视频生成这块，跟大语言模型比一直是另一幅光景：闭源模型长期占主导，迭代慢、生态封闭。7 月 31 日 MiniMax 发布全模态生成模型 H3 时说要开权重，今天HuggingFace 上真放出来了——58 个权重文件、两个模型变体，配套 diffusers、vLLM、ComfyUI 的部署说明都齐了。
H3 最值得说的能力：一个模型同时吃文字、图片、视频、声音四种输入，直接吐出带原生双声道的视频，最高 2K、15 秒。画面和声音由同一个主干一起生成，中间没有配音这道工序。
官方给了个例子能说明它想干什么。你可以这样下指令："参考视频 1 的希区柯克镜头运动，让图 2 里的人物唱歌，歌声参考音频 3"。三个不同模态的素材加一句自然语言，模型自己搞清楚它们和目标视频的关系。
01它把一堆细分任务合并了
要理解 H3 的思路，得先看过去视频生成是怎么被切碎的。
图片生成里，文生图、编辑、主体参考、动作参考、风格参考各是一个专家模型；声音生成里，人声、音效、音乐分属不同领域；视频这边更碎——文生视频、图生视频、首尾帧、主体参考、动作参考、音色参考、视频编辑，每个都是独立功能。模态之间还隔着一道墙。
MiniMax 认为这种切割既限制了用户的自由度，也从训练范式上限死了模型的泛化能力。所以 H3 的第一纲领就是任务的统一：预训练阶段就把文生图、文生视频、文生音频（不区分人声音效音乐）、以及各种"参考和编辑"（图到图、图到视频、音频到音频、音视频到音视频）混在一起训，还原生支持多镜头建模。
它对"参考和编辑"的定义值得留意：完全由真实自然数据构成，且由自然语言来表述参考和编辑的关系，不局限于有限的任务类型。官方的原话是，语言是泛化的桥梁。
过去每种玩法一个专家模型，H3 把它们混进同一次预训练
这带来的变化是使用方式——创作者可以直接用自然语言描述任务，而不只是写一段画面提示词。
02三段式系统，但开源的只是中间那段
H3 完整跑起来是三个模块串成的流水线，官方这张图画得很清楚：
MiniMax H3 系统总览：Context-IR 理解上下文 → H3-Base 生成 768p → Regenerate-2K 重生成高清（图源：MiniMax 官方 HF 模型卡）
- ▪H3-Context-IR：把你那堆自由格式的多模态输入（文字、图、音频、参考视频）读懂，理清它们之间以及它们与目标视频的关系，转成结构化的中间表示。
- ▪H3-Base：拿中间表示生成 768p 的音视频。
- ▪H3-Regenerate-2K：把 768p 结果连同原始上下文一起喂回模型，重新生成 2K 版本。
这里有个必须说清的点：开源的是 H3-Base，第一段的 Context-IR 没有开源。官方给的理由是它依赖多阶段工作流和多个托管模型服务，替代方案是提供 API，或者你照着官方的 Prompting Guidance 自己搭一套上下文处理系统。而官方自己强调 Context-IR 对最终质量非常关键、强烈建议接进流水线。
同样没在首发里的还有稀疏注意力实现——H3 原生支持稀疏注意力训练和推理，但这次开源只提供全注意力推理，稀疏版本后续更新。
所以说"开源"要打个折扣：核心生成模型给了，但要复现官方那套完整效果，你得自己补上理解层。
032K 不靠超分，靠自己重画一遍
技术上有两处选择挺有意思。
第一是 2K 的做法。 常规方案是接一个专用超分模块，H3 没这么干，而是让基模对自己的低分辨率结果做 in-context 的重新生成。好处是能复用基模已有的生成能力，更关键的是——重生成时还能再次利用原始的多模态上下文信息。官方点了个很实在的例子：传统超分靠"猜"还原不了的小文字和细节，这种方式能还原。
