この記事について（広告・アフィリエイトリンクはありません）
使ったソフトとモデルは、すべて無料で入手できます。試した環境の一覧は検証の記録にあります。
ComfyUI-Sol-Sampler は、MiniMax H3 で、前半を半分の解像度で、後半を本来の解像度で、1回のサンプリングの中で計算するサンプラーです。1.5メガピクセル（1632×928）・5秒の動画が、通常の56〜103秒より速い約49〜56秒でできました。
ComfyUI 本体の Sol-Attn（まばらな注意計算）だけでも、ふつうの計算の225秒が103秒になりました。ただし、3メガピクセルでは Sol Sampler のほうが遅くなりました（362秒と293秒）。所要時間は1時間ほど、難しさは中級〜上級です。
先に結論（今回のテスト条件で）
| 解像度 | 方法 | 時間 | GPU メモリの最大 |
|---|---|---|---|
| 1.5MP（1632×928） | 通常・dense（ふつうの注意計算） | 225.2秒 | 30.4GB |
| 1.5MP | 通常＋Sol-Attn | 103.3秒 | 30.4GB |
| 1.5MP | Sol Sampler（Haar LL） | 56.3秒 | 30.6GB |
| 1.5MP | Sol Sampler（bilinear） | 48.5秒 | 30.1GB |
| 3MP（2304×1280） | 通常＋Sol-Attn | 293.1秒 | 31.7GB |
| 3MP | Sol Sampler（Haar LL） | 362.3秒 | 31.5GB |
MiniMax H3 fl2va int8 ＋ Pika H3 Flex LoRA、9ステップ（Sol Sampler は低解像度5＋高解像度4）、lcm、124フレーム（約5秒）。時間はモデルを読み込んだあとの ComfyUI の実行時間です。
Sol-Sampler とは？
ANe5s/ComfyUI-Sol-Sampler は、ComfyUI 標準の「Model Sparse Attention（Sol-Attn）」と組み合わせて使うサンプラーです（Apache-2.0、潜在のアップスケーラーの部分は上流の MIT）。2026年10月28日に公開され、11月7日時点のスターは7です。
Sol-Attn は、計算の最初は全体を見て（dense）、途中から重要な部分だけを見る（sparse）ように切り替えて速くする仕組みです。Sol Sampler は、その最初の重い時間を半分の解像度で済ませ、H3 の潜在アップスケーラーで2倍にしてから、残りを本来の解像度で計算します。低解像度のノイズは、高解像度のノイズから作る（Haar LL か bilinear）ので、1本の流れとしてつながります。
つなぎ方
- UNETLoader → LoRA → ModelAttentionBackend（pytorch attention）→ Block Sparse Attention（method: sol-attn、tau 1.3）→ BasicGuider と BasicScheduler（9ステップ）
- Sol-Attn Progressive Sampler（lcm、lowres_steps 5、lowres_scale 0.5、Minimax H3 3D）→ SamplerCustomAdvanced の sampler
- 潜在アップスケーラー minimax_h3_latent_upscaler_3d_conv_v1_bf16 を
models/latent_upscale_modelsに入れる
作者の例のワークフローは、KJNodes の VRAM_Debug、MiniMax Chunk FeedForward、映画風の LoRA も使っています。今回はそれらを外し、ComfyUI 標準のノードと Sol Sampler だけで組みました。
1.5メガピクセルで比べる
吹雪の尾根を登る救助隊員の5秒の動画で比べました。
通常の2つ（dense と Sol-Attn）は、ほぼ同じ絵でした。Sol-Attn だけで、時間は半分以下になりました。Sol Sampler は、低解像度の段階で構図が決まるため、同じシードでも構図が変わりましたが、細部の質は同じくらいでした。Haar の最後のフレームでは、左手にもう1本ピッケルのような形が出ていました。
3メガピクセルでは遅くなった
2304×1280 では、Sol Sampler が362秒、通常＋Sol-Attn が293秒で、Sol Sampler のほうが遅くなりました。GPU のメモリが最大31.5GB とほぼいっぱいで、潜在アップスケーラーの処理や、メモリの出し入れに時間がかかったと考えられます。作者の実測は RTX 5070（12GB）で、メモリの少ない環境での効果を主に示しています。
導入
cd ComfyUI\custom_nodes
git clone https://github.com/ANe5s/ComfyUI-Sol-Sampler追加のパッケージは要りません。ComfyUI 本体に Block Sparse Attention（nodes_sparse_attention）が入っている版が必要で、今回は 0.43.2 で試しました。
H3 と Pika H3 Flex の導入はH3 の導入編とPika H3 Flex の記事で説明しています。ほかの高解像度化の方法は、Relay-VSR の記事やH3 の 2K 潜在アップスケールの記事で試しています。
商用で使える？
ノードは Apache-2.0（アップスケーラーの部分は MIT）です。作った動画の扱いは MiniMax H3 本体の規約（H3 Community License）に従います（導入編で説明しています）。
よくある質問（FAQ）
Q. Sol-Sampler とは？
MiniMax H3 で、前半を半分の解像度、後半を本来の解像度で、1回のサンプリングで計算するサンプラーです。ComfyUI 標準の Sol-Attn と組み合わせて使います。
Q. どれくらい速くなる？
RTX 5090 で、1.5MP・5秒の動画が、通常＋Sol-Attn の103秒に対し49〜56秒でした。3MP では逆に遅くなりました。
Q. Sol-Attn だけでも効果はある？
あります。ふつうの注意計算の225秒が、Sol-Attn で103秒になりました。絵はほぼ同じでした。
まとめ
Sol-Attn と Sol Sampler の組み合わせは、1〜2メガピクセルの H3 の動画で大きく時間を縮めました。メモリがいっぱいになる大きさでは逆効果だったので、解像度に合わせて使い分けます。
まず Sol-Attn。1.5MP くらいなら Sol Sampler を足す。3MP では通常のほうが速い。
検証メモ
- 設定：作者の FL2VA の例をもとに、9ステップ（simple）、lcm、シード 20261004、Block Sparse Attention は sol-attn・tau 1.3・0.2〜1.0・min_tokens 12288・extra_tokens 256・exact_kv_and_rows。dense は Block Sparse Attention を外したものです。
- 時間：最初の1回（モデルの読み込み込み、150秒）は表から外しています。
- 試していないこと：REF2VA、LoRA なし、2MP・8秒など作者の表の条件、RelayHires など他の二段階の方法との同じ条件での比較、upscaler_layerwise_cpu_offload。
