MiniMax H3震撼发布：33B全模态视频模型开源，2K立体声+消费级显卡可跑

一、33B全模态：一个模型搞定文本、图像、视频、音频

H3与以往视频生成模型最大的不同在于——它不是一个"视频模型"，而是一个"全模态生成系统"。

过去的视频生成模型通常将文生视频、图生视频、主体参考、动作参考、视频编辑拆分成独立模块，图像、视频、音频之间也有清晰的边界。H3的做法是在预训练阶段就把这些任务统一建模，用自然语言描述任务关系，而不是为每种任务单独训练一个专家模型。

用户可以上传文字、图片、音频、视频等多种输入，也可以直接让H3生成缺失的那个模态。例如，上传一段动画作为参考视频、一张街景作为参考图片，H3能识别球状屏幕的几何特性并让人物运动遵循球面变形规律，同时自动补齐音频。

具体来看H3的输入输出规格：

• 输出时长：4–15秒
• 输出分辨率：最高2K（2560×1440），默认768p
• 输出帧率：24 FPS
• 输出音频：32 kHz原生立体声
• 支持语言：稳定支持11种语言
• 宽高比：支持21:9、16:9、4:3、1:1、3:4、9:16等多种比例

在输入方面，H3-Base提供两种模式：

• FL2VA（首尾帧模式）：支持0–2张图像输入，覆盖文生视频、首帧生视频、尾帧生视频、首尾帧生视频
• Ref2VA（全模态参考模式）：最多9张图像、3段视频、3段音频混合输入，文件合计最多12个

H3的音频能力尤其值得关注——音频是与视频联合生成的，而非后期配音。32kHz立体声输出，人声、音效、音乐统一建模。

二、技术架构：三项核心创新，2K输出不走寻常路

H3的系统由三个模块组成：

1. H3-Context-IR（闭源，提供API）：负责深入理解多模态输入指令，将其转换为结构化表示
2. H3-Base（开源，33B）：核心生成模型，输出768p音视频
3. H3-Regenerate-2K（闭源，提供API）：将768p结果与原始上下文一起送回模型，以2K重新生成

H3-Base是一个33B参数的Dense Single-Stream Transformer，采用Qwen3-VL-32B作为文本编码器（取第50层hidden states）。值得注意的是，33B参数中约13B位于AdaLN调制分支，推理时可以预计算并缓存，无需加载。

H3的四项核心技术支撑了其出色表现：

• Contextual Omni Representation：多模态上下文的引入让传统Caption被重新定义——不仅要描述目标视频本身，还要描述上下文素材之间、上下文与目标之间的关系。大部分素材需要消耗100K Token的推理，最终压缩为约4K Token的表示。
• H3-VAE：彻底重构了tokenizer技术，实现4倍序列长度压缩，直接降低训练和推理成本，是支撑原生2K输出的核心技术。
• H3-Omni Transformer：采用理解与生成异构的训练架构，端到端训练吞吐提升近30%。
• In-context Regeneration：H3的2K输出没有使用常规的超分模块，而是让基模对自己的768p结果进行in-context重新生成。这能最大限度复用基模能力，同时利用原始多模态上下文补充细节——而不是靠超分模块"猜"。

三、性能炸裂：视频编辑全球第一，与Seedance 2.5旗鼓相当

在实际测评中，H3与字节跳动的Seedance 2.5旗鼓相当。品玩的实测对比显示：H3更知道片子最后应该"像什么"，Seedance 2.5更知道导演刚才具体要求它"做什么"。

H3的突出亮点包括：

• 复杂文本保持能力：H3能让文字真正参与视觉构图——文字要贴合物体的透视，接受场景光的照射方向，跟随镜头运动和主体动作。一个品牌logo放到玻璃杯上，模型需要理解玻璃的折射；放到墙上，需要理解墙的曲率和纹理。a16z合伙人Justine Moore分享了一项测试：她一直要求不同模型生成人物在黑板上写出"Hi"的画面，此前的模型均未成功，H3第一次完成了这一任务。
• 导演级指令跟随：H3能精确执行复杂的灯光变化指令——烛光、硬光、彩虹折射、红蓝对打、金色逆光依次出现且过渡平滑。
• 广义编辑能力：给视频里的人物配音、改变台词，H3能同时适配音色和嘴形。

四、开源的意义：视频赛道的"DeepSeek时刻"

