MiniMax H3

MiniMax H3 是 MiniMax 于 2026 年 7 月 31 日正式发布的通用全模态生成模型，模型权重于 2026 年 8 月 2 日按 MiniMax H3 Community License 开放。H3 可统一理解由文本、图像、视频和音频组成的多模态上下文，并联合生成带原生立体声音频的视频；官方开放了 GitHub 代码仓库 和 Hugging Face 权重。

模型架构与开放组件

H3-Base 将文本、视觉与音频编码为统一的多模态序列，由单流 H3-Omni-Transformer 联合预测视频和音频 latent。该 Transformer 是约 33B 参数的稠密模型，其中约 13B 参数位于 AdaLN 相关分支；纯推理部署时这些调制结果可预计算并缓存。模型使用三维 Multimodal RoPE 表示时间与两个空间维度的位置关系，并原生支持稀疏注意力训练与推理，但首批开放版本仅提供全注意力推理实现，稀疏注意力代码将后续发布。

H3-Encoder 使用完整的 Qwen3-VL-32B 预训练权重，并向生成 Transformer 提供第 50 层隐藏状态。视觉部分采用时序因果 H3-VisualVAE，空间压缩 16 倍、时间压缩 4 倍；音频部分采用 H3-AudioVAE，分别处理左右声道后重新组合为立体声。Hugging Face 仓库公开的 safetensors 参数统计约为 33.12B，整个双检查点仓库占用约 354 GB。

生成规格与输入方式

H3 可输出 4–15 秒、24 FPS 的视频，默认短边为 768 像素，并可通过 H3-Regenerate-2K 流程生成 2K 结果；音频输出为 32 kHz 原生立体声。官方列出的稳定对白语言包括中文、英语、阿拉伯语、法语、德语、意大利语、日语、韩语、葡萄牙语、俄语和西班牙语。

开放权重包含两个任务检查点：H3-Base-FL2VA 支持文生音视频，以及零、一或两张首尾帧图片控制；H3-Base-Ref2VA 支持全能参考生成，可输入最多 9 张图片、3 段视频和 3 段音频，视频与音频参考的各自总时长不超过 15 秒，混合素材总数不超过 12 个。官方推荐通过 SGLang、vLLM、Diffusers 或 ComfyUI 部署 BF16 检查点。

完整系统与开放范围

完整 H3 系统由 H3-Context-IR、H3-Base 和 H3-Regenerate-2K 三部分组成。此次开放的是负责 768P 音视频生成的 H3-Base 及 FL2VA、Ref2VA 两类检查点；依赖多阶段托管模型与服务的 H3-Context-IR 没有随首批权重开放，2K 再生成模块 H3-Regenerate-2K 也尚未开放。开发者可通过 MiniMax 开放平台 API 组合托管的上下文解析和再生成服务，或自行构建提示词处理流程。

API 价格与许可限制

MiniMax 中国区开放平台按生成时长计费：768P 输出为 0.50 元/秒，2K 输出为 0.80 元/秒；参考视频输入按目标分辨率采用相同的每秒价格，音频输入免费，图片输入前 5 张免费、超出部分为 0.20 元/张。H3-Regeneration 与 H3-Context-IR 是独立计费接口，不与 H3-Base 的主价格混合。

开放权重采用 MiniMax H3 Community License Agreement，不是 MIT 或 Apache 2.0。协议允许在适用地区使用、修改、分发和创建衍生模型，也允许受条件约束的商业使用；但适用地区明确排除欧盟、英国、韩国和美国，商业产品或服务年收入超过 2000 万美元时需另行取得 MiniMax 书面授权，部署方还需遵守标识、安全防护和可接受使用政策等要求。DataLearner 已使用独立的 H3 Community License 条目记录该协议，具体使用仍应以 官方协议原文 为准。