# 沒有大顯示卡，也能跑 MiniMax H3：我把「借 Colab 的卡、跑完自動還」整理成一個公開倉庫
來源：Realpha 讀市場（blog.getrealpha.com）
原文與圖表：https://blog.getrealpha.com/blog/colab-gpu-runner-minimax-h3-2026-10/
> colab-gpu-runner 是一個公開的 GitHub 倉庫：在自己電腦下一行指令，向 Google Colab 借一張 96GB 的 G4 顯示卡，把一張照片做成有聲短片、放大、補到每秒 48 格，跑完自動還卡，成品經雲端硬碟拿回並逐檔比對雜湊。這篇講它能做什麼、誰適合用、怎麼裝、借哪張卡，也把反對的理由講到最強，再判斷什麼條件下值得用。技術學習分享，不是任何商業建議。
Published: 2026-10-28
Locale: zh-TW
Tags: Google Colab, MiniMax H3, SeedVR2, RIFE, ComfyUI, 雲端 GPU, AI 影片, GitHub
TL;DR: 電腦沒有顯示卡也能跑 MiniMax H3：一行指令借 Colab 的 G4，5 秒一段從開機到還卡約 9～10 分鐘、約 1.2 運算單元。代價是要付費方案、綁在 Google 帳號上、規則由別人定，適合偶爾做幾段短片的人。
> *且夫水之積也不厚，則其負大舟也無力。*
> *覆杯水於坳堂之上，則芥為之舟；置杯焉則膠，水淺而舟大也。*
> —— 《莊子・逍遙遊》（戰國）
我把自己這個月借 Google Colab 顯示卡跑 MiniMax H3 影片模型的做法，整理成公開倉庫 colab-gpu-runner：https://github.com/bockybocky/colab-gpu-runner 。在自己電腦下一行指令，就能借一張 96GB 顯示記憶體的 G4，把一張照片做成有聲短片、放大 1.5 倍、補到每秒 48 格，跑完自動還卡；2026 年 10 月實測，5 秒一段從開機到還卡約 9～10 分鐘、約 1.2 個運算單元。前提是要有 Colab 付費方案（免費方案借不到這種卡），而且它最適合偶爾做幾段短片的人，天天大量跑的人另有更好的路。
## 起因：朋友想用，但他沒有大卡
H3 兩段式生成的顯示記憶體峰值大約 52GB。
我在〈[在 Colab 用 MiniMax H3 做 AI 短片](/blog/colab-minimax-h3-2k-worth-it/)〉寫過這個數字，家用的 8GB、12GB 卡差得很遠，連很多人租雲端常選的 24GB 也不夠。
一位朋友看了那篇想自己試，我才發現我的做法散在好幾支腳本裡，還寫死了我電腦上的路徑。所以我把它清乾淨、補上說明和檢查程式，放成公開倉庫。下面先把「用 Colab 借卡跑 H3」講到最強，再站到反面去挑它。
## 正方：不買卡、不顧機器，一行指令借最大的那張
它做的事很單純。你在自己電腦上準備一張照片和一句畫面描述，打包成一支要在雲端跑的腳本；啟動器向 Colab 借一台有顯示卡的機器，裝好 ComfyUI（一套把模型串成流程圖的開源介面），從 Hugging Face 下載模型，依序做三件事：MiniMax H3 生成有聲短片、SeedVR2 放大 1.5 倍、RIFE 把每秒 24 格補到 48 格。做完上傳到你自己的雲端硬碟，機器自動釋放，本機再把成品下載回來，逐檔比對 SHA-256 雜湊，確認傳回來的跟雲端上的是同一份。
成品是三支影片：生成版、放大版（768×1344 放大到 1152×2016）、補幀版。另外有個去油光的開關，預設會掛兩支讓人臉皮膚比較霧面的外掛，不想要就在打包時加 `--no-deoil`。
我覺得它最強的地方有三個。
第一，你的電腦不需要顯示卡。卡是借的，你的電腦只負責發指令和收檔案，一台普通筆電就行。
第二，借的是很大的卡，而且會自己檢查。2026 年 10 月 19 日我用同一支測試程式比過，G4 的 bf16 矩陣乘法約 423 TFLOPS，80GB 版 A100 約 268，G4 快約 1.6 倍。
遠端腳本開機第一件事是讀顯示記憶體，不到 75,000 MiB 就直接停下，不會在一張跑不動的卡上燒錢跑到一半才失敗。
第三，成品回來的路是我踩過坑才改的。2026 年 10 月 20 日之前，成品是用 base64 編碼印回紀錄檔再拼回來，三段片因此多拖了大約 30 分鐘，那段時間機器一直開著計費。改成先傳雲端硬碟、本機再下載之後，這段等待就不見了。
