AnswersPublished20 sources
MiniMax H3 otevřel váhy, ale ne celý systém. Co skutečně obsahuje H3-Base
MiniMax 3. srpna 2026 zveřejnil na Hugging Face H3 Base: 33miliardový hustý jednoproudový model pro 768p video se synchronizovaným nativním stereo zvukem.
PublikovalUpraveno pomocí GPT-5.6 TerraObrázky vytvořeny pomocí GPT Image 2
Research answer
Key takeaways
- MiniMax 3. srpna 2026 zveřejnil na Hugging Face H3 Base: 33miliardový hustý jednoproudový model pro 768p video se synchronizovaným nativním stereo zvukem.
- Plný systém H3 pracuje s textem, obrázky, videem i audiem a umí klipy až do 15 sekund a až ve 2K.
- Váhy mohou usnadnit lokální provoz a úpravy vlastního pracovního postupu, ale před nasazením je nutné prověřit licenci, hardware i chybějící uzavřené části systému.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What did MiniMax’s August 2026 open-weight release of H3-Base on Hugging Face include—covering H3’s 33B-parameter dense single-stream H3-Omn. Article summary: MiniMax’s August 3, 2026 Hugging Face release made the **H3-Base generation weights** available, not the entire three-stage H3 system. It brought a large multimodal, audio-native video model into local and customizable w. Topic tags: general, education, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, cha
MiniMax zveřejnil 3. srpna 2026 na Hugging Face otevřené váhy pro H3-Base. Nejde ale o kompletní systém H3, který firma prezentuje ve svých hostovaných ukázkách. Ke stažení je základní generovací stupeň pro 768p video se synchronizovaným zvukem; zpracování složitých vstupů a následný krok pro 2K výstup zůstaly oddělené a uzavřené. 1
5
Pro technické týmy je to podstatný rozdíl: H3-Base lze zkoumat, kvantizovat a integrovat do vlastního provozu, avšak samotné váhy automaticky nezopakují celý cloudový pracovní postup MiniMaxu ani jeho 2K výsledek.
Co bylo zveřejněno
Vydání se soustředí na H3-Base, včetně uváděných vah pro úlohy FL2VA a Ref2VA. 1
13
Jeho jádrem je H3-Omni-Transformer: hustý Transformer s 33 miliardami parametrů a jediným společným tokem pro obraz i zvuk. Model tedy negeneruje zvuk až jako dodatečnou vrstvu k hotovému videu, ale společně odšumuje obrazová i zvuková data v jednom generovacím procesu. Systém H3 obecně pracuje se sjednoceným kontextem z textu, obrázků, videa a audia a je navržen tak, aby vracel video s nativním stereo zvukem. 5
10
Číslo 33 mld. parametrů přitom označuje generovací jádro Omni-Transformeru, nikoli nutně celý balík, který je třeba při nasazení načíst. Potrubí dále používá H3 Encoder, VisualVAE a AudioVAE. 10
13
Tři části H3: otevřená je jen jedna
MiniMax popisuje H3 jako systém složený ze tří modulů:
- H3-Context-IR interpretuje a zpřesňuje složité multimodální instrukce a převádí je do mezireprezentace pro generování. Podle MiniMaxu má tento krok zásadní vliv na výslednou kvalitu.
5
- H3-Base z takto zpracovaného kontextu vytváří synchronizované video a zvuk v rozlišení 768p. Právě tento modul byl zveřejněn jako otevřené váhy.
13
- H3-Regenerate-2K provádí navazující regenerační krok pro 2K výstup. Součástí otevřeného vydání nebyl.
9
Lokální instalaci H3-Base proto nelze vydávat za kompletní produkt H3 z 2K ukázek. Celý systém podporuje klipy dlouhé až 15 sekund a výstup až ve 2K, ale zveřejněný základní generátor je 768p fáze. 5
9
Jeden generovací tok pro obraz i zvuk
H3 staví na společném proudu pro multimodální generování videa a audia. H3-Omni-Transformer má 33 miliard parametrů; repozitář MiniMaxu uvádí, že přibližně 13 miliard z nich připadá na větve související s AdaLN. Jejich výstupy lze předpočítat a ukládat do mezipaměti. 10
Reprezentační část potrubí zahrnuje enkodér, obrazové VAE a zvukové VAE. Technické popisy uvádějí, že obrazové VAE komprimuje video 16× prostorově a 4× časově; tokenizační návrh pak dosahuje efektivního 32násobného prostorového zmenšení. Taková komprese je pro zvládnutí výpočetně náročné tvorby videa zásadní, zároveň však ukazuje, proč samotný údaj o 33 miliardách parametrů nevystihuje celkovou velikost ani provozní nároky pipeline. 1
14
Co H3 umí a co samotné vydání nezajistí
Kompletní H3 je určen pro kombinované zadání z textu, statických obrázků, videoklipů a zvuku. Dokáže vytvářet video s nativním stereo zvukem až ve 2K a v délce až 15 sekund. 5
10
Otevřené váhy H3-Base dávají vývojářům prostor pro lokální inferenci, kvantizaci, adaptéry, přístupy k dolaďování a vlastní kreativní nástroje. Neobsahují ale systém Context-IR ani 2K regenerační model. Týmy pracující se složitými referencemi tak mohou potřebovat vlastní vrstvu pro přípravu promptů a kontextu; týmy vyžadující 2K výstup nemohou předpokládat, že jej H3-Base samostatně věrně zreprodukuje. 5
9
Cena API a tvrzení o lokálním provozu
Zveřejněné informace uváděly cenu 2K API 0,8 jüanu za sekundu; zvukové reference a prvních pět obrazových referencí měly být v dané nabídce zdarma. 14
