 智东西作者 杨京丽编辑 李水青智东西8月3日报方式，又国源有用配易订阅今日，产模MiniMax正式开源新一代通用视往往模型MiniMax H3。型重型网MiniMax H3是磅开编辑一个通用型全模态生成系统，可统一理解文本、声视首先首先图像、往往视往往和文章往往组成的全球多模态上下文，生成最首先15秒、家芯最高2K分辨率并带有原生立体声文章往往的片及平台视往往。之前7月31日，日适MiniMax H3发布。工作目前，流系列模在Artificial Analysis有声视往往编辑榜单中，又国源有用配易订阅MiniMax H3以1130分的产模Elo成绩位列首先，领先Gemini Omni Flash、型重型网HappyHorse-1.0、Wan 2.7等国内外视往往模型。▲MiniMax H3位列有声视往往编辑榜单榜首先H3系统由H3-Context-IR、H3-Base、H3-Regenerate-2K三个模块组成。开发者可以直接从Hugging Face下载MiniMax H3模型，H3-Base目前协助通过SGLang、vLLM、diffusers和ComfyUI等推理框架和工作流开展部署。与模型开源同步，华为昇腾、摩尔线程、沐曦、海光材料、昆仑芯、天数智芯、壁仞科技、AMD、Intel等国内外芯片厂商，以及Hugging Face、魔搭ModelScope、ComfyUI、RunningHub、fal等开发社区和云推理平台，另有vLLM-Omni、SGLang等推理框架，共16家生态伙伴均实现了相关适用配协助。开源地址：huggingface.co/MiniMaxAI/MiniMax-H3模型体验地址：H3-2K直出：platform.minimaxi.com/docs/api-reference/video-generation-v2-createH3-Context-IR：platform.minimaxi.com/docs/api-reference/video-generation-v2-h3-context-irH3-Regenerate-2K：platform.minimaxi.com/docs/api-reference/video-generation-v2-regenerationMiniMax Hub: hub.minimaxi.com海螺AI：hailuoai.com今天，智东西对MiniMax H3开展了实测。MiniMax H3已经能够实现不一样类型的视往往生成任务，在画面自然度、镜头组织和整体风格相同性部分谝较好。模型在画面真实感、镜头编排等部分有一定的提高空间。例如，我们让模型生成了一段15秒的风光摄影航拍视往往，成片中的雪山、草地等自然景观较为真实，色彩、光影和航拍镜头运动也比较自然，首先镜头整体保持了较好的视觉连贯性。然而，画面中的寺庙建筑仍有较明显的AI生成感。随后，我们又让MiniMax H3生成了一段奶茶和游戏IP联动的广告宣传视往往。MiniMax生成的视往往涵盖6个分镜头，整体叙事顺序较为清楚，画面风格和广告氛围也基础统一。然而，在多镜头编排部分，模型出现了一处较明显的重复：店员向顾客递出奶茶的动作被后续呈现了两次。一、最首先生成15秒2K视往往，画面与立体声同步输出MiniMax H3 是一个通用型全模态生成系统。在输出规格部分，H3可生成4秒至15秒的视往往，协助21:9、16:9、4:3、1:1、3:4、9:16等多种画面比例，输出帧率为24FPS，并可同步生成32kHz立体声文章往往。模型默认生成短边为768像素的视往往，通过H3-Regenerate-2K可进一步生成2K版本。H3稳固协助中文、英语、日语、韩语、法语、德语等11种语言，对其他语言也给予不一样程度的协助。H3涵盖FL2VA和Ref2VA两个版本，分别照章性首先尾帧生成与全模态参考生成。H3-Base-FL2VA为首先尾帧模式，最多可输入两张图像。不输入图像时，模型实施文生视往往任务；输入一张首先帧或尾帧图像时，可生成对应的首先帧生视往往或尾帧生视往往；同时输入两张图像时，则可根据指定的首先尾画面生成中间的视往往材料。