---

title: MiniMax H3 今天开源：2K 不靠超分，声音不是后期配的，但最关键那块没给 author: yesai

MiniMax H3 今天开源：2K 不靠超分，声音不是后期配的，但最关键那块没给

当所有视频模型都在卷画质的时候，H3 卷的是另一件事：把「任务」这个词从模型定义里删掉。

为什么这篇值得写

8 月 6 日凌晨，MiniMax 把 H3 的模型权重推上了 GitHub（MiniMax-AI/MiniMax-H3，最后一次 push 停在 05:33）。在此之前，这家公司已经开源过三代 M 系列文本模型，但视频生成模型一直捂着——H3 是它第一个开源的多模态生成模型。

消息本身不算意外，7 月 31 日发布时官方就说了「未来几天开放权重」。真正值得写的是三件事：

1. 它在 Artificial Analysis 的视频编辑榜上排全球第一，HuggingFace 热度冲到第一，压过了 DeepSeek V4 Flash；
2. 它的技术选择反常识——2K 分辨率不接超分模块，音频不是后期配的，这两件事都和行业默认做法反着来；
3. 它的「开源」需要打个折扣——最影响最终质量的那一层，这次没给。

第三点尤其值得说清楚。很多号会把「开源」两个字直接当成结论发出去，但真正要用这个模型的人，需要知道自己拿到的是完整的车，还是一台缺了导航的车。

---

先看图：H3 到底改了什么

过去两年，视频生成模型的标准做法是按任务切模块：文生视频一个模型，图生视频一个模型，主体参考、动作参考、视频编辑各自再来一个，音频通常是另一条流水线，最后拼在一起。

H3 的做法是在预训练阶段就把这些任务统一建模，用自然语言去描述任务本身，而不是为每种任务单独养一个专家模型。

官方博客里有一句话点得很准：

「语言是泛化的桥梁，任务以一种开放描述的形式得到统一，这是 H3 广泛的指令理解能力的根源。」

翻译成人话：以前你得先想清楚「我要做的是文生视频还是视频编辑」，然后去找对应的模型；现在你只需要把素材和想法一起丢给它，剩下的它自己判断。

更有意思的是，官方明确说抛弃了上一代 Hailuo-02 架构——理由是那套架构虽然带来过显著优势，但在「任务泛化」这个新目标下会引入额外复杂度。原话是「架构技巧应为模型定义让路」。一家公司主动放弃自己验证过的架构优势，这个决定本身就说明他们对这条路的判断有多确定。

---

拆开看：四个模块各自在干什么

H3 的技术栈可以拆成四块，每一块都有值得单独说的点。

H3-Encoder：直接用了 Qwen3-VL-32B

这块最省事也最实在——H3-Encoder 用的是 Qwen3-VL-32B 的完整预训练权重，把它第 50 层的 hidden states 喂给下游的 Omni-Transformer。

不重复造理解层的轮子，直接站在成熟视觉语言模型的肩膀上，这是个务实的工程判断。

H3-VisualVAE：4 倍序列压缩是 2K 的前提

视觉侧的自编码器叫 H3-VisualVAE，参数记法是 f16t4d24：

维度	压缩倍率	说明
空间（f16）	16×	单帧分辨率方向压缩
时间（t4）	4×	帧序列方向压缩
latent 通道（d24）	24	潜空间维度

进 Transformer 之前，视觉 latent 还会按 1 × 2 × 2（时间×高×宽）再做一次 patchify。两步叠加下来，进入 Transformer 的视觉 token 相当于做了 32 倍空间下采样，时间方向保持 4 倍。