这是MiniMax首次开源视频旗舰模型。

长期以来，闭源模型一直占据视频生成领域的主导地位。从Seedance到可灵，头部视频模型主要通过网页或API付费使用，用户无法获得模型权重，无法根据自身业务进行微调和改造。

H3的开源打破了这一格局。官方给出的开源动机有三：推动开源社区发展、加速国产芯片适配、方便用户定制自己的版本。

有评论指出，这可能是一个和DeepSeek R1开源时同样重要的时刻——开源领域终于有了一个真正意义上的"全模态"统一模型，且能力无限逼近了闭源最强模型。

与开源同步，16家生态伙伴完成了首日适配，包括华为昇腾、摩尔线程、沐曦、海光信息、昆仑芯、天数智芯、壁仞科技、AMD、Intel等芯片厂商，以及Hugging Face、魔搭ModelScope、ComfyUI、RunningHub等开发社区和平台。

不过，开源并非"全开"。H3-Context-IR和H3-Regenerate-2K两个模块本次未开源，以API形式提供。H3-Base才是真正开源的33B核心生成模型。

许可证方面，H3采用MiniMax H3 Community License发布。值得注意的是，该许可证排除了美国、欧盟、英国和韩国四个司法管辖区。

五、定价屠夫：0.8元/秒，仅为同行三分之一

性能能打是一方面，价格更是直接"打骨折"。

H3默认提供2K分辨率输出，每秒定价仅为0.8元人民币。768P分辨率下价格更低。

对比来看，H3的2K视频生成价格不到同类旗舰视频模型的三分之一。有海外创作者对比测试后表示，H3使用9个参考素材的成本仅为Seedance的三分之一。

支撑这一价差的是H3的技术创新。视频生成模型训练时，每一帧画面都要被切成小块喂给模型——块越多越贵。H3的VAE把画面压缩率做到行业领先，序列长度直接省了4倍，训练和推理都更便宜。

六、消费级显卡可跑：RTX 5090上5.5分钟生成5秒视频

H3的另一大亮点是对消费级显卡的适配。

ComfyUI在H3发布当日即提供了Day-0支持。通过动态RAM/SSD卸载技术，H3可以在消费级显卡上运行。

算一笔账：

• 原生精度下全部模块约123.6 GB
• 选择最小变体并应用int8量化后降至42.5 GB——缩减66%
• ComfyUI称这可以让H3在12GB显存的RTX 3060上运行

当然，42.5GB的权重并不能直接塞进12GB显存——这完全依赖动态卸载技术，吞吐成本尚未量化。

性能方面，早期测试数据显示：

• RTX 5090上生成5秒768p视频约需5.5分钟
• 有用户报告RTX 5090上5秒864x480视频耗时66秒
• RTX 4070（64GB RAM）上608x352视频耗时167秒

除了ComfyUI，H3-Base还支持SGLang、vLLM、diffusers等推理框架部署。官方SGLang示例需要4张GPU。

七、商业落地：从"生成素材"到"商业生产"

H3的定位不是"炫技"，而是商用级内容生产。

官方列出的应用场景覆盖广泛：

• 广告与电商：品牌TVC、竖屏投流广告、产品拆解展示
• 影视与动态海报：电影片头、动态海报、影视预告
• 产品设计与UI/UX：动态交互原型、游戏UI动效
• 视频后期：字幕添加、特效包装、视觉特效

尤其值得注意的是，H3在视频编辑方面的能力——它不只是"生成一段素材"，而是开始参与后期制作和商业内容生产。剪辑逻辑、字体排版、转场设计、节奏把控、背景音乐以及视觉特效，全部"端到端"地集成到了模型之中。

PixPix已首发接入MiniMax H3，将其放入电商视觉工作流——商品图、场景参考、视频素材和生成结果可以围绕同一个项目继续处理。

结语

MiniMax H3的发布，标志着AI视频生成进入了一个全新阶段：

• 能力上：全模态统一理解，视频编辑全球第一
• 开源上：视频赛道首个商用级开源旗舰
• 价格上：0.8元/秒，仅为同行的三分之一
• 部署上：消费级显卡可跑，ComfyUI Day-0支持

有媒体评价道："H3的开源不只是一场社区事件，还可能成为一次产业事件。"

而对于普通创作者和开发者来说，最直接的意义或许是——终于有一个能打、能改、还能本地跑的开源视频模型了。

下周，当全球开发者涌入Hugging Face下载这33B的权重时，视频生成的开源生态，将迎来真正的爆发时刻。