第二是它重做了 tokenizer。 H3-VAE 相比前代在重建和易学性上全面提升，高压缩率带来了 4 倍的序列长度收益，大幅降低训练和推理成本。这也是它能默认提供 2K 的关键。
H3-Base 架构：文本走 Qwen3-VL-32B 编码，视觉和音频各走 VAE，打包成统一序列后由 33B 的 Omni Transformer 联合去噪，最后解出同步的视频和立体声（图源：MiniMax 官方 HF 模型卡）
架构图里几个细节值得单独拎出来：文本编码器直接用了 Qwen3-VL-32B 的完整权重，取第 50 层的隐状态；主干是 33B dense 的单流 Transformer，视频和音频的 latent 由同一个主干联合去噪——这就是"原生双声道、音画同步"的来源；音频 VAE 是 32kHz 立体声。
MiniMax 还提到，他们放弃了给自己带来过显著优势的 Hailuo-02 架构，因为它在以任务泛化为核心的模型定义里会带来额外复杂度。原话是：架构技巧应为模型定义让路。这种取舍写在公开博客里，比堆参数更能说明团队在想什么。
工程侧还有一个数字：由于引入多模态上下文，序列长度方差大了 3 倍，理解和生成部分的计算负载也变得异质，他们用理解与生成异构的训练架构，端到端把训练吞吐提升了近 30%。
04打的是价格，不是跑分
这次发布有个特点：从官方博客到 HuggingFace 模型卡，全程没有一个 benchmark 分数。
没有跑分表，没有跟同行的对比图。能力主张全是定性表述——"商用级的多场景内容生成能力"、在指令遵循、文字与品牌信息呈现、V2V 动作迁移方面"表现出色"。所以别人说它 SOTA 的，你可以直接不信，官方自己都没这么讲。
它明确摆出来比的是价格：默认提供 2K 分辨率，2K 每秒价格不到主流模型的 1/3，768P 则是主流模型 720P 的一半。不过要注意，这个"主流模型"官方没有指名道姓，价格数字也是自报的。
还有一处信号值得国内读者留意：官方明说 H3 在设计初期就考虑了多款现有国产芯片的兼容性，开权重的动机之一就是加速国产芯片适配。这条比价格更有意思——它指向的是推理侧不被单一硬件卡住。
05用之前要知道的几件事
先说部署门槛。示例配置是 4 卡 BF16，家用单卡基本别想。支持 SGLang、vLLM、diffusers、ComfyUI，生态适配算给得全。
协议要看清楚。 不是 Apache 或 MIT，是 MiniMax 自定义的 H3 Community License，HF 上标的是 license: other。商用前务必自己读条款，别默认它等同于标准开源协议。
输出规格是明确的：4–15 秒、24 FPS、32kHz 立体声、短边默认 768p（2K 要走 Regenerate 模块）、支持 21:9 到 9:16 各种比例、对话语言稳定支持 11 种。参考模式下最多喂 9 张图或 3 段视频、3 段音频，所有文件加起来不超过 12 个。
难得的是官方自己列了三条不足：多模态上下文理解还有很大提升空间（后续要和 M 系列语言模型融合）、模型规模仍需 scaling、部分场景画面精细度不够。承认局限这件事，K3 和 Inkling 发布时也做过，正在成为国产模型发布的一种风格。
视频生成长期是闭源的地盘，理由也充分——训练贵、数据敏感、变现路径清晰。现在国内团队把一个能出 2K 带立体声的全模态模型的权重摆上了 HuggingFace，还顺手把国产芯片适配写进了动机。至于它到底好不好用，等第三方跑起来就知道了——权重已经在那儿，这次不用靠猜。
项目地址HuggingFace 权重：https://huggingface.co/MiniMaxAI/MiniMax-H3
官方发布博客：https://minimaxi.com/blog/minimax-h3在线体验（海螺）：https://hailuoai.com
