MiniMax H3 是什么——开放的全模态视频模型

TL;DR

• MiniMax H3 是全模态视频生成模型——一个把文本、图片、视频和音频当作同一段上下文来读的开放权重系统，一次前向就返回一段带同步立体声的成片，2026 年发布在 Hugging Face 上。

• 它最高生成 2K 分辨率、15 秒、24 FPS 的视频，32 kHz 立体声由同一个 diffusion transformer 原生产出，而不是后期配音。

• 发布两个检查点：FL2VA（文本 / 首帧 / 尾帧转视频）和 Ref2VA（参考转视频，单次请求最多 9 张图、3 段视频、3 个音频）。

• 按官方 MiniMax 定价页，价格从 2K 每秒 $0.13、768p 每秒 $0.08 起。

• 开放权重只覆盖 H3-Base：H3-Context-IR 预处理模块与 2K 重生成模块目前仍仅限 API。

1. 为什么通用视频模型会改写游戏规则

视频生成这两年一直在向细分工具碎裂。文生视频用一个模型，图生视频用另一个，剪辑现有片段用第三个，动作迁移用第四个，人声、音效和音乐还得单独一条管线、最后在后期里合成。每个工具只理解你意图的一小片，于是真正的制作工作意味着把五家服务缝在一起，还要祈祷它们对「主体长什么样、镜头怎么运动、场景该是什么氛围」有一致的理解。

MiniMax H3 是想把这一整套栈压扁的一次尝试。它在 2026 年 7 月 31 日发布，基础模型权重于 8 月 3 日上架 Hugging Face——这是对视频生成界长期闭源姿态的一次刻意反叛。这个模型最具分量的主张不是它产出最照片级真实的画面（多位评测者说它并不是），而是一个模型能在同一段上下文里装下文本、参考图、参考片段和音频，并从这一切里一致地生成一个视听结果。从「任务专属模型」到「通用多模态系统」的这个转变，才是值得理解的部分——因为它改变了你能自动化哪些工作流，以及一个小团队需要维护多少种工具。

这个套路对见证过 LLM 品类整合的人来说很眼熟：前沿实验室先抢跑定义品类，然后开放权重登场，生态系统——推理框架、硬件厂商、社区工作流——几天之内就跟了上来。视频生成如今正处在同一个拐点，而 H3 是第一个认真把手权重交出来、而不是锁在 API 后面的全模态模型。Kimi K3 开放前沿模型权重时我们写过类似的拆解；H3 就是那个故事的视频版。

2. MiniMax H3 定义

2.1 核心定义

MiniMax H3 是一个通用、全模态的生成系统。它接受由文本、图片、视频和音频组成的多模态上下文，理解这些输入之间的关系，一次前向就生成带原生立体声的视频。这里的「全模态（Omni-Modal）」不是时髦词——它意味着同一个 transformer 同时预测视觉潜变量和音频潜变量，所以音轨是与画面联合生成的，而不是事后补的。

2.2 输出规格

2.3 H3 不是什么

H3 不是分辨率冠军。它的上限是 2K，而 Kling 3.0、Veo 3.1 这些对手已经原生提供 4K，所以需要影院级交付物的制作公司会另寻他处。它也不是 Sora 或 Seedance 那种纯文生视频模型：它最具辨识度的模式 Ref2VA 最多吃进十二个混合资产——图片、片段和音频——把它们织成一段连贯输出。如果你习惯用「服务什么细分任务」来定义视频模型，H3 更适合理解成它自成一类：一个通用的生成兼编辑系统，它的输入更像一份制作简报，而不是一句画面说明。

3. MiniMax H3 怎么工作

完整的 H3 系统由三个模块组成。H3-Context-IR 是托管的预处理与编排层：解读一份自由形式的多模态简报——解析指令、厘清图片与音频之间的关联、建立时间理解——并把自己的理解序列化成生成器能消费的结构化中间表示。H3-Base 是开放权重生成器：吃进这份表示，产出 768p 的视听结果。H3-Regenerate-2K 把 768p 输出连同原始上下文一起再喂回 H3-Base 自身，借助模型自己的生成能力恢复细部（小字、logo、纹理）——这些细节换作传统超分只能靠猜。

