7 月 31 日，MiniMax（稀宇科技）正式发布新一代多模态生成模型 H3。这是 MiniMax 自海螺 AI 视频产品上线以来迭代的第三代模型。MiniMax 此前已先后开源三代 M 系列文本模型，但视频生成模型一直闭源——H3 是其首款开源的多模态生成模型，公司宣布将在未来几天内开放模型权重。

H3 是一个通用的全模态生成模型，能统一理解由文本、图像、视频、音频组成的多模态上下文，输出带原生双声道的音视频内容，最高支持 15 秒 2K 分辨率（2560×1440），24 FPS。H3 默认提供 2K 分辨率输出，定价 0.8 元/秒（2K 分辨率），是业内同类旗舰视频模型的三分之一，768P 分辨率下不到 1/2。

和前两代模型相比，H3 最大的变化是「打破任务边界」。以往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。

在 Artificial Analysis 视频模型榜单中，H3 在视频编辑能力项排名全球第一。

⬆️关注 Founder Park，最及时最干货的创业分享

Founder Park 正在持续寻找值得被看见的 AI 团队与项目。

我们将通过「AI 产品市集」、内容报道、社群分发等方式，帮你触达早期用户、获得真实反馈，以及建立关键连接。

如果你正在做 AI 相关的事，欢迎和我们聊聊。

01 四项核心技术

H3 的技术架构围绕四个关键模块展开：

Contextual Omni Representation。 这是 H3 投入最大的部分。多模态上下文的引入让传统的 Caption（描述）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。为此 MiniMax 定制了专门的全模态理解管线，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。语言在其中充当可泛化的连接层，让不同模态的「任务」以开放描述的形式统一起来。

H3-VAE。 这一代彻底重构了前代的 tokenizer 技术，在重建质量和易学性上全面提升。关键数字是 4 倍序列长度压缩，直接降低训练和推理成本，也是支撑原生 2K 分辨率输出的核心技术。

H3-Omni Transformer。 由于多模态上下文的引入，H3 的序列长度方差比前代大了 3 倍，理解和生成部分的计算负载也显著异质化。MiniMax 采用了理解与生成异构的训练架构，精细调优不同 workload 下的硬件利用率，端到端训练吞吐提升近 30%。值得一提的是，团队放弃了曾在 Hailuo 02 上带来显著架构优势的设计，理由是它在「任务泛化」这一核心目标下引入了额外复杂性。用 MiniMax 自己的话说：「架构技巧应为模型定义让路。」

In-context Regeneration。 H3 的 2K 输出没有使用常规的专用超分模块，而是让基模对自己的低分辨率结果进行 in-context 重新生成。好处有两个：最大限度复用基模已有的生成能力；可以再次利用原始多模态上下文信息进行高分辨率输出，从而还原传统超分方案靠「猜」无法恢复的细节，比如小文字和精细纹理。