MiniMax H3正式发布：首款开源多模态模型，2K/15秒视频生成仅0.8元/秒，视频编辑能力全球第一
7 月 31 日消息，MiniMax今日正式发布新一代全模态生成模型 MiniMax H3，并宣布将在未来几天内开源模型。
H3 支持文本、图像、视频、音频的统一理解与生成，可输出最高 2K 分辨率、最长 15 秒的音视频内容。在 Artificial Analysis 视频模型榜单中，H3 的视频编辑能力排名全球第一。
定价方面，H3 2K分辨率视频生成仅 0.8 元/秒，只有主流旗舰模型的三分之一。这是国产视频生成大模型首次向社区开源，多模态生成模型有望成为通用助手。
MiniMax H3生成的广告视频
模型信息
项目 | 详情 |
模型定位 | 通用全模态生成模型（首款开源多模态模型） |
输入模态 | 文本、图像、音频、视频（支持多模态上下文统一理解） |
输出 | 原生双声道音视频 |
分辨率 | 最高 2K 直出 |
时长 | 最长 15 秒 |
视频编辑能力 | Artificial Analysis 视频模型榜单 全球第一 |
开源计划 | 未来几天内开放权重（国产视频模型首次开源） |
价格 | 2K 分辨率 0.8 元/秒，不足主流旗舰 1/3 |
全模态理解
H3 的最大突破在于参考类型不只是图片、视频、声音，编辑和参考不再单一，而是在多模态上下文中统一理解。用户多种类型的素材放在同一上下文中，由模型统一理解画面、声音、文字、创作要求，再完成内容生成或编辑。
例如输入视频1、图片1和音频1，即可得到2K画质的唱歌视频。
视频1
图片1
音频1
成品
H3 在指令遵循、文字与品牌信息呈现、视频到视频动作迁移 等方面表现出色，能可控地实现多模态内容编辑与生成。广泛适用于广告、品牌、电商、产品设计、UI/UX、游戏等商业场景。
技术亮点
上下文重生成 ：H3 的 2K 视频输出没有使用常规超分模块，而是让基础模型对自己的低分辨率结果进行重新生成。这最大程度复用基模的生成能力，还能还原传统超分方案无法靠猜恢复的细节信息。
技术栈：上下文全模态表示、H3-VAE、H3-Omni Transformer、In-context Regeneration 等。其中 H3-VAE 的高压缩 Tokenizer 实现了 4 倍有效序列长度增益，大幅降低训练和推理成本。
训练优化：针对视频长度、分辨率和多模态理解与生成负载差异较大的特点，MiniMax 在异构训练、负载均衡和 GPU 利用效率等方面进行了系统优化。
开源生态
H3 是 MiniMax 推出的首款开源多模态生成模型，公司此前已开源三代 M 系列文本模型。
MiniMax 相关负责人表示：“H3 将于未来几天内开源，企业可以在本地灵活部署……芯片厂商和开发者也能共同参与适配和优化，降低使用成本，扩大应用范围。 ”
截至发稿，MiniMax（0100.HK）股价涨超 14%，市场对 H3 的发布给予了积极反馈。
结语
从 Hailuo 01 到 Hailuo 02，再到今天的 H3，2K 分辨率、15 秒时长、0.8 元/秒的价格、即将开源的权重，MiniMax 正在将视频生成推向商业级。
H3 今日起已在官方平台上线，随着权重开源，国产模型的生态协同将进入一个全新阶段。
塔猴是一个专业的AI接单平台，汇聚海量真实商单。所有商单均经人工审核认证，真实有效。入驻零门槛，零保证金，交易通过三方监管账户托管，专业运营团队全流程参与交付，阶段验收达标后结款。
同时，塔猴也为想提升技能的用户提供AIGC实战课程与前沿资讯，让你在学习和实战中成长。