这套压缩带来了 4 倍的序列长度收益。序列短了，训练和推理成本直接下降——这也是 H3 能把 2K 分辨率做成默认输出而不是高价选配的技术前提。

另外一个细节：encoder 训练完之后，官方又单独训了一个基于 ViT 的 decoder，目的是降低解码成本、同时再提一提重建质量。

H3-AudioVAE：声音不是配上去的

这是最容易被忽略、但体感差别最大的一块。

H3-AudioVAE 用同一套编码器/解码器分别独立处理左右声道，解码后再重新组合，因此原生支持立体声输入输出。每个声道把 32 kHz 音频压成时间频率 40 Hz 的 latent token 序列。

关键在于：Omni-Transformer 是联合预测视频 latent 和音频 latent 的，不是先生成画面再配音。这意味着画面里的动作和声音天然对齐，而不是靠后期时间轴去对。

H3-Omni-Transformer：33B 里有 13B 推理时不用加载

主干是一个 33B 参数的 dense 单流 Transformer，设计上刻意做得简洁：

• 注意力层和 FFN 层不含任何模态专属结构，模态相关的参数只出现在输入/输出层和 AdaLN 分支；
• 三维 MM-RoPE（多模态旋转位置编码）负责表达时间和两个空间维度 (t, h, w) 的位置关系；
• 33B 里约 13B 参数在 AdaLN 相关分支上——而 AdaLN 的调制输出可以预计算并缓存，所以纯推理部署时这部分不需要加载。

最后这条是实打实的部署红利：账面 33B，实际推理时的显存压力要小得多。官方之所以把完整权重都放出来，是为了支持微调等二次开发。

还有一个训练侧的数字：因为引入多模态上下文，H3 的序列长度方差比前代大了 3 倍，理解和生成两部分的计算负载显著异质化。MiniMax 用了理解与生成异构的训练架构，联合调优单样本异构计算和样本间负载均衡，端到端训练吞吐提升了近 30%。

---

反常识点：2K 不靠超分，靠自己重画一遍

这是我认为 H3 最有意思的一个设计。

行业默认做法是：基模生成低分辨率，后面接一个专用超分模块放大。H3 没这么干，而是让基模对自己的低分辨率结果做 in-context 的重新生成。

具体分两段：

• H3-Base：拿中间表示生成 768p 的音视频；
• H3-Regenerate-2K：把 768p 结果连同原始上下文一起喂回模型，重新生成 2K 版本。

好处有两个。第一，能最大限度复用基模已有的生成能力，不用再养一个超分模型。第二——也是更关键的——重生成时可以再次利用原始的多模态上下文信息。

官方举了个很实在的例子：画面里的小文字和精细细节，传统超分只能靠「猜」去还原，经常猜歪；而 in-context 重生成因为手里握着原始上下文，能真的还原出来。

用一个比喻：传统超分像是拿着一张模糊照片找人修图，修图师只能凭经验脑补；in-context 重生成则是把原始底片和模糊照片一起交给原摄影师，让他重拍一次。

---

必须说清楚：开源了什么，没开源什么

这部分是我认为最需要独立成节讲的。H3 开源了，但开源的边界需要说清楚。

模块	是否开源	说明
H3-Base（768p 音视频生成）	✅ 已开源	完整权重，支持微调
H3-Encoder	✅ 已开源	基于 Qwen3-VL-32B
H3-VisualVAE / H3-AudioVAE	✅ 已开源	视觉 + 音频潜空间编解码
Context-IR（上下文理解层）	❌ 未开源	依赖多阶段工作流和多个托管模型服务
H3-Regenerate-2K	❌ 未开源	系统复杂度高，官方称「ready 后再放」
稀疏注意力实现	❌ 未开源	首发只提供全注意力推理，后续更新

其中 Context-IR 的缺席最需要注意。官方给的理由是它依赖多阶段工作流和多个托管模型服务，不好独立开源；替代方案是提供 API，或者你照着官方的 Prompting Guidance 自己搭一套上下文处理系统。

