MiniMax H3 是稀宇科技（MiniMax）于2026年7月31日正式发布的新一代通用全模态生成模型，也是该公司首款计划开源的多模态视频生成模型（部分语境下也被称为Hailuo H3）。它打破了以往视频模型在生成、编辑、参考等任务之间的清晰边界，实现了文本、图像、视频与音频的统一上下文理解与生成。
核心能力
H3 能够理解由文本、图片、视频和音频共同构成的多模态上下文，并直接生成带原生双声道立体声音频的视频。输出最高支持15秒、2K分辨率（默认），支持多种宽高比（包括21:9、16:9、4:3、1:1、3:4、9:16等），帧率约24fps。
主要生成与编辑模式包括：
- 文本生视频（Text-to-Video）
- 图像生视频（Image-to-Video，支持首帧）
- 首尾帧过渡（First-to-Last Keyframe）
- 多模态参考生视频（Reference-to-Video）：可同时输入最多约9张图片、3段视频及音频，通过自然语言描述各元素关系进行条件生成
- 视频编辑与视频到视频动作迁移（V2V Motion Transfer）
早期测试与第三方评测显示，H3在指令遵循、准确文字与品牌信息呈现、商业级内容可控性方面表现突出。Artificial Analysis视频模型榜单中，其视频编辑能力位居全球第一，文本生视频与图像生视频也位居前列。
适用场景广泛覆盖广告、品牌、电商、产品设计、UI/UX、游戏等商业内容创作需求。
关键技术亮点
H3 采用了多项自研技术，强调从预训练阶段就实现任务与模态的通用化：
- Contextual Omni Representation（上下文全模态表征）：强化Caption能力，构建专用全模态理解管线，将复杂素材（通常需约10万Token推理）蒸馏为平均约4K Token的描述，用语言作为桥梁统一任务表达。
- H3-VAE：全新Tokenizer，大幅提升重建质量与可学习性，高压缩比带来约4倍有效序列长度增益，是原生2K支持与成本控制的关键。
- H3-Omni Transformer：为任务通用化设计的架构，分离理解与生成负载，提升训练吞吐近30%。
- In-Context Regeneration（上下文内再生）：2K高分辨率并非依赖传统超分模块，而是由基模对自身低分辨率结果进行上下文再生成，能更好地保留细小文字与细节，复用基模生成能力。
设计哲学从Hailuo系列前代（聚焦系统构建与核心组件优化）转向“打破任务边界”，将文本生图/视频、原生音频联合建模、广义参考与编辑等能力在预训练中深度融合，追求更强的泛化与创意自由度。
定价与可用性
官方按量计费（中国区参考）：
- 2K分辨率：约0.80元/秒
- 768P分辨率：约0.50元/秒
- 音频输入免费；前5张参考图免费，超出部分约0.20元/张；视频输入按输出分辨率同价计费。
该价格显著低于多数主流旗舰视频模型（2K约为主流模型的三分之一，768P也具明显优势）。目前主要通过MiniMax API按量计费使用，暂不纳入Token Plan或视频资源包。同时已上线Vercel AI Gateway等平台，并支持在Hailuo AI App中体验。
MiniMax计划在符合相关法律法规的前提下，于发布后几天内开放模型权重（预计采用MiniMax Community License），以推动开源生态、硬件适配与用户自定义版本开发。硬件兼容性在设计初期即被重点考虑。
定位与展望
H3 代表了MiniMax从“特化任务模型”向“通用多模态智能”迈进的重要一步。它不再把生成、编辑、参考等能力割裂，而是让模型在多模态上下文中直接理解创作意图，完成更自然、连贯的表达。官方表示后续将持续加强多模态理解（计划融合M系列能力）、扩大模型规模、提升视觉细节与更高分辨率。
总体来看，MiniMax H3以较强的指令遵循、原生音视频一体化、高性价比2K输出以及即将开源的姿态，成为2026年中后期视频生成领域值得关注的新选项，尤其适合需要商业可控性与多参考复杂创作的用户与企业。技术报告预计很快公开，感兴趣者可关注MiniMax官方渠道获取最新权重与文档。
主题授权提示：请在后台主题设置-主题授权-激活主题的正版授权，授权购买：RiTheme官网
评论(0)