ComfyUI本地部署MiniMax H3消费级显卡文生视频、图生视频教程

本教程系统讲解如何在消费级 NVIDIA 显卡（12GB / 16GB 显存）上，通过 ComfyUI 节点式界面本地部署 MiniMax H3 全模态视频生成模型，完成文生视频（T2V）与图生视频（I2V）两大核心场景。教程将先梳理 H3 的模型变体与核心架构，再逐步完成 ComfyUI 安装、模型下载与放置、工作流加载与参数配置，最后给出消费级显卡的性能调优与常见问题解答。

前置教程

如想快速开始学习本教程，你可能需要先完成以下前置教程：

• PyTorch安装与版本选择问题详解，本教程的 ComfyUI 依赖 CUDA 版 PyTorch 与显卡驱动配合，了解 PyTorch 与 CUDA 的版本对应关系有助于排查环境问题。
• 本地图像与视频生成模型部署与调用教程，本教程介绍了扩散模型与视频生成的基础概念，是理解 MiniMax H3 工作原理的入门前提。

资源下载

• ComfyUI 官方 Releases 下载地址，选择 ComfyUI_windows_portable_nvidia.7z便携版。
• ComfyUI 网盘下载地址，下载缓慢时可使用网盘下载。
• MiniMax H3 官方整理模型 ModelScope 仓库，包含 FL2VA / Ref2VA 扩散模型、Qwen3-VL 文本编码器与双 VAE。
• MiniMax H3 模型网盘下载地址，网速较慢时可优先使用网盘下载。

1. MiniMax H3 技术概览

1.1 什么是 MiniMax H3

MiniMax H3 是一款通用型全模态生成模型，能够统一理解由文本、图像、视频和音频构成的多模态上下文，并输出带有原生双声道音频的视频内容，最高支持 15 秒 2K 分辨率（2560×1440）、24 FPS 的输出。

H3 在设计上最大的特点是「打破任务边界」——在预训练阶段就把文生视频、图生视频、首尾帧、主体参考、动作参考、视频编辑等任务统一建模，用自然语言描述任务关系，而不是为每种任务单独训练一个专家模型。对使用者而言，同一套模型即可覆盖大多数视频生成场景，无需在不同工具间切换。

1.2 模型变体：FL2VA 与 Ref2VA

H3 开源后提供两个独立的 checkpoint（模型检查点），分别对应两种不同的工作模式。

FL2VA 是「First-and-Last-Frame-to-Video-and-Audio」的缩写，即首尾帧到音视频模式。该模式支持输入 0 张、1 张或 2 张图像：

FL2VA checkpoint 统一支持 T2VA（文生视频）和首尾帧生视频两类任务，是日常视频生成最常用的模型变体。本教程第 4、5 章的文生视频与图生视频工作流即基于 FL2VA。

Ref2VA 是「Reference-to-Video-and-Audio」的缩写，专门处理复杂的多模态参考任务：

• 图像参考：最多 9 张
• 视频参考：最多 3 段，每段时长 2–15 秒
• 音频参考：最多 3 段（音频必须与图像或视频一同输入，不能作为唯一输入）
• 总计限制：所有类型输入合计最多 12 个

Ref2VA 的核心用途包括：人物与场景保留、动作与嘴型编辑、音色参考、原始音频复用等复合任务。例如，可以参考一段视频的人物身份和场景，同时参考另一段音频的音色，让画面中的人物生成新的对白和口型动作。

与 FL2VA 不同，Ref2VA 不执行纯文生视频任务——它的工作必须基于用户提供的至少一种参考素材（图像或视频）。

1.3 核心架构组件

H3 是一套由多个组件协同工作的系统，其核心架构可分解为以下几个部分。

1.3.1 VAE：压缩与还原工具

VAE（变分自编码器） 承担着将原始图像/视频数据进行高效压缩与还原的职责。H3 在这一代彻底重构了前代的 Tokenizer 技术，包含两个独立的 VAE：

• Video VAE（视觉编码器）：约 2.60B 参数，实现 16 倍空间压缩和 4 倍时间压缩。例如，一段 22 帧、128×128 的视频经过编码后，压缩为 (1, 48, 7, 8, 8) 的潜在表示。
• Audio VAE（音频编码器）：约 151M 参数，处理 32kHz 立体声音频，每秒可生成 40 个潜在变量。

