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 checkpoint（FL2VA 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：vLLM
vLLM 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：diffusers
diffusers 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：ComfyUI
ComfyUI 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：
-
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。
-
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。
-
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。