底层来看，H3-Base 是一个 330 亿参数的稠密单流 transformer，其中约 130 亿参数在自适应层归一化（AdaLN）分支里——这些分支在推理时可以预计算并缓存，Hugging Face 模型卡里有记载。文本由构建在 Qwen3-VL-32B 完整预训练权重之上的 H3-Encoder 编码；视觉经过时间因果的 H3-VisualVAE（16× 空间、4× 时间压缩，24 个潜通道）；音频经过 H3-AudioVAE，把 32 kHz 音频压成 40 Hz 的 token 流，每个立体声通道分别编码解码。transformer 用三维多模态旋转位置编码（MM-RoPE）表示时间、高度、宽度三个维度的位置，并原生支持长序列的稀疏注意力——不过当前开放版本跑的是全注意力，稀疏注意力的实现承诺在后续更新中推出。

一个值得留意的设计决策是：注意力层和前馈层里没有任何模态专属的结构，所有模态专门化都在输入/输出层和 AdaLN 分支里。这就是为什么单个模型能在文生视频、首尾帧生成和十二资产参考生成之间无缝切换、无需架构级大改——也是为什么 MiniMax 能把整个东西蒸馏成任务专属检查点，每个都自带处理器、tokenizer、文本编码器、视觉 VAE 和音频 VAE。

4. MiniMax H3 vs Seedance 2.0 vs Kling 3.0

自然的对比组是字节的 Seedance 2.0、快手的 Kling 3.0 和 Google 的 Veo 3.1——社区测试里 H3 最常被拿来与这几款较量。下表是简化的：分辨率和价格可以跨产品直接比，但音频质量、剪辑保真度和指令遵从性很难压进一个单元格，所以这几行只作方向性参考。

价格是 H3 真正有颠覆性的地方，也是这次发布最实在的标题：MiniMax 给 2K 输出定价每秒 $0.13、768p 每秒 $0.08（官方目录价，链接见上），而 Seedance 2.0 的 720p 输出接近每秒 $0.24（2026 年 7 月的第三方估算）。说得直白些：比起大多数人原本在用的模型，H3 用更低的单价给了你更高的分辨率。一段 15 秒的 2K 片段，H3 上大约 $1.95；Seedance 上 720p 则要约 $3.60——而如果把「Seedance 还得另接一条音频管线、H3 却同一次请求就带上声音」也计入，差距会更大。

公平地说，H3 并非每个维度都赢。Seedance 2.0 在电影张力和高冲击力动作场面上仍是更强的选择——多位把两者并排测过的中文评测者都认为 H3 的高张力镜头偏弱，这与 H3 刻意用稳定性换视觉奇观的设计取舍一致。Kling 3.0 在高级运动控制上仍占优，并原生提供 4K——这对广播电视级交付很重要。Veo 3.1 虽未入表，仍在多项盲测里领跑纯画面写实度。这场对比的重点不是 H3 全面碾压——而是 H3 在大多数维度能与第一梯队竞争，同时开放权重、价格还低一大截。

5. 「开放权重」到底开放了什么

视频生成领域的开放权重发布有信誉问题，因为过去的承诺常常最后变成「一篇博客 + 一个等候名单」。H3 的发布是真的，但是部分的——这个区别对打算本地部署的人很重要。MiniMaxAI/MiniMax-H3 仓库里可下载的是 H3-Base 模块，分发为两个任务专属检查点（FL2VA 和 Ref2VA），各自自包含处理器、tokenizer、文本编码器、视觉 VAE 和音频 VAE。模型经由 SGLang、vLLM、diffusers 和 ComfyUI 提供服务，推荐四卡 GPU 配置；硬件兼容性从一开始就被列为设计优先项，覆盖华为昇腾、AMD、Intel 等主要芯片厂商，Hugging Face、ModelScope、ComfyUI 等推理平台也在发布当天就绪——见 vLLM 的 H3 recipes 页。