VAE 的高压缩率为 H3 带来4 倍序列长度收益，直接降低了训练和推理成本，也是支撑原生 2K 分辨率输出的核心技术。

1.3.2 文本编码器：Qwen3-VL-27B

H3 使用 Qwen3-VL-27B（实际为约 25B 参数的 50 层版本）作为冻结的文本/多模态编码器。

它的核心任务是将用户输入的文字描述（Prompt）和视觉参考素材转换为包含丰富语义信息的数学向量（嵌入表示）。在 H3 中：

• 模型仅采用 Qwen3-VL 的前 50 层作为编码器使用
• 权重文件约 66.7GB，是 H3 中体积最大的组件之一（ComfyUI 官方会提供 NVFP4 / INT8 等量化版，大幅减小体积，见第 3 章）
• 它支持理解图像和视频，使 H3 在 Ref2VA 模式下能同时理解文字、图片和视频参考素材的含义

1.3.3 H3-Omni-Transformer（DiT）：核心生成引擎

H3-Omni-Transformer 是一个 33B 参数的稠密单流 Transformer（即扩散 Transformer / DiT），负责在潜在空间中执行实际的「去噪创作」过程。

值得注意的技术细节：

• 50 层，隐藏维度 5376，56×128 注意力头
• 约 13B 参数位于 AdaLN（自适应层归一化）相关分支中，这些参数只依赖时间步嵌入，与序列内容无关——因此在推理时可以通过 AdaLN 预计算技术将这 13B 参数（约 26GB）从常驻内存中移除，实际只需常驻约 20B 参数
• 权重文件约 66.3GB（包含 AdaLN 全部参数）
• 在性能上，由于多模态上下文的引入，H3 的序列长度方差比前代大了 3 倍，团队采用了理解与生成异构的训练架构，端到端训练吞吐提升近 30%

1.3.4 扩散模型的工作原理

H3-Omni-Transformer 本质上是一个视频扩散模型。扩散模型的工作流程可以分为两个阶段：

训练阶段：模型被反复训练「去噪」能力——给定一张被不同程度噪声污染的图像/视频，模型学习如何一步步还原出清晰的原始内容。

推理阶段（生成）：

1. 模型随机生成一段纯噪声（相当于一张「白纸」）
2. 借助文本编码器提供的语义指导，在潜在空间中逐步去噪
3. 每一步都根据文字描述优化画面的结构和细节
4. 经过约 50 步迭代后，生成清晰的潜在表示，再由 Video VAE 解码为视频

这种由粗到细的生成方式，让扩散模型能够从全局布局到局部细节逐层完善，生成的视频比传统生成模型更稳定、细节更丰富。

在 H3 中，视频和音频是联合生成的，而不是后期拼凑——这也是 H3 能输出「原生双声道」音视频的原因。

1.4 完整生成流程：从输入到 2K 输出

H3 的完整生成流程包含三个层次：

1. H3-Context-IR（上下文中间表示）：深入理解多模态输入，提炼为模型更易理解的中间表示。大部分素材需要约 100K Token 的推理，最终压缩为约 4K Token 的表示。这是 H3 实现广泛指令理解能力的关键模块。
2. H3-Base：根据 Context-IR 的输出，由 H3-Omni-Transformer 在潜在空间执行去噪生成，默认输出短边为 768 像素的音视频。
3. H3-Regenerate-2K：H3 不使用传统的超分模块，而是将 768p 结果连同原始上下文重新输入 H3，以 2K 分辨率重新生成。这样做的好处是：最大限度复用基模的生成能力，并且可以利用原始多模态上下文还原传统超分方案靠「猜」无法恢复的细节（如小文字和精细纹理）。

1.5 消费级硬件可行性评估

MiniMax H3 全量权重（bf16）体积超过 130GB，直接部署对硬件要求极高。但得益于 ComfyUI 官方推出的 INT8 / NVFP4 量化版与动态显存卸载机制，模型已被压缩到约 40GB，16GB 显存即可稳定运行：

关于 2K 分辨率的说明：模型原生支持最高 15 秒、2K（2560×1440）输出，但该能力面向云端高性能环境。本教程的消费级显卡场景实际出片范围是 480p–768p（768P 即 1344×768 已接近 16GB 显存上限，2K 像素量约为其 5 倍，必然 OOM）。

