MiniMax 开源视频模型 H3：支持全模态输入，直出 2K 立体声

智东西 · wechat · 2026-08-03

MiniMax 正式开源新一代通用视频模型 MiniMax H3。该模型是一个全模态生成系统，能够统一理解文本、图像、视频和音频等多模态上下文，生成最长 15 秒、最高 2K 分辨率并带有原生立体声音频的视频。目前，H3 在 ArtificialAnalysis 有声视频编辑榜单中以 1130 分的 Elo 成绩位列第一。

H3 系统由三大模块构成：负责多模态指令理解和编排的 H3-Context-IR、负责实际音视频生成的 H3-Base，以及负责结合原始上下文重生成 2K 画面的 H3-Regenerate-2K。其中，H3-Base 模型权重已完全开源，并支持通过 vLLM、SGLang、ComfyUI 等主流框架部署，而另外两个高阶处理模块则需通过官方 API 调用。同步开源的还有华为昇腾、AMD、Intel 等 16 家国内外芯片与平台生态的适配支持。