ARTICLE · 人工智能
MiniMax H3：打破任务和模态边界的开放模型
一语总结MiniMax 发布全模态生成模型 H3，支持文图视音统一理解与原生双声道音视频输出，最高 15s 2K 分辨率，并计划开放模型权重。
MiniMax 今日正式发布 H3，这是一种通用的全模态生成模型，能够统一理解文本、图像、视频、声音的多模态上下文，并输出具备原生双声道的音视频，最高支持 15 秒 2K 分辨率。文章详细介绍了 H3 的核心技术，包括 Contextual Omni Representation、H3‑VAE、H3‑Omni Transformer 以及 In‑context Regeneration，并说明这些设计如何实现任务泛化与算力效率提升。根据邀测反馈，H3 在指令遵循、文字与品牌信息呈现、V2V Motion Transfer 等方面表现出色，适用于广告、品牌、电商、产品设计、UI/UX、游戏等商业场景，且在 2K 分辨率下每秒成本不到主流模型的三分之一，768P 下不到一半。为推动开源生态和国产芯片适配，MiniMax 计划在符合法律法规的前提下，近期开放模型权重。
- 统一多模态理解与生成
H3 通过 Contextual Omni Representation 实现对文图视音的联合建模，使语言成为跨模态任务的泛化桥梁，统一处理输入与输出。
- 核心技术提升效率与质量
采用 H3‑VAE 大幅提升 tokenizer 效率、H3‑Omni Transformer 实现异构理解‑生成架构、In‑context Regeneration 超越传统超分，整体训练吞吐提升约 30%。
- 商用表现与成本优势
邀测显示在指令遵循、品牌信息呈现、V2V Motion Transfer 等方面表现出色；2K 分辨率每秒成本不到主流模型的 1/3，768P 低于一半。
- 开放计划与生态目标
计划在符合法律法规前提下开放模型权重，兼容多款国产芯片，旨在推动开源社区发展并促进产业应用。
MiniMax H3：打破任务和模态边界的开放模型
MiniMax 今日正式发布 H3，这是一种通用的全模态生成模型，能够统一理解文本、图像、视频、声音的多模态上下文，并输出具备原生双声道的音视频，最高支持 15 秒 2K 分辨率。文章详细介绍了 H3 的核心技术，包括 Contextual Omni Representation、H3‑VAE、H3‑Omni Transformer 以及 In‑context Regeneration，并说明这些设计如何实现任务泛化与算力效率提升。根据邀测反馈，H3 在指令遵循、文字与品牌信息呈现、V2V Motion Transfer 等方面表现出色，适用于广告、品牌、电商、产品设计、UI/UX、游戏等商业场景，且在 2K 分辨率下每秒成本不到主流模型的三分之一，768P 下不到一半。为推动开源生态和国产芯片适配，MiniMax 计划在符合法律法规的前提下，近期开放模型权重。
文章金句
"这是一款通用的全模态生成模型，支持对文本、图像、视频、声音组成的多模态上下文的统一理解能力、能够输出具备原生双声道的音视频，最高可支持 15s 2K 分辨率。
"根据前期的邀测反馈，MiniMax H3 具备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 Motion Transfer（视频到视频动作迁移）等方面表现出色，可实现精准、可控的多模态内容编辑与生成。
"我们默认提供 2K 的分辨率，模型在 2K 分辨率下每秒价格不到主流模型的 1/3， 768P 分辨率下不到 1/2。
"我们计划在未来几天内，在符合相关法律法规的前提下，开放模型权重。