ComfyUI 官方在 ModelScope 发布了针对消费级显卡重新打包的量化模型（Comfy-Org/MiniMax-H3），将 Qwen3-VL 编码器从 66.7GB 压缩到约 14.6GB（NVFP4），DiT 主模型压缩到约 19.5GB（INT8），合计约 40GB，是本教程在消费级显卡上部署的前提。

2. 环境准备与 ComfyUI 安装

整体部署流程如下：

2.1 确认硬件与驱动

开始前先确认显卡型号、显存大小以及驱动是否满足条件。在 PowerShell 中运行：

nvidia-smi

nvidia-smi 会显示显卡型号、驱动版本与显存总量。确认满足第 1.5 节的要求：NVIDIA 显卡，显存 12GB 或 16GB+，驱动较新（支持 CUDA 12.x）。ComfyUI 便携版自带 CUDA 版 PyTorch，无需单独安装系统级 CUDA Toolkit。

若 nvidia-smi 无输出，说明显卡驱动未安装或不是 NVIDIA 显卡，需先安装驱动。

2.2 下载并解压 ComfyUI 便携版

前往 ComfyUI 网盘下载地址（网盘优先，下载速度快），或 ComfyUI 官方 Releases 页面，下载 ComfyUI_windows_portable_nvidia.7z（建议 v0.30.0 及以上版本，自带 torch 2.9.1+cu130，无需单独安装 PyTorch）：

解压到目标目录（例如 D:/ComfyUI），便携版目录结构如下：

ComfyUI/
├── ComfyUI/                 # 主程序与模型目录
│   ├── models/              # 所有模型统一放置于此
│   │   ├── diffusion_models/   # 扩散主模型（DiT）
│   │   ├── text_encoders/      # 文本/多模态编码器
│   │   └── vae/                # VAE 解码器
│   └── custom_nodes/        # 自定义节点目录
├── python_embeded/          # 内置 Python 与依赖
└── run_nvidia_gpu.bat       # NVIDIA 显卡启动脚本

2.3 启动与验证 ComfyUI

双击解压目录下的 run_nvidia_gpu.bat 启动 ComfyUI，等待终端输出启动地址后，用浏览器打开 http://127.0.0.1:8188：

# 启动后终端出现如下提示即说明启动成功
Starting server
To see the GUI go to: http://127.0.0.1:8188

提示：首次启动会加载内置基础模型（ComfyUI 默认自带一个小型文生图工作流），可在页面左侧上传或选择默认工作流，点击「运行」确认能正常出图，从而验证 PyTorch 与显卡驱动工作正常。若此处报 CUDA out of memory 或驱动错误，先解决环境问题再继续。

3. 下载并放置 MiniMax H3 模型

3.1 模型文件总览

官方整理版仓库 Comfy-Org/MiniMax-H3 的文件目录结构与 ComfyUI 的 models/ 完全一致。网盘打包资源共含 5 个文件（合计约 60GB），本教程演示的文生视频 / 图生视频场景至少需要其中 4 个 FL2VA 相关文件（合计约 40GB）：

选型要点：

• DiT 主模型使用 pruned_int8_convrot（19.5GB），是 16GB 显存的主流选择；INT8 ConvRot 相比 4bit 量化能保留更多运动细节。
• Qwen3-VL 编码器使用 nvfp4_awq（14.6GB），比 INT8 版（约 25.3GB）节省约 10GB 磁盘；编码器只做提示词编码、负载轻，8GB 显存显卡也实测可跑通。
• Ref2VA 模型教程不演示 Ref2VA 的实际生成流程，模型供第 5.3 节全模态参考模式使用。

3.2 Minimax H3模型下载

你可以从 MiniMax H3 模型网盘下载地址 直接下载模型（下载速度快），也可以使用 ModelScope 官方仓库下载，支持断点续传。先安装 modelscope 命令行工具：

# 安装 modelscope（国内源加速）
pip install modelscope -i https://pypi.tuna.tsinghua.edu.cn/simple

使用 modelscope CLI 下载 4 个核心文件到 D:/models/minimax_h3：

modelscope download --model Comfy-Org/MiniMax-H3 \
  diffusion_models/minimax_h3_fl2va_pruned_int8_convrot.safetensors \
  text_encoders/qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors \
  vae/minimax_h3_video_vae_fp16.safetensors \
  vae/minimax_h3_audio_vae_fp32.safetensors \
  --local_dir D:/models/minimax_h3

