MiniMax H3：打破任务与模态边界的开源模型
来自 MiniMax Blog · 期号 2026-07-31
摘要
MiniMax 发布通用多模态生成模型 H3，统一处理文本、图像、视频和音频。 H3 可生成最长 15 秒、2K 分辨率的视频，并自带立体声。它在指令跟随、文字渲染和 V2V 动作迁移上表现突出，面向广告、品牌、电商和游戏等场景。 价格方面，2K 分辨率下每秒价格不到主流模型的三分之一，768p 下不到主流 720p 模型的一半。MiniMax 计划近期开源模型权重。 核心技术包括 Contextual Omni Representation（用语言统一描述多模态上下文与目标视频的关系）、H3-VAE（压缩比提升 4 倍，支持原生 2K）、H3-Omni Transformer（分离理解与生成负载，训练吞吐提升近 30%）以及 In-Context Regeneration（基模型在上下文中自行重绘低分辨率输出，避免传统超分模块的细节丢失）。
深读
导读 MiniMax 发布了其第三代通用多模态生成模型 H3，统一处理文本、图像、视频和音频，可生成最长 15 秒、原生 2K 分辨率并自带立体声的视频。它在指令跟随、文字渲染和 V2V 动作迁移上表现突出，且价格仅为同类主流模型的三分之一到一半。读完本文，你能了解 H3 的核心技术设计、定价策略以及它如何试图打破以往生成模型在任务和模态之间的壁垒。 关键信息 - H3 支持原生 2K 分辨率，最长生成 15 秒视频，且音频输出为原生立体声。 - 2K 分辨率下，H3 每秒价格不到主流模型的三分之一；768p 下，价格不到主流 720p 模型的一半。 - MiniMax 计划在近期开源 H3 的模型权重，硬件兼容性从设计初期即被纳入考量。 - H3-VAE 的压缩比提升 4 倍，有效序列长度增加 4 倍，是支持原生 2K 的关键技术。 - H3-Omni Transformer 分离理解与生成负载，端到端训练吞吐提升近 30%。 - 多模态上下文理解中，单条源材料需约 100K token 的推理，蒸馏后平均压缩至约 4K token。 逐节讲解 模型定位与发布 MiniMax 推出 H3，定位为通用多模态生成模型。它能够理解文本、图像、视频和音频的统一上下文，并生成带原生立体声的视频。早期测试显示，H3 在指令跟随、准确的文字和品牌渲染以及 V2V（视频到视频）动作迁移上表现优异，面向广告、品牌、电商、产品设计、UI/UX 和游戏等商业场景。MiniMax 强调，闭源模型长期主导视频生成领域，迭代慢且生态不如大语言模型开放，因此计划在近期开源 H3 权重。 多模态上下文理解 H3 的核心能力之一是理解多模态上下文。用户可以用自然语言描述输入素材（如视频、图像、音频）与目标视频之间的关系，模型自行完成全模态理解。例如，提示词可以是“参考视频 1 的希区柯克镜头移动，让图像 2 中的角色唱歌，人声匹配音频 3”。H3 处理这种复杂指令时，单条源材料需约 100K token 的推理，蒸馏后平均压缩至约 4K token。 设计哲学：从专用走向通用 H3 的设计基于对以往生成模型局限性的反思：图像、音频、视频生成被拆分为大量专用模型（如 T2I、编辑、主体参考、运动参考等），任务和模态之间的壁垒限制了创作自由和模型的泛化能力。因此，H3 的第一原则是跨任务统一和泛化。其预训练范式包括：统一建模文本到图像、文本到视频（含联合生成的立体声音频）、文本到音频（不区分人声、音效和音乐）、以及广义的参考和编辑任务。这些参考和编辑关系通过自然语言表达，而非固定任务集，语言被视为实现泛化的桥梁。 核心技术选择 H3 的技术架构包含四个关键组件： - H3-Contextual Omni Representation：通过语言作为可泛化的桥梁，将“任务”统一为开放的描述形式，这…