MiniMax H3是稀宇科技（MiniMax）推出的新一代通用全模态生成模型，于2026年7月31日正式发布并在8月初开放模型权重。它支持对文本、图像、视频、音频组成的多模态上下文进行统一理解，可生成时长4至15秒、最高2K分辨率、带原生双声道音频的视频内容，是国内首批把文本大模型的推理与上下文技术系统性迁移到视频生成领域的开放权重模型。

一、主要功能

全模态上下文理解：原生支持文本、图像、短视频、音频的混合输入，最多可同时接收9张图片、3段视频和3段音频共12份参考素材，Prompt上限达7000字符，模型会把这些素材统一编码成一段可自由调用的多模态上下文。
高分辨率视频生成：输出时长覆盖4至15秒，固定24FPS，最高支持2K（1440P）分辨率并向下兼容768P，画幅覆盖9:16、16:9、1:1、4:3、21:9等主流比例，可直接满足横屏、竖屏和电影宽幅等不同投放需求。
原生双声道音频：音频与画面在同一次生成过程中联合产出，而不是先出画面再单独配音，因此人物口型、动作节奏与声音之间的对应关系更加自然。
视频到视频动作迁移：支持V2V Motion Transfer，用户可以提供一段驱动视频作为动作参考，把其中的运镜、肢体动作迁移到新的角色或场景上，显著降低复杂动作镜头的制作门槛。
文字与品牌信息呈现：在广告、电商等商业场景中，H3对画面内文字、品牌标识的还原度较以往视频模型明显提升，缓解了AI视频常见的"文字崩坏"问题。
参考生成与多模态编辑：支持Ref2Vid参考生成、图生视频、视频编辑、图像编辑等多种工作流，社区甚至通过只生成极短片段再取首帧的方式，把它当作文生图和图生图模型使用。

二、技术原理

H3-VAE高压缩视觉编码器：模型采用专门设计的高压缩率视觉Tokenizer，把长视频序列压缩成更紧凑的潜空间表示，从而在有限显存下容纳更长时序和更高分辨率的上下文。其时序编码器为因果结构，可以通过权重切分直接得到二维图像编码器。
统一的全模态Transformer主干：H3使用通用架构对文本、图像、视频、音频Token进行联合建模，团队在设计时刻意避开无法有效扩展的结构技巧，把提升泛化能力的重点放在构建足够广泛、多样的数据与任务分布上，让指令遵循能力从大规模预训练中自然涌现。
上下文内再生成与稀疏注意力：2K输出不依赖传统的后置超分算法，而是由一个面向更高目标分辨率的潜空间再生成检查点，结合原有多模态上下文重新"生成"高清画面，因而能重建文字与纹理细节。训练后期还引入了MoBA风格的块级稀疏注意力，通过对相邻视觉Token做均值池化得到块表示，再筛选重要块参与注意力计算，为后续本地推理加速留出空间。

三、应用场景

广告与品牌短片：借助较强的文字与品牌信息呈现能力，可批量生成产品卖点短片、节日营销素材和多语言版本的投放视频。
电商内容生产：商家上传商品图与参考视频后，可快速得到多机位、多风格的商品展示片，替代部分实拍与后期成本。
影视与游戏预演：导演和策划可以用H3快速生成分镜预演、概念动画与角色演出片段，在正式制作前验证创意方向。
社交媒体与短视频创作：个人创作者可用文生视频、图生视频完成开箱、剧情、特效等内容，配合原生双声道音频直接输出成片。
本地私有化部署与二次开发：权重开放后，企业可在内网部署模型，围绕自身素材库做垂直场景微调，实现数据不出域的视频内容生产。

四、使用方法

第一步，访问MiniMax官网或开放平台，注册账号并了解H3的输入规格、计费方式与内容合规要求。
第二步，选择接入方式：追求开箱即用可直接调用官方API或使用海螺AI网页端；需要本地部署则从模型仓库下载开放权重，注意2K推理对显存要求较高，官方参考配置约需80GB显存。
第三步，准备参考素材，按官方Prompt指南组织提示词，把图片、视频、音频等条件按模板拼装成结构化的多模态上下文，参考素材质量越高，生成结果越稳定。
第四步，选择生成模式，文生视频、图生视频、参考生成和视频动作迁移各自适用不同任务，先用较低分辨率快速试错，确定构图和运动后再提升到2K重新生成。
第五步，对输出结果做质量检查与二次编辑，必要时调整采样步数、参考帧或提示词重跑；批量生产场景建议把整套参数固化成模板，接入自动化工作流。

五、适用人群

广告创意与营销从业者：需要在短周期内产出大量投放素材，对文字呈现和品牌一致性要求较高的团队。
电商运营与商家：希望降低商品视频拍摄成本、快速铺开多SKU视频内容的中小卖家和运营人员。
影视动画与游戏从业者：用于概念设计、分镜预演、特效试验，缩短从创意到可视化的验证周期。
独立创作者与自媒体：没有专业拍摄团队，但需要持续产出高质量短视频的个人博主与工作室。
AI应用开发者与算法工程师：基于开放权重做本地部署、推理优化、垂直领域微调，或把视频生成能力集成进自家产品的技术团队。

六、优缺点介绍

优点方面，H3是少见的开放权重全模态生成模型，开发者可以本地部署并自由改造，不必完全依赖云端API。音视频联合生成带来原生双声道效果，省去了额外配音与对齐环节。2K分辨率通过上下文内再生成实现，画面文字和纹理细节明显优于传统超分方案。指令遵循能力较强，复杂场景描述往往一次成型，减少反复抽卡的时间成本。支持多达12份参考素材的多模态上下文，在参考生成和动作迁移这类可控性要求高的任务上表现突出。官方团队在社区活跃回应技术问题，并已明确表态会持续开放模型，生态成长速度较快。
缺点方面，本地推理门槛较高，完整2K能力对显存和算力要求不低，普通消费级显卡难以流畅运行。当前开放版本仍以全注意力推理为主，稀疏注意力参考实现和低步数蒸馏版本尚未正式提供，速度还有优化空间。远景或小主体人物容易出现像素化与结构变形，官方已确认这是待改进的系统性问题。此外，负责在线服务的上下文理解组件暂未开放，本地部署效果与官方API仍存在差距，许可证目前也不是Apache-2.0或MIT，商用前需要仔细确认条款。