提示：若使用 ModelScope 自行下载且需要 Ref2VA，追加一行 diffusion_models/minimax_h3_ref2va_pruned_int8_convrot.safetensors 一并下载即可。

3.3 放入 ComfyUI models 目录

下载完成后，D:/models/minimax_h3 目录内是 diffusion_models/、text_encoders/、vae/ 三个子目录，与 ComfyUI 的 models/ 目录一一对应。不要整体拷贝——ComfyUI 的 models/ 下还有其他模型子目录（checkpoints/、loras/ 等），需按目录结构将每个模型文件分别拷入对应的子目录。

放置后的最终结构：

ComfyUI/ComfyUI/models/
├── diffusion_models/
│   ├── minimax_h3_fl2va_pruned_int8_convrot.safetensors
│   └── minimax_h3_ref2va_pruned_int8_convrot.safetensors   # 网盘已包含，Ref2VA 模式专用
├── text_encoders/
│   └── qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors
└── vae/
    ├── minimax_h3_video_vae_fp16.safetensors
    └── minimax_h3_audio_vae_fp32.safetensors

模型放置完成后重启 ComfyUI（关闭启动窗口重新双击 run_nvidia_gpu.bat），让程序扫描到新模型。

4. 文生视频工作流（T2V）

4.1 加载 MiniMax H3 工作流模板

ComfyUI 自带的模板库中已内置 MiniMax H3 工作流。在浏览器页面点击 浏览模板，搜索关键词 MiniMax H3，选择 T2V（Text-to-Video）文生视频工作流 并加载：

4.2 认识工作流核心节点

加载模板后，工作流会按 Models（模型加载）→ Conditioning（条件）→ Sampling（采样）→ Decoding and create video（解码与合成视频） 四段组织，核心环节如下：

• Models（模型加载）：加载四类模型——Qwen3-VL 编码器、FL2VA 扩散主模型，以及视频 / 音频两个 VAE。分别指向 models/diffusion_models/、models/text_encoders/、models/vae/ 下对应的模型文件。
• Conditioning（条件）：输入文本提示词，并通过分辨率选择器设定画布宽高比与分辨率（如 16:9、864×480）。
• Sampling（采样）：采样器负责去噪，接受编码器输出与扩散模型共同引导生成。
• Decoding and create video（解码与合成视频）：采样输出同时送入视频 VAE 与音频 VAE，最终由 CreateVideo 节点合成为带音轨的视频。

关键：要让输出包含原生音频，采样器的输出必须同时接入视频 VAE 和音频 VAE，且两者都连到 CreateVideo 节点。若只接了视频 VAE，生成的视频会没有声音。

4.3 参数配置详解

在提示词节点输入画面描述（支持中文），并核对 H3 节点上的以下参数：

H3 节点按「时长（秒）」配置，而非帧数，帧数由时长换算并受 n % 17 == 5 约束。steps（步数）不在 H3 节点上，需到 Sampling 段的采样器节点（KSampler） 中调整；H3 节点面板只含分辨率、时长、种子与模型绑定参数。H3 是 guidance-distilled（引导蒸馏）检查点，无 cfg 引导强度参数，也不支持负向提示词，模板默认配置即可。

上图是 T2V 工作流的参数面板实拍。分辨率选择器提供 16:9 / 9:16 等预设宽高比，width / height 为固定组合，由「百万像素（megapixels）× 倍数」共同决定，并自动对齐到 32 的倍数——选择百万像素后宽高即锁定，如 16:9 下 0.4MP 对应 864×480、0.5MP 对应 960×544，不能随意单独修改；下方还可设置 duration（秒）、noise_seed（随机种子），并绑定 unet_name、clip_name 与双 VAE 模型文件。

MiniMax H3 不支持负向提示词：H3 是 guidance-distilled（引导蒸馏）检查点，没有 negative_prompt。想要排除的内容（如"模糊、变形"）直接以文本形式写在提示词末尾即可，例如：