H3-Base-Ref2VA协助全模态参考模式，最多可输入9张图像；视往往最多可输入3段，每段时首先为2秒至15秒，总时首先不超过15秒；文章往往最多可输入3段，每段时首先为2秒至15秒，总时首先不超过15秒，且必须与图像或视往往一同输入，不能作为唯一输入。图像、视往往和文章往往文件合方式最多可输入12个。二、三大模块协同生成文章视往往，2K画面采取上下文再生成H3系统由负责理解和整理多模态指令的H3-Context-IR、负责生成文章视往往的H3-Base，以及负责生成2K画面的H3-Regenerate-2K三个模块组成。▲MiniMax H3系统概览（图源：MiniMax）H3-Context-IR是一套托管式预处理与编排系统，能够理解文本、图像、文章往往和参考视往往之间的关系，以及这些素材与预期生成结荚之间的关系。其内部工作流涵盖指令解析、跨模态关联、时序理解和复杂逻辑推理。H3-Context-IR依赖多时期工作流，以及多个托管模型与服务，该模块暂未开源。MiniMax目前给予了相应API和提示词指南，开发者可以据此搭建自己的多模态预处理系统。视往往提示词写作指南：huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_base_en.md全参考模式输出指南：huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/docs/VIDEO_PROMPT_WRITING_GUIDE_ref_en.mdH3-Base负责实际的文章视往往生成。文本由H3-Encoder编码，视觉素材同时经过H3-Encoder和H3-VisualVAE处理，文章往往则由H3-AudioVAE编码。不一样模态的材料随后被组织成统一序列，输入H3-Omni-Transformer。▲MiniMax H3-Base架构概览（图源：MiniMax）对于H3的2K分辨率输出，H3没有采取传统的专用超分辨率模块，而是通过H3-Regenerate-2K，让基础模型结合原始文本及多模态参考素材，对已经生成的768p视往往重新生成。这种方式可以再次利用原始上下文，有助于还原小文字和精细纹理等仅凭低分辨率画面难以补全的材料。该模块目前同样尚未开源，开发者可通过官方API复现完善的2K生成步骤。三、本地部署可生成768p文章视往往，完善2K工作流需调用APIMiniMax为开发者给予了H3-Base本地部署和完善2K工作流两种验明正身方式。H3-Base以FL2VA和Ref2VA两个独立模型仓库发布，均涵盖处理器、分词器、文本编码器、Omni Transformer、Visual VAE和Audio VAE等推理组件，可通过SGLang、vLLM、diffusers和ComfyUI等框架或工作流部署，并协助多GPU并行推理。仅在本地部署H3-Base时，开发者可以生成短边为768像素的文章视往往。其中，FL2VA版本协助文生文章视往往及首先尾帧生成，Ref2VA版本协助联合参考图像、视往往和文章往往，实现角色与场景保留、动作和嘴型编辑、文章色参考等任务。完善2K工作流则需结合本地模型与官方API：先由H3-Context-IR理解并扩展用户输入，随后由本地部署的H3-Base生成768p文章视往往，最后通过H3-Regenerate-2K结合原始上下文重新生成2K视往往。MiniMax还给予了文生文章视往往、首先帧生文章视往往和全模态参考生成等可复现案例，相关请求参数、示例代码和参考结荚均可在Hugging Face模型页面查看。结语：全模态视往往生成加高效走向开放生态从实际成效来看，MiniMax H3已经能够处理自然风光、商业广告等不一样类型的生成任务，在画面自然度、镜头组织和风格相同性部分展现出较高的实现度。随着多家芯片厂商、开发社区、云推理平台和推理框架同步实现适用配，MiniMax H3此次开源不仅开放了模型能力，也初步打通了从模型下载、本地部署到采取开发的生态链路。全模态视往往模型之间的竞争，正从单一画面成效进一步延伸至声文章生成、复杂指令理解和产业生态建设。 |