MiniMax 官方解答 H3 开源模型架构与工作流细节
MiniMax 稀宇科技 · wechat · 2026-08-08
MiniMax 技术团队在 Reddit 社区举办了 AMA 问答，针对开源模型 H3 的核心架构、视频生成局限及后续计划进行了深度解答。
核心架构与训练：H3 没有使用 MSA，其稀疏注意力策略更接近 MoBA，目前默认仅对占比最大的视频 token 做 3D 稀疏化。为更好控制多模态训练平衡，模型采用独立的视觉和音频 VAE。团队发现，仅训练「预测末帧」任务的模型也能在图像编辑上展现出强大的零样本泛化能力。
技术局限与优化：当前 H3 尚未原生训练由多个递归片段组成的长轨迹，长视频续写主要依赖参考条件（Ref2VA）。针对 Ref2VA 画质偏糊、远景人脸崩坏等问题，官方正在拆解影响因素并推进改进。由于模型参数高达 600 亿，团队正重点推进量化和卸载优化，并探索步数蒸馏以降低推理成本。
后续开源计划：官方计划开源一个同时支持文生图和图像编辑的统一模型，该模型将与 H3 共享 VAE 编码器。此外，第二阶段条件生成模块 Regenerate-2K 也将待效率与质量提升后开源。
所属事件:MiniMax团队举办H3开源视频模型AMA(3 条相关)→
「多模态」频道最新
- 独立创作者用 AI 原生工作流做出一部动画短片集 — ComprehensiveLime654 · 2026-10-16
- Ideogram 暗示图像模型 4.5 将至,被追问开放权重时回应「快了」 — East_Shoe8814 · 2026-10-16
- 网友实测：Opus 5.5 生成竖屏视频完成度惊人 — FinanceYF5 · 2026-10-16
- 「星海幻梦」提示词模板：星空与海洋的梦幻融合 — LudovicCreator · 2026-10-16
- 「丰满小红帽」音乐剧：AI 创作者的圆梦之作 — bennash · 2026-10-16
- 港理工发布 CoWorld Reasoner：用视频世界模型驱动的智能体视觉推理框架 — ModalityDance · 2026-10-16