一只金毛犬在草地上奔跑，阳光明媚，写实风格，特写镜头，画面清晰，动作自然流畅，不要模糊，不要出现多余肢体

4.4 生成与导出

配置完成后，点击 「运行」 开始生成。首次生成需加载模型，等待较久属正常现象。生成完成后，CreateVideo 节点会输出带原生双声道音频的 MP4 文件。

提示：生成过程中若显存不足报 CUDA out of memory，优先将分辨率降到 864×480、时长降到约 5 秒、步数降到 8 步。16GB 显卡在 1344×768 下峰值显存约 15.6GB，接近上限，极易 OOM。

4.5 完整示例：雨夜狙击——子弹穿窗

下面以一段「雨夜狙击」短片为例，演示从分镜提示词到参数面板的完整配置过程。

场景设定

对面高层公寓楼内，目标在窗边打电话，狙击手已在对面楼顶就位。这是暗杀行动的最后一刻。

3 秒分镜

视觉

冷蓝青色调，城市夜景霓虹倒映在湿漉漉的地面，大量雨水和雾气，变形宽银幕，浅景深，胶片颗粒，写实质感。每个镜头独立角度，硬切无叠化，射击瞬间轻微镜头抖动。

音频

雨声、城市底噪、低频配乐，1s 扣扳机时无枪声只有机械咔嗒轻响，2s 玻璃炸裂时配乐爆发重低音冲击，定格后余音持续 1s 收尾。

无任何文字、字幕、LOGO、水印，非动画、非 CG 渲染，纯实拍电影质感。

将上述设定组织为一条连贯提示词输入提示词节点：

雨夜狙击，对面高层公寓楼内，目标在窗边打电话，狙击手已在对面楼顶就位，这是暗杀行动的最后一刻。
Shot 1 狙击镜视角，十字准星缓缓锁定对面窗户内走动的人影，呼吸使准星微微晃动，雨滴打在镜头上。
Shot 2 侧面中景，狙击手手指收紧扳机，脸颊贴枪托，雨水顺着他下颌滑落，眼神冰冷。
Shot 3 对面窗户玻璃猛然炸裂成碎片，子弹穿过瞬间带起气浪与碎玻璃飞溅，慢动作，目标身影向后倒去，画面在玻璃碎片定格。
冷蓝青色调，城市夜景霓虹倒映在湿漉漉的地面，大量雨水和雾气，变形宽银幕，浅景深，胶片颗粒，写实质感，每个镜头独立角度，硬切无叠化，射击瞬间轻微镜头抖动。
雨声，城市底噪，低频配乐，扣扳机时无枪声只有机械咔嗒轻响，玻璃炸裂时配乐爆发重低音冲击，定格后余音持续收尾。
无任何文字、字幕、LOGO、水印，非动画、非CG渲染，纯实拍电影质感。

参数面板

帧数受 n % 17 == 5 约束，3 秒目标取最接近的 73 帧（约 3.04 秒）。射击定格等关键帧节奏由分镜提示词控制，模型会按文字描述的镜头顺序生成。

5. 图生视频工作流（I2V）

FL2VA 检查点天然支持图像条件输入，因此图生视频无需更换模型，只需切换工作流模板并上传图像即可。

5.1 首帧图生视频（I2V）

在模板库中搜索 MiniMax H3，选择 I2V（Image-to-Video）图生视频工作流 加载。在图生视频模板中，提示词旁会有一个图像输入节点（如 LoadImage），操作步骤：

1. 上传一张首帧图片（建议分辨率 32 倍数对齐，如 832×480）
2. 在提示词节点描述画面后续运动，如"人物转身，镜头缓缓推近"
3. 点击 「运行」，模型将以该图片为起点生成后续视频

5.2 首尾帧生视频

在 I2V 工作流中额外上传一张尾帧图片，模型会在首帧与尾帧之间生成连贯的过渡视频，适合实现"起止画面确定、中间过程补全"的镜头：

5.3 全模态参考模式 Ref2VA

Ref2VA 是 H3 的进阶能力，可在同一次扩散过程中同时参考图像、视频与音频多类素材生成音视频——例如参考人物身份、动作与音色，让人物说出新的对白。它使用独立的 Ref2VA 检查点，与 FL2VA 的模型文件不通用，需要按以下步骤启用。

