Hi～新朋友，记得关注我们哟
一款可免费下载的模型为视频生成与编辑设立了新标准，但其许可协议附带了出人意料的限制。
最新消息：MiniMax 发布高清视频生成模型 H3，支持广泛的多媒体输入。该模型权重可免费下载，但美国、英国、欧盟及韩国用户需单独申请许可方可使用同等条款。目前，模型关键组件仍保持专有状态。
✴ 输入/输出：支持最多 12 个文件输入（文本 7000 字符、图片单张 30MB、音频 15MB、视频 50MB）；输出为最高 2000 像素宽、15 秒长的视频，含音频及字幕。
✴ 架构：基于 Transformer，参数量约 330 亿；配备独立的文本、音频、视频编码器及预处理器，内置 2K 视频放大器。
✴ 功能：支持视频/音频编辑、多镜头输出及六种宽高比选择。
✴ 性能：在 Artificial Analysis 视频编辑榜单居首；文生视频与图生视频任务位列第二或与榜首持平。
✴ 可用性/价格：权重免费，遵循 MiniMax H3 许可协议（含商用）；API 调用方面，2K 输出$0.13/秒，768p 输出$0.08/秒；输入成本依类型而定；提示词重生成模块收费为输入$0.90/百万 token、输出$3.60/百万 token。
✴ 未披露：确切参数量、训练数据集及技术报告细节。
工作原理
H3 架构解析：模型由上下文处理系统、视频/音频生成基础模型及高清放大器三大模块组成。仅基础模型开放权重下载，且附带限制。
✴ 数据训练：基于“真实自然数据”训练以确保质量与扩展性。所有音频类型（人声、音乐、音效）通过单一编码器联合建模；参考与编辑功能采用自然语言指令而非固定预设；早期即融合多模态数据。
✴ 生成模式：支持文生视频、首/末帧图片生成视频，以及图片、音频、视频参考的任意组合。例如，可指定静态图片开头，参考多段视频的运镜与音轨，并配合文字描述场景。
✴ 上下文处理（H3-Context-IR）：该推理模块解读提示词与输入媒体，生成新指令指导基础模型融合内容。完整 API 用户可直接受益于此模块的自动化处理。
✴ 基础生成：基础模块输出 768p 视频（最大 21:9 宽高比下为 1792x768 像素），通过三个独立编码器分别处理文本、视频和音频，并由变分自编码器辅助视频编码。
✴ 高清放大（H3-Regenerate-2K）：将 768p 视频原生重构至 2K 分辨率（宽 2000 像素，最长 4667 像素）。优化后的提示词结合原始媒体参考，有效补足细节而非简单外推。
✴ 许可限制：商业应用须显著展示模型名称；禁止基于输出蒸馏新模型；严禁违法、危害未成年人或干扰选举等用途。美、英、欧、韩被列为“排除地区”，当地用户需申请许可以确保合规。
新闻背后
MiniMax H3 在一对一人类偏好 ELO 评分中稳居前三，与 Google Gemini Omni Flash 及字节跳动 Dreamina Seedance 2.0 并列。Black Forest Labs 的 FLUX 系列虽曾有开放权重版本，但最新的 FLUX 3 转为专有 API 模式，其独立性尚待验证，不过官方测试显示其具备冲击最先进水平的潜力。Dreamina Seedance 2.5 同样处于待测阶段。
重要原因
尽管面临严格的许可限制及异常的地区壁垒，MiniMax H3 无疑是一款顶尖的视频生成模型。它为商业用户提供了强大多样的工具集，足以媲美 Google 高昂的竞品，同时也揭示了顶级视频模型的内部运作机制。MiniMax 放弃合成数据策略（尤其在高质量视频转录稀缺的背景下），并将提示词优化整合进流水线的做法，已被证明行之有效。
我们在想
在当前 AI 发展的复杂环境下，除法律合规需求外，按国家限制模型权重的获取缺乏合理依据。此举违背了“开放性”的核心定义——即任何人皆可下载、理解并使用模型。我们希望此类限制不会成为行业趋势。
点击下方阅读原文查看更多有趣内容哦~