不开源的是系统的其余部分。H3-Context-IR 是一个托管的多阶段工作流，依赖多个 MiniMax 服务，所以留在 API 后面；H3-Regenerate-2K 同样尚未发布，只提供了一个 API 用于验证官方 2K 结果。已发布检查点跑全注意力；让长上下文推理变便宜的稀疏注意力实现安排在后续更新。落到实践上：开发者可以在本地部署 H3-Base、复现 768p 结果，也可以把本地生成与 Context-IR API 组合起来逼近完整的 2K 工作流——但端到端的完整体验仍然部分受制于 MiniMax 的服务器。

许可协议是「开放」的另一半。H3 采用 MiniMax H3 社区许可发布：年营收 2,000 万美元以下的组织可免费商用，需署名；非商业使用免费——详见官方 MiniMax H3 许可文本。这个门槛覆盖了大多数独立工作室和自由职业者，但对已融资团队是实打实的约束，所以在它之上做产品之前先读许可文本。任何开放权重模型都一样：「可下载」和「商用不受限」是两个问题。

6. H3 的短板在哪

发布以来社区反馈正面但犀利，批评集中在三个值得认真对待的方向。第一是分辨率：没有 4K 路径，对客户要影院或广电级交付物的团队来说，2K 是天花板而不是卖点。第二是电影张力：多位并排测过 H3 与 Seedance 2.0 的评测者指出，需要极致视觉冲击的镜头在 H3 上更弱——这是它稳定优先设计付出的代价。第三是细部渲染：虽然文字和 logo 渲染比上一代进步巨大，但极小的文字和极其繁复的细节有时仍会崩坏——任何单次生成都别不经过 QA 就当成可交付。

还有一个更微妙的局限，恰恰来自 H3 最大的优点。它的指令遵从非常激进——评测者一致说「你说什么，它做什么」——这对需要精确文字控制的视觉包装工作堪称完美，但也意味着模型偏向忠实执行、而不是发挥性诠释。如果你的创作流程指望模型自己添上电影化的诠释，H3 会让你觉得它太「字面」。另外，对今天就想本地部署的人，Context-IR 模块的缺席是实际瓶颈：你能生成，但要复现托管工作流的完整质量，就得留着一条 API 依赖。

7. 谁该用 MiniMax H3

H3 最明显的适配是那些「一致性 + 迭代速度比剧场奇观更重要」的商业内容创作。广告与品牌团队能把静态海报变成带动态 logo 花字的动效广告；电商团队能生成标签清晰、纹理细节到位的产品视频——这里 2K 输出真有帮助；UI/UX 团队能得到大多数视频模型都会搞砸的可读屏上文字。参考系统——最多十二个资产，组合图片、片段与音频——让它在跨镜头角色一致性上格外强，这也是时尚与美妆 campaign、首尾帧过渡成为流传 demo 案例的原因。

对单人创业者和小型工作室来说，开放权重加上价格，组合成一条三个月前还不存在的工作流：晚上迭代简报，用一杯咖啡的钱生成一段带同步音频的 2K 片段，只有选择自托管时才为 GPU 算力付费。主要的注意事项前面都讲过了——没有 4K、高张力镜头偏弱、开放栈不完整——所以核心业务是电影感的团队，应该让 Seedance 或 Kling 留在轮换里，而不是整体迁移。

8. 结语

MiniMax H3 之所以重要，不是因为它在分辨率竞赛里赢了，而是因为它是视频生成碎片化问题第一个可信的答案。一个开放权重模型，把文本、图片、视频和音频装进同一段上下文，返回带原生声音的连贯 2K 片段——这是真正不同的工具形态，而且价格还压过了闭源对手。取舍是真实的——没有 4K、电影张力偏软、系统只开放一半——但那是第一代通才型产品的取舍，不是一个没交付出来的失败品。

对小团队来说，务实的做法是在决定 API 或自托管之前先跑一段 5 秒测试片：按顺序检查主体一致性、镜头运动和音频，然后再加参考。如果你对更大的图景感兴趣——前沿开放权重进入主流创作工作流——我们对 Kimi K3 开放前沿模型和 vibe-coding 一条提示词游戏两篇的拆解，覆盖了这条弧线的另外两端。在 Agent 那一侧，「一个系统、统一上下文」的同一套哲学正是 agentic calendar 的驱动力——无论输出是一段视频还是一个工作周，你的上下文就是运行时。