全模态视频模型迎来新突破：MiniMax正式发布H3 并承诺开源权重

最近，AI大模型赛道又迎来了一位重量级玩家——MiniMax正式发布了全新的全模态生成模型

，并承诺在几天内全面开源模型权重。这一动作，显然不只是为了秀肌肉，而是试图在开源生态中占据关键位置。

这款模型支持多模态上下文输入，也就是说，你可以同时丢给它文本、图像、视频甚至声音的任意组合，最终它输出的是一段带原生双声道音频的高清视频。换句话说，你只需要提供参考素材（一段视频、一张图、一段音频），再配上自然语言指令，就能一次性完成复杂的视听内容创作——从概念到成品，一步到位。

技术架构上，MiniMax H3打破了传统多模态模型“按任务拆分专家模型”的套路。研发团队没有分设文生图、文生视频、图到视频、音频处理等独立模块，而是把所有任务整合进同一个预训练框架，端到端训练吞吐量提升了近30%。这背后，是全新的H3-Omni Transformer架构，以及重写Tokenizer后带来的H3-VAE架构，后者凭借极高的压缩率，显著降低了高分辨率下的推理成本。

定价方面，MiniMax H3在2K分辨率下的每秒价格，不到主流同类模型的三分之一。更关键的是，它从设计之初就充分考虑了对国产芯片的兼容性——这意味着在自主可控的算力环境下，也能跑得动。目前，该模型在电影片头、游戏UI动画、动态海报、广告电商等场景中已经展现出不错的应用潜力，尤其是对文字渲染和品牌信息呈现的准确度，有了明显提升。