第一步：确认 Ref2VA 模型

Ref2VA 使用独立的 DiT 主模型（约 19.5GB），文本编码器与双 VAE 与 FL2VA 完全复用：

第二步：导入 Ref2VA 工作流

ComfyUI 默认模板库主要内置 FL2VA 的 T2V / I2V 工作流，Ref2VA 工作流需从社区仓库导入，常用仓库如下：

将仓库克隆到 ComfyUI/custom_nodes/ 后重启 ComfyUI，把工作流 JSON 拖入页面即可。

第三步：上传参考素材并编写提示词

在提示词中用标签绑定参考素材：<Picture 1> 指代第 1 张参考图、<Video 1> 指代第 1 段参考视频、<Audio 1> 指代第 1 段参考音频，并在句子中说明每个素材如何影响画面：

以 <Picture 1> 的人物作为主体，借鉴 <Video 1> 的运动方式，配合 <Audio 1> 的语音氛围，人物开口说话，镜头缓缓推近，写实风格

第四步：生成与限制

• 必须有参考素材：至少提供 1 张图像或 1 段视频；音频参考为辅助，不能作为唯一输入
• 音频/视频参考依赖：处理视频与音频参考需安装 ffmpeg 与 ffprobe 并加入系统 PATH
• 帧数约束：H3 输出帧数需满足 n % 17 == 5（24FPS），例如 124 帧约 5.17 秒，因此不存在恰好 6 秒的 H3 视频
• 身份一致性：人物身份由模型与参考素材共同约束，无硬性身份锁，长视频需在段落衔接处人工核对

建议先生成 5 秒短片段确认脸部、服装与动作符合预期，再扩展到完整时长，避免长视频返工。若暂时用不到多模态参考，先跑通 FL2VA 的文生视频与图生视频即可。

6. 总结

6.1 核心内容回顾

• 全模态模型：MiniMax H3 统一理解文本、图像、视频与音频，输出带原生双声道音频的视频，最高 15 秒 2K、24FPS
• 双检查点：FL2VA 负责文生视频与首尾帧生视频，Ref2VA 负责多模态参考生视频
• 核心架构：双 VAE（16×空间 / 4×时间压缩）、Qwen3-VL 编码器、33B DiT 生成引擎
• 三级流程：Context-IR 理解 → H3-Base 去噪生成 → Regenerate-2K 高分辨率重生成
• 消费级部署：ComfyUI 便携版 + ModelScope 官方量化模型（约 40GB），16GB 显存稳定、12GB 最低
• 两大场景：文生视频与图生视频均基于 FL2VA，切换工作流模板即可
• 完整示例：以「雨夜狙击——子弹穿窗」3 秒分镜为例，演示从提示词组织到参数面板（16:9、864×480、73 帧）的完整配置
• Ref2VA 实战：额外下载 Ref2VA 检查点（约 19.5GB），通过社区工作流以 <Picture> / <Video> / <Audio> 标签绑定多类参考素材
• 性能优化：生成提速与低显存调优详下节ComfyUI本地部署MiniMax H3性能优化教程（正在编制中，敬请期待）

6.2 常见问题与解答

问：8GB 显存能跑 MiniMax H3 吗？

答：社区验证的最低门槛约为 12GB 显存（低分辨率），8GB 显存可能无法直接运行完整模型。

问：生成视频没有声音怎么办？

答：检查工作流中采样器输出是否同时接入了视频 VAE 与音频 VAE，两个 VAE 都必须连到 CreateVideo 节点。若工作流只保留了视频解码路径，补上音频 VAE 节点即可。

问：为什么我的负向提示词没有效果？

答：MiniMax H3 是 guidance-distilled 检查点，本身不支持负向提示词。把不想要的内容（如"模糊、变形"）以自然语言写在提示词末尾，模型会在生成时主动规避。

问：生成过程中报显存不足（OOM）？

答：将分辨率降到 864×480或更低、时长降到约 5 秒；步数（steps）在 Sampling 段采样器节点（KSampler） 中降到 8 步；关闭其他占用显存的程序（浏览器、游戏、本地大模型）。保持 ComfyUI Dynamic VRAM 开启，不要添加 --disable-dynamic-vram。

问：模型可以商用吗？

答：MiniMax H3 开源协议排除了美/欧/英/韩地区的使用，中国地区可用。商用或出海前请自查协议原文，遵守当地法律法规。