MiniMax H3 公开权重，做成带原生立体声的多模态视频模型
mark_k · x · 2026-08-04
MiniMax H3 公开权重，做成统一多模态视频模型
MiniMax H3 已经在 Hugging Face 开放，帖子把它描述为下一代开源权重的 多模态视频模型，把文本、图像、视频和音频统一到一个上下文里。
重点信息包括：
- 可生成带 原生立体声 的视频，最长 15 秒、2K 分辨率。
- 擅长指令遵循、文字/品牌渲染，以及 video-to-video 的动作迁移。
- 面向 广告、品牌、电商、产品设计和游戏 场景。
- 帖子称 2K 价格不到主流模型的三分之一。
- 模型基于 33B 参数 Omni-Transformer，并以 Qwen3-VL-32B 作为条件模型。
- 提供 FL2VA 和 Ref2VA 两个 checkpoint，支持通过 Diffusers、SGLang、vLLM 以及原生 ComfyUI 本地推理。
作者认为这可能是目前最强的开源视频模型之一。
所属事件:MiniMax H3 模型本地实测：多款显卡跑分与效果对比(88 条相关)→
「多模态」频道最新
- 电影级 3D 奇幻角色提示词模板：机械残件甲胄风 — azed_ai · 2026-10-16
- Midjourney 复古木刻漫画风：--sref 参数直出海狸持刀图 — michaelrabone · 2026-10-16
- 网友将 MOSS-Image 量化为 INT8,在 ComfyUI 近乎无损运行 — East_Shoe8814 · 2026-10-16
- Tripo 旧金山首届世界构建黑客松落幕，World Labs 与 Runway 参与 — mhdfaran · 2026-10-16
- Pollo 推出 Recast 视频重绘工具,保留动作与口型,限时六折 — SimplyAnnisa · 2026-10-16
- Kling 4.0 强化文生视频：角色一致性、口型同步与对话表现升级 — CurieuxExplorer · 2026-10-16