H3-World：把语言理解变成世界控制
来自 arXiv · 期号 2026-09-02
摘要
视频生成模型越强，语言就越自然地成为控制接口。MiniMax-H3 已经能用自然语言零样本控制角色行为和镜头运动，但控制是粗粒度的。 H3-World 把每个动作拆成角色指令和镜头指令的结构化组合，再与对应的视频隐空间时间段对齐。它引入时间注意力路由，让每条指令只影响自己所属的时间区间，避免动作之间的控制泄漏。 关键是不需要新增专用的动作模块：直接复用视频预训练中学到的语义表征，只做轻量适配。用 8000 条游戏样本、10000 步 LoRA、0.199% 的可训练参数，就实现了精细的角色和镜头控制，生成质量基本不变，还能泛化到未见过的场景。 论文附了开源代码。