27 Ceny API se mohou lišit podle služby a regionu, proto jde o dobový zveřejněný údaj, nikoli o trvalý globální ceník.
MiniMax a materiály kolem SGLang také uváděly srovnání, podle nějž H3 v konkrétním případě vychází přibližně na třetinu ceny Seedance 2.0, a možnost lokálního provozu na dvou GPU RTX 5090 nebo jedné RTX 6000. 28
31 Nejsou to univerzální minimální hardwarové požadavky: jde o tvrzení pro konkrétní kombinaci softwaru, přesnosti výpočtů a případného offloadingu. Kromě 33miliardového Transformeru je nutné počítat také s enkodérem a komponentami VAE.
13
Co to znamená pro produkční týmy
Větší kontrola nad citlivými vstupy
Při vlastním provozu mohou produktové fotografie, neveřejné záběry, hlasové podklady i prompty zůstat uvnitř organizace místo odesílání do externího API. To může být výhodné při práci s důvěrnými materiály. Samo o sobě to však nenahrazuje řízení přístupů, kontrolu práv ke vstupům, revizi výstupů ani interní pravidla správy dat.
Základ pro vlastní produkční postupy
Otevřené váhy umožňují napojit generování na knihovny digitálních aktiv, systémy kreativního schvalování, renderovací nástroje nebo postprodukci. Technické týmy mohou testovat kvantizaci i přizpůsobení modelu konkrétním úlohám. Před nasazením je ale nutné prostudovat licenci: podle zpravodajských zdrojů obsahuje územní omezení pro lokální použití v USA, EU, Spojeném království a Jižní Koreji. 4
Nejlépe se hodí pro rychlou práci s krátkými klipy
Nejzřetelnější praktické využití má model tam, kde vzniká velké množství krátkých variant: reklamní kreativy, produktová videa pro e-shopy, koncepty, animatiky nebo experimenty pro sociální sítě. Lokální 768p generátor s integrovaným zvukem může zrychlit první kola kreativního vývoje, zvlášť pokud tým už má vhodnou GPU infrastrukturu.
Není to však hotová náhrada každého požadavku videoprodukce. Otevřené vydání postrádá úplné zpracování kontextu i 2K fázi a i u krátkých klipů zůstává důležitá lidská kontrola, střih a správa práv. Skutečná hodnota nespočívá jen v možnosti model stáhnout: spočívá v tom, že schopný generovací stupeň pro obraz a zvuk lze začlenit do řízeného pracovního postupu — tam, kde to dovolí licence i hardware.
Shrnutí
MiniMax otevřel významnou, ale omezenou část H3: H3-Base s 33miliardovým jednoproudovým Transformerem, který společně vytváří video a nativní stereo zvuk z multimodálních vstupů. Context-IR a 2K regenerace zůstaly uzavřené. H3-Base je tedy přizpůsobitelný základ pro generování v 768p, nikoli kompletní otevřený 2K systém. 5
9
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "MiniMax H3 otevřel váhy, ale ne celý systém. Co skutečně obsahuje H3-Base"?
MiniMax 3. srpna 2026 zveřejnil na Hugging Face H3 Base: 33miliardový hustý jednoproudový model pro 768p video se synchronizovaným nativním stereo zvukem.
What are the key points to validate first?
MiniMax 3. srpna 2026 zveřejnil na Hugging Face H3 Base: 33miliardový hustý jednoproudový model pro 768p video se synchronizovaným nativním stereo zvukem. Plný systém H3 pracuje s textem, obrázky, videem i audiem a umí klipy až do 15 sekund a až ve 2K.
What should I do next in practice?
Váhy mohou usnadnit lokální provoz a úpravy vlastního pracovního postupu, ale před nasazením je nutné prověřit licenci, hardware i chybějící uzavřené části systému.