit / 6-bit / MXFP49~11 GB 装得下速度最快24 GB 统一内存NVFP4 / MXFP8 / 8-bit速度、体积、音质最均衡32 GB 及以上BF16求极致音质全精度零损失只看速度4-bit 家族任选体积相同跑分最稳一句话总结内存紧张选 4-bit 家族追求综合表现选 NVFP4内存富裕直接 BF16。常见问题 FAQQNVFP4 和 MXFP4 有什么区别A两者都是 4-bit 微缩放格式。NVFP4 用 FP8 缩放因子、组大小 16MXFP4 用 E8M0 缩放因子、组大小 32。本仓库 NVFP4 对音频关键通路保留了全精度且已通过 1,700 项回归测试目前比仍标注实验性的 MXFP4 更稳。Q量化后声音会发闷吗ANVFP4 保留了声码器、条件编码器等音频敏感部分的全精度与 BF16 的差距是 4-bit 方案中最小的不过 README 也提示该版本仍待更广范围的听评建议自己下载两版对比试听。Q能商用吗A权重遵循 MiniMax-Music3 社区许可协议含可接受用途与商用条款全文见 LICENSE使用前请务必自行审阅。相关文件速查文件说明config.json模型结构与量化参数nvfp4 / group 16model.safetensors.index.json1,480 个张量 → 分片映射scheduler/scheduler_config.jsonFlow 匹配采样器配置tokenizer/tokenizer.json歌词/文字分词器LICENSEMiniMax-Music3 社区许可全文赞分享【免费下载链接】MiniMax-Music3-nvfp4项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/MiniMax-Music3-nvfp4点击查看免费下载相关推荐选哪个版本MiniMax-Music3-mxfp8所在7个量化变体全对比BF16到MXFP4怎么选选哪个版本MiniMax Music3 mxfp8所在7个量化变体全对比BF16到MXFP4怎么选 MiniMax Music3 是 MiniMax 推出的YuE2 bf16 vs int8_convrotAI音乐生成选哪个精度显存与音质终极对比指南YuE2 bf16 vs int8_convrotAI音乐生成选哪个精度显存与音质终极对比指南 正在用 ComfyUI 跑 YuE2 AI音乐生成 这个仓人工智能音乐生成音频媒体生成大模型Qwen-Image 2.1用哪个版本bf16 vs int8 vs w4a8显存占用对比与选模型完整清单Qwen Image 2.1用哪个版本bf16 vs int8 vs w4a8显存占用对比与选模型完整清单 Qwen Image 2.1 是阿里通义千问团队推人工智能大模型媒体生成多模态创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考