但官方自己也强调：Context-IR 对最终质量非常关键，强烈建议接进流水线。

这意味着什么？你下载权重可以跑通 768p 生成，但想复现官方演示里那种效果，得自己补上理解层。

那这算不算「假开源」？我的判断是：不算，但也确实不是完整开源。

理由是官方在技术文档里把边界写得很清楚，没有含糊其辞，也没有等用户下载完才发现缺东西。稀疏注意力和 Regenerate-2K 都明确承诺后续发布。这属于「分阶段开源」，在大模型领域并不罕见——真正该批评的是那种口号喊开源、文档却语焉不详的做法。

不过对使用者来说，预期管理很重要：拿到手的是一个强大的 768p 生成基座，不是官方 Demo 的一键复刻包。

---

成本这件事，为什么值得单独提

H3 官方定价 2K 分辨率 0.8 元/秒，这个数字大约是业内同类旗舰视频模型的三分之一；768P 分辨率下不到对手的 1/2。

为什么能便宜这么多？答案回到前面那个 4 倍序列压缩：

序列长度 ↓ 4×  →  注意力计算量 ↓（约平方级收益）
                →  训练成本 ↓
                →  推理成本 ↓
                →  单价可以打下来

再叠加 33B 里 13B 推理不加载、异构训练架构提升 30% 吞吐，成本优势是架构层面挣出来的，不是补贴出来的。这一点和某些靠烧钱压价的打法有本质区别——架构效率带来的降价是可持续的。

另外官方提到，H3 在设计初期就考虑了多款国产芯片的兼容性，24 小时内有超百家国内外合作伙伴完成首日适配接入。

---

几个能力边界，先说在前面

在决定要不要上手之前，这几个数字最好先记住：

项目	参数
最高分辨率	2K（2560×1440）
最长时长	15 秒
帧率	24 FPS
音频	原生双声道立体声
首发推理	仅全注意力（稀疏注意力后续更新）
开源基座输出	768p（2K 需 Regenerate 模块）

15 秒这个长度决定了它现在最适合的是短镜头、单场景、素材级生成，而不是长叙事。想做完整片子，仍然需要在外层做分镜和拼接。

---

谁该现在就去看看它

按使用场景做个判断，比笼统说「很强」有用：

你是谁	建议	理由
视频生成方向的研究者	强烈建议	全模态统一建模 + 双 VAE 联合预测，是很好的研究基座，权重完整可微调
想做多模态产品的团队	建议先用 API	开源版缺 Context-IR，直接自建成本不低，先用 API 验证再定
内容创作者	看 15 秒够不够	短素材、分镜级生成完全够用；长片仍需外层编排
只想跑个 demo 的爱好者	可以试 768p	H3-Base 权重完整，能跑通，别期待官方演示级画质
有国产算力适配需求的企业	值得跟进	官方明确做过多款国产芯片兼容

---

本文重点回顾

• 8 月 6 日凌晨，MiniMax H3 权重正式开源，这是该公司第一个开源的多模态生成模型；
• 核心变化是「任务边界消失」——文生视频、图生视频、视频编辑、音频生成在预训练阶段就统一建模，用自然语言描述任务；
• 音频不是后期配的，Omni-Transformer 联合预测视频和音频 latent，双声道原生对齐；
• 2K 不靠超分，而是把 768p 结果连同原始上下文喂回基模做 in-context 重生成，能还原超分「猜不出来」的小文字细节；
• 33B 参数里约 13B 在 AdaLN 分支，纯推理部署不需要加载；
• 4 倍序列压缩是成本优势的根，2K 单价约为同类的 1/3；
• 开源有边界：Context-IR、Regenerate-2K、稀疏注意力这三块首发没给，官方承诺后续；
• 对使用者最实际的一句话：你拿到的是一个强大的 768p 基座，不是官方 Demo 的一键复刻包。

---

延伸阅读

• MiniMax 官方技术博客：minimaxi.com/blog/minimax-h3
• GitHub 仓库：github.com/MiniMax-AI/MiniMax-H3
• HuggingFace 模型页：搜索 MiniMax-H3
• Artificial Analysis 视频模型榜单（视频编辑项）