時間和花費（2026 年 10 月在 G4 上實測）：5 秒一段約 9～10 分鐘、約 1.2 單元；10 秒一段約 17.5 分鐘、2.1 單元；15 秒一段約 24 分鐘、3.1～3.4 單元。
七個模型從 Hugging Face 直接下載約 3 分鐘，比我原本從雲端硬碟複製（約 22 分鐘）快很多。
## 借哪張卡
我的建議是優先借 G4。Colab 官方文件沒寫 G4 是哪張卡，我借到時系統回報的是 RTX PRO 6000 Blackwell、96GB。
| Colab 顯示卡 | 顯示記憶體 | 能不能跑這套 |
|---|---|---|
| G4 | 96GB | 優先借這張，實測最快，程式預設就是它 |
| A100 | 80GB 或 40GB | 配到 80GB 可以；配到 40GB 會被擋下，重借一次 |
| H100 | 80GB | 夠，但我沒實測 |
| T4／L4 | 16／24GB | 不行 |
## 怎麼裝：照順序六步
倉庫裡有一支 `check_env.py`，只讀不寫、不開機器、不花錢，會把每一項印成「通過／不通過」並附修法。我建議先跑它：
```powershell
python check_env.py
```
接著照順序裝：
```powershell
# 1. 裝 Colab 命令列
uv tool install google-colab-cli
# 2. 裝 gog（Google 雲端硬碟命令列，安裝方式見 github.com/openclaw/gogcli），用自己的帳號登入
# 3. 登入 Colab（只要一次）：先印網址，在手機開完把授權碼貼回來
$PY = "$env:APPDATA\uv\tools\google-colab-cli\Scripts\python.exe"
& $PY colab_login.py url
& $PY colab_login.py code <授權碼>
# 4. 先試卡（約 1 分鐘）
colab run --gpu G4 g4_probe.py
# 5. 打包，再跑不生成的煙霧測試，確認雲端硬碟上傳下載通
python film/build_remote_job.py --image start.png --prompt "a woman smiles and waves at the camera" --out-dir ./job
pwsh film/run_g4.ps1 -Root ./job -GoogleAccount <你的 Google 帳號> -SmokeTest
# 6. 正式跑
pwsh film/run_g4.ps1 -Root ./job -GoogleAccount <你的 Google 帳號>
```
這裡有兩件說明書上不會告訴你的事。
一是 Colab 命令列官方寫明目前只支援 Linux 和 macOS，Windows 不在支援範圍。我是在 Windows 上用 uv 裝、實際跑通的，但這代表哪天它改版在 Windows 上壞掉，沒有人欠你一個修正。它本身要 Python 3.12 以上，uv 裝的時候會自備，跟倉庫腳本要的 3.10 是兩回事。
二是裝好了卻找不到指令。uv 預設把 `colab` 放在使用者資料夾下的 `.local/bin`，這個位置常常不在系統路徑上。2026 年 10 月 27 日我寫檢查程式時，在自己的筆電上跑，它第一句就報「找不到 colab 指令」，可是我明明裝過。整理成公開版時我拿掉了寫死的路徑，結果第一個踩到的就是自己。所以現在檢查程式和啟動器都會自己去那個位置找，但如果你手動打 `colab` 沒反應，先別急著重裝。
## 同類比較：借卡的五條路
數字都是我自己實測過或在舊文寫過的，沒量過的格子寫「未實測」：
| | Colab G4 | Colab A100 | vast 租卡 | RunPod | 自己的 8GB 舊卡 |
|---|---|---|---|---|---|
| 顯示記憶體 | 96GB | 80GB 或 40GB | 我租的 3090 是 24GB | 未實測（4090 級是 24GB） | 8GB |
| 能跑 H3 這套 | 能 | 只有 80GB 版能 | 未實測，24GB 不夠 | 未實測 | 不能 |
