
MiniMax 上个月凭借 M3 在文本模型领域崭露头角,今日又推出全模态生成模型 H3,并承诺几天内开源权重。H3 能力出众,成本降低,但也存在一定短板。

H3 可接受文本、图像、视频、声音任意组合作为输入,输出带原生双声道音频的视频,最高 15 秒 2K 分辨率。例如,输入参考视频、人物图片和歌声录音,用自然语言告知需求,H3 就能自行完成。

MiniMax 之前的两代视频模型按任务拆分,维护成本高。H3 采用“任务泛化”思路,将多种任务塞进同一预训练框架,用自然语言描述任务关系,还换了新架构,端到端训练吞吐提升近 30%。

一是 H3 - VAE,Tokenizer 重写,压缩率带来 4 倍序列长度收益,降低推理成本;二是 In - context Regeneration,让基座模型结合原始上下文重生成高分辨率版本,补回细节。

2K 分辨率下每秒价格不到主流模型的 1/3,768P 下不到 1/2。未来几天将在合规前提下开放模型权重,且考虑了国产芯片兼容性,利好国内开发者。

展示了电影片头、游戏 UI 动画等四个应用方向,文字渲染和品牌信息呈现提升明显。不过,多模态上下文理解、画面精细度和模型规模能力仍需提升,未来将融合 H 与 M 系列能力。
编辑观点:H3 亮点颇多,开源和低价格有望推动行业发展,虽有短板,但融合计划值得期待,或为多模态领域带来新突破。
238



被折叠的 条评论
为什么被折叠?



