Appearance
為什麼我花兩美金租 GPU，而不是花十二萬買一張
MiniMax H3、RunPod，和地端與雲端之間的第三條路
作者：Ray 日期：2026 年 8 月 13 日
八月初，MiniMax 開源了 H3。
三百三十億參數，文字、圖像、影片、聲音在同一個上下文裡，一次生成十五秒帶立體聲的影片。而最讓人心動的是那句規格說明：
它可以在單張 RTX 5090 上跑。
你看到這句話，開了另一個分頁，查了一下 5090 的價格。
十二萬。缺貨溢價。
然後你關掉分頁，回去工作。
這個動作，我猜很多人這幾天都做過一次。
模型是開源的，權重就掛在那裡，任何人都能下載。但「能下載」和「能用」之間，橫著一張顯示卡的價錢。
於是一個開放的東西，實際上只對一小群人開放。
兩條路，兩種卡住
想用 H3，表面上有兩個選擇。
第一條是雲端 API。 便宜、方便，不用管環境，開個帳號就能生。
但你只拿得到成品。你不知道它跑了幾步，用什麼量化，多久生完一支。你不能換節點，不能改採樣器，不能接一個社群做的加速 LoRA。參數列表上有什麼，你就只能用什麼。
你買到的是輸出，不是機制。
第二條是地端。 買一張卡，裝一套 ComfyUI，全部歸你。
但你得先付十二萬——而且是在你還不知道這東西值不值得之前。這個決定太大，大到大部分人的處理方式，就是不做決定。
一邊是看得到吃不到，一邊是門檻高到不敢跨。
大多數人就這樣停在原地。
第三條路：把租來的機器，變成你的地端
還有一個選項，很少人把它當成一條「路」來講。
在 RunPod 上租一張 5090，一小時 0.99 美金。掛一個社群做的 ComfyUI 模板，模型自動下載，瀏覽器打開就是完整的本地介面。
它不是雲端服務。它是一台你臨時擁有的地端機器。
你有 root。你能開終端機，能 git clone，能看日誌，能裝任何節點，能把量化從 int8 換成 fp8 再換回來。整套本地端能做的事，一件都沒少。
差別只在於：這台機器不屬於你，而且你用完就把它丟掉。
我那個下午花了兩塊美金。
兩美金買到的不是算力，是看得見內部
這是我原本沒想到的。
用 API 的時候，你問「這支影片生多久」，得到的是一個等待。用租來的地端環境，你在終端機打一行指令：
grep "Prompt executed" comfyui.logPrompt executed in 72.69 secondsPrompt executed in 292.65 seconds
一支五秒的片段，約 73 秒生完。十五秒的，約 5 分鐘。
長度變成三倍，時間卻是將近四倍。成本的成長比線性更陡——因為 H3 是所有幀同時去噪，幀數越多，注意力的代價漲得越快。
這個數字沒有任何 API 會告訴你。而它決定了我後面每一個規劃：一支六十秒的片要拆成幾段、預算怎麼抓、什麼時候該離開電腦。
同樣的道理，我能打開工作流的節點，一個一個看它的輸入槽。就是在那裡，我看到一個原本沒接線的槽位叫 last_frame。
接上之後，畫面裡的角色從「模型憑文字猜出來的樣子」，變成「跟我給的參考圖一模一樣」。
這種東西不會寫在文件裡。它只會出現在你能打開來看的環境裡。
那個下午最值錢的發現
我原本以為 H3 的十五秒是「一顆不能動的長鏡頭」。
社群的說法、我自己的筆記，都是這樣寫的：模型在長片段裡會自己亂切鏡，不可控，所以需要快速剪接的段落只能回去用舊方法一顆一顆生。
第一支十五秒跑出來，果然自己推近到特寫，又切了回去。我沒有叫它這樣做。
但接著我改了一件事。我在提示詞裡用它原生的分鏡語法，明確寫上時間：
[Shot A] At 00:00.000, 桌腳低角度，空鏡。
[Shot B] At 00:05.000, 切到整個房間的大遠景。
[Shot C] At 00:10.000, 切回桌腳特寫。它在第五秒切了。在第十秒切了回來。
而那個「整個房間的大遠景」——不在我給的任何一張參考圖裡。它是照著文字生出來的，而且掛毯、蠟燭、抱枕、雕花桌的位置，都跟原場景對得上。
不是不可控。是要用時間戳叫它。
這件事改變的不是速度，是工作流的形狀
一支六十秒的影片，用五秒一顆的老方法，是十二個鏡頭。
十二次生成、十二組關鍵幀、十二次審片、十二輪修正、十一個剪接點。
而如果一次生成可以內含三次切鏡，同樣的六十秒變成四次生成。
純運算時間反而多了兩成——因為超線性成本。但要看的成品從十二支變成四支，要準備的關鍵幀砍掉一半，剪接點從十一個變成三個。
運算時間你可以去吃飯，審片和修正不行。
真正的成本從來不是機器在跑的那幾分鐘，是你坐在螢幕前的那幾小時。而這個發現，砍掉的正是後者。
我把這件事想通，是因為我能改提示詞、能立刻重跑、能看到日誌裡的秒數。
如果我是在 API 上按生成鈕，我大概到今天還以為十五秒是不能用的。
用完就丟，是特徵不是缺陷
租來的環境有個顯而易見的缺點：關機之後什麼都沒了。模型要重下，節點要重裝。
我一開始以為這是代價。後來覺得，這反而是這條路最好的地方。
因為東西留不住，你會自然而然把整個建置寫成一支腳本。下載哪些檔案、放哪個資料夾、裝哪些節點、啟動參數加什麼——全部變成可執行的文字。
你的工作流從「一台機器上的手工積累」，變成一份可以重現的東西。
那本來就是該做的事。只是有一台自己的機器時，你永遠不會做——因為不做也能用。
而且不留東西，你就沒有被綁住。哪一區有貨就用哪一區，哪張卡便宜就開哪張卡，換一個模板只是改一行。你沒有沉沒成本，所以你可以一直換。
第一步的意義，是把太大的決定拆小
回到最開頭那個關掉的分頁。
「要不要花十二萬買一張 5090」是一個很難的決定。難的不是錢，是你在做決定的當下，手上沒有任何自己的數據。
你只有規格表、別人的評測、社群的說法。而那些東西沒辦法回答你真正想知道的事：這個模型在我的素材上、我的流程裡、我的品味底下，到底能不能用。
兩美金把這個決定拆成了兩步。
第一步很小：租一個下午，跑七支片，把該問的問題問完。第二步才是原本那個大的：現在我知道它能做什麼、不能做什麼、快多少、哪裡會壞——要不要買，這時候才是一個可以回答的問題。
而且經常你會發現，第二步根本不用走。每個月租幾個下午的成本，換算起來是一千到兩千個小時的使用時數。真的用得到那麼多嗎？
如果用不到，那第一步就已經是終點了。
開放的東西，要有人先跨過去
模型開源，只是把門打開。門後面還有一段路：環境、依賴、量化、節點、參數、踩過的坑。
那段路不長，但它足以讓大部分人停在門口。
我這次走完那段路，花了兩美金和一個下午。回頭看，最有價值的不是我生出來的那七支影片——它們大部分我都不會用。
是我現在知道這個工具的形狀了。
知道它十五秒的成本比線性陡，知道它的提示詞不能寫否定句，知道它會照著時間戳分鏡，知道它的參考圖是結構性的保證而不是許願。
這些東西沒辦法用讀的學會。你得自己開一台機器，打幾行指令，看它壞掉，然後修好。
而現在，開一台機器的門檻是兩美金。