| 開機到能工作 | 未單獨量；5 秒一段全程 9～10 分鐘，含裝環境與下載模型約 3 分鐘 | 未實測 | 租到卡到能畫第一張約 4～5 分鐘，下載模型另花 21 分鐘 | 每次開機約 1～3 分鐘 | 隨開隨用 |
| 計費方式 | 扣運算單元，費率以 `colab usage` 為準 | 同左 | 按小時，3090 每小時 0.22 美元 | 按秒，4090 每小時 0.34～0.74 美元 | 電費加折舊 |
| 適合誰 | 偶爾做幾段大模型短片 | 借不到 G4 時的備案 | 一次跑一大批、模型 24GB 放得下 | 一次性的批次工作 | 小模型、天天用 |
vast 和 RunPod 的細節在〈[vast 租顯示卡心得](/blog/vast-gpu-rental-notes-2026-10/)〉和〈[本地大模型要買卡還是租卡？](/blog/runpod-vs-local-gpu-2026-09/)〉。
## 反方：借來的東西，規矩是別人定的
換個位置，把反對的理由講到最強。
綁在一個 Google 帳號上。卡向 Colab 借，成品存進同一個帳號的雲端硬碟，登入權杖也在同一處。帳號哪天被停用或權限被收，整條路一起斷，你沒有第二家可以切換。
計費單位會變，規則也不公開。Colab 常見問題寫得很清楚：能用的顯示卡種類、用量上限、閒置逾時、機器最長能開多久，都會隨時間變動，而且不公布。定價頁要登入才看得到。我上面那些「約 1.2 單元」是 10 月的讀數，下個月未必一樣。
殘留機器會一直燒錢。看管的本機程序一斷，雲端那台機器不會自己關。啟動器收尾時會再列一次有沒有殘留，可是如果你的電腦當機或斷網，那段收尾根本不會跑。
借不到卡。G4、A100 都是看當下有沒有空，配到 40GB 版 A100 還會被擋下重來。急著交件的那天剛好借不到，你只能等。
模型授權不是一句「開源」就結束。MiniMax H3 的社群授權（2026 年 8 月 2 日版）免權利金，但歐盟、英國、南韓、美國不在授權範圍；年營收超過 2,000 萬美元要另外取得書面授權；做成商用產品要在介面上明顯標示「MiniMax H3」；也不能拿它的產出去改良別的 AI 模型。兩支去油光外掛跟著 H3 的授權走。SeedVR2 和潛空間放大模型是 Apache-2.0，補幀外掛是 MIT。倉庫程式本身是 MIT，但模型授權要你自己遵守。
隱私上雲。你的起始照片會被打包進腳本送上雲端機器，啟動器還會把你雲端硬碟的更新權杖和用戶端密鑰，用環境變數傳進那台機器，才能在那邊上傳成品。它們不寫進腳本、不寫進紀錄檔，跑完機器就釋放，但在跑的那段時間，它們就放在一台不是你的電腦上。
最後是每次都從零開始。每借一次卡，都要重裝 ComfyUI、重下七個模型，大約 3 分鐘白白花在準備上。
想一邊調參數一邊看結果，這種一次一次冷開機的模式會很磨人。
## 哪邊站得住：看你一個月做幾段、做什麼內容
我的判斷是，兩邊都對，差在三個條件。
一，頻率。偶爾做幾段，正方贏：不用買卡、不用顧機器，一段 1.2 單元左右，比買一張 96GB 的卡划算太多。天天大量跑，反方的「規則會變、每次冷開機」就會一直咬你，租一台能掛固定儲存空間的機器，或認真考慮買卡，會比較穩。
二，內容。拿自己的照片、不打算商用，隱私和授權的風險都在可控範圍。要用別人的臉、要接案、人在授權排除的地區，先讀完授權再開工。
三，你能不能接受「借」這件事本身的不確定。急件、不能等的工作，別把唯一一條路押在借來的卡上。
適合的人：想跑大型影片模型、自己沒有大卡、已經有或願意開 Colab 付費方案、偶爾做幾段的人。不適合的人：只用免費方案的人（免費借不到這種卡）、需要邊調邊看的人、對照片上雲很在意的人。
如果你是前者，倉庫在這裡：https://github.com/bockybocky/colab-gpu-runner 。先跑 `check_env.py`，再跑煙霧測試，最後才正式生成，這個順序能幫你省下不少錢。
## 帶得走的一件事
借來的東西，先想好怎麼還，再開始用。
這個工具裡最值錢的幾行，是開機先驗卡、跑完自動釋放、收尾再看一次有沒有殘留機器，生成影片那段反倒其次。
這些都是「怎麼還」的部分，它們決定了借這件事划不划算。
我試過的一個做法：下次你借任何東西，同事的投影機、朋友的車、圖書館的書，甚至只是一個訂閱的免費試用期，借到手那一刻先寫下一行：什麼時候還、怎麼確認已經還了。像免費試用，就是當天在行事曆上把取消日標在到期前一天，取消後去帳單頁看一眼，確認不會再扣款。