用 ComfyUI 做视频：首尾帧和参考图，我都想要

我想生成一段视频，要求说起来并不复杂：开头和结尾要落在指定画面上，中间的人物、外观又得参考另一张图。真正连起工作流才发现，能做首尾帧、能做参考图，并不代表我手里的那套节点能方便地把两种要求一起交给模型。

这轮已经尝试过视频生成，留下了节点和工作流文件；统一参数下的耗时与效果对比还没整理出来。

先把实验室电脑接到手边

机房里有一台带 RTX 5090 的电脑，我通过 Tailscale 和 SSH 远程访问它，在那台机器上本地部署 MiniMax H3 Base，继续做生成实验。远程入口本身也折腾了一轮：桌面会话、双层 NAT、IPv6，以及连接到底走中继还是直连，分别是不同的问题。

这部分单独写在把学校机房的 5090 接回直连里。网络先通，后面的工作流才有一个能访问的运行环境；但网络直连并不能直接说明模型生成速度。

导演台能做很多事，但我卡在输入条件上

我先用的是 ComfyUI MiniMax H3 Director。它把镜头和生成流程收进导演台，比从零拼所有节点方便。我也保留了文生视频、首尾帧和参考生成等工作流，逐步尝试这些入口。

但我的需求不是只让画面动起来。首帧规定从哪里开始，尾帧规定在哪里结束，参考图还要提供人物或外观信息。当时用到的导演台配置没有满足我把这些条件同时放进去的需求，所以我继续找能混合输入的开源节点。这里说的是我当时的使用情况，不是说导演台的所有版本都做不到。

用 Hybrid Cond 组织混合输入

本地装过的另一套节点叫 MiniMax H3 Hybrid Cond，节点名称是 MiniMax H3 Hybrid Cond (R2V + I2V)。它把参考生成和首尾帧条件放进同一套 conditioning，正好对应我想试的路线。

它的输入分得很清楚：

• first_frame 和 last_frame 提供开始与结束的关键帧。
• ref_image_1、ref_image_2 提供参考图。
• H3 的视频 VAE、音频 VAE 和匹配的文本编码器参与后续生成链路。

安装目录里也保留了 MiniMax_H3_Hybrid_Cond_Reference_Ready.json，以及 Director 和 Easy 的工作流文件。这轮工作基于已有开源节点，主要是组织输入、调整工作流并尝试生成，没有训练模型或自行开发这些节点。

混合条件解决的是“怎样同时把要求送进去”。至于生成画面是否真的保住了人物外观、是否自然地走到尾帧，还得看具体结果，不能因为节点连接成功就认为这些要求全部满足了。

用同一组素材比较条件组合

对这个需求，节点提供混合输入只是起点。入口是否暴露参数、节点怎样组织条件、模型能否遵守条件，需要分别检查；仅换一个工作流，未必就能改善输出。

目前本地可以核对到节点和工作流文件；机房 5090 上当次运行的模型版本、完整日志和视频作品还需要归档。因此这里不写显存占用、单段耗时或成功率，也不把工作流存在当成当前服务器仍可运行的证明。

下一轮我想把输入素材、工作流 JSON、模型版本、生成参数和输出视频放在一起，再比较“只用首尾帧”“只用参考图”和“混合条件”的差别。这样才能更具体地回答：多加一种条件，究竟改善了哪一部分，又牺牲了什么。