MiniMax H3: Det her følger faktisk med i H3-Base-udgivelsen

MiniMax’ udgivelse på Hugging Face den 3. august 2026 skal læses som en åbning af vægtene til H3-Base – altså selve genereringstrinnet i H3-videosystemet. Det er ikke en frigivelse af alle modeller og dele, der indgår i MiniMax’ samlede, hostede arbejdsgang. H3-Base genererer synkron video og lyd i 768p, mens kontekstbehandling og regenerering til 2K fortsat er separate, lukkede trin. 15

Det MiniMax faktisk frigav

Udgivelsen på Hugging Face centrerer sig om H3-Base, herunder de rapporterede opgavevægte FL2VA og Ref2VA. 113

Kernen er H3-Omni-Transformer, en tæt Transformer med 33 mia. parametre og én fælles genereringsstrøm. Modellen behandler ikke lyd som et ekstra lag, der lægges på bagefter: video og lyd støjfjernes og skabes sammen i den samme proces. Det overordnede H3-system kan modtage kombinationer af tekst, billeder, video og lyd som samlet kontekst og generere video med indbygget stereolyd. 510

Betegnelsen 33 mia. parametre dækker dog genereringskernen – ikke nødvendigvis alle komponenter, der skal indlæses i en komplet installation. Pipelinjen omfatter også en H3-encoder samt VisualVAE- og AudioVAE-komponenter. 1013

H3 består af tre trin

MiniMax beskriver H3 som et system med tre moduler:

• H3-Context-IR fortolker og forfiner komplekse instrukser med flere medietyper til en intern kontekstrepræsentation. Ifølge MiniMax er dette trin væsentligt for den endelige kvalitet. 5
• H3-Base skaber den synkroniserede video og lyd i 768p ud fra den behandlede kontekst. Det er denne del, der er frigivet som åbne vægte. 513
• H3-Regenerate-2K står for det efterfølgende regenereringstrin, der bruges til 2K-output. Det var ikke en del af vægtudgivelsen. 59

En lokal H3-Base-installation bør derfor ikke forveksles med hele den H3-løsning, som vises i 2K-demoer. Hele systemet understøtter op til 2K og klip på op til 15 sekunder, men den frigivne basismodel er 768p-trinnet. 59

Én genereringsstrøm til både billede og lyd

Det centrale ved H3 er den fælles strøm for video- og lydgenerering. H3-Omni-Transformer har 33 mia. parametre; MiniMax’ repository angiver, at omkring 13 mia. af dem ligger i AdaLN-relaterede grene, hvis output kan forudberegnes og caches. 10

Repræsentationslaget omkring modellen omfatter en encoder, en visuel VAE og en lyd-VAE. Tekniske beskrivelser angiver, at den visuelle VAE komprimerer video 16 gange rumligt og 4 gange tidsligt, og at tokeniseringen samlet giver en effektiv 32-dobling af den rumlige nedskalering. Komprimeringen gør videogenerering mere håndterbar, men understreger også, at tallet 33 mia. parametre ikke alene fortæller, hvor stor eller krævende hele pipelinjen er. 114

Hvad kan systemet – og hvad mangler i den åbne udgave?

Det komplette H3-system er lavet til prompts og referencer, der kombinerer tekst, stillbilleder, videoklip og lyd. Det kan generere klip med indbygget stereolyd i op til 2K og med en varighed på op til 15 sekunder. 510

De åbne H3-Base-vægte giver udviklere mulighed for at eksperimentere med lokal inferens, kvantisering, adaptere, finjustering og egne kreative værktøjer. Men udgivelsen indeholder hverken MiniMax’ Context-IR-system eller 2K-regenereringsmodellen. Ved komplekse referencer skal et team derfor selv bygge et lag til prompt- og kontekstforberedelse, og ved krav om 2K kan man ikke gå ud fra, at H3-Base alene matcher resultatet fra den hostede tjeneste. 59

Pris og hardware: Tal, der skal læses med forbehold

Omtale af tjenesten angav en API-pris på 0,8 yuan pr. sekund for 2K og oplyste, at lydreferencer og de første fem billedreferencer var uden ekstra betaling i det pågældende tilbud. 1427 Priser afhænger af tjeneste, marked og tidspunkt, så tallet er et øjebliksbillede – ikke en global, permanent prisliste.

MiniMax og SGLang-materiale beskrev desuden H3 som omtrent en tredjedel så dyr som Seedance 2.0 i en bestemt sammenligning og hævdede, at modellen kan køre lokalt på to RTX 5090-GPU’er eller ét RTX 6000-kort. 2831 Det er ikke universelle minimumskrav, men deploymentspecifikke påstande, som afhænger af blandt andet software, præcision og offloading. Encoder- og VAE-komponenterne kommer oven i den 33 mia.-parameters Transformer. 13

Hvad betyder det i praksis?

Mere kontrol over fortrolige materialer

Ved selvhosting kan produktbilleder, ikke-offentliggjorte optagelser, stemmeaktiver og prompts blive inden for organisationens egen infrastruktur frem for at blive sendt til en ekstern genererings-API. Det kan være attraktivt for virksomheder med følsomme eller rettighedsbeskyttede aktiver. Selvhosting erstatter dog ikke adgangsstyring, rettighedstjek af input, gennemgang af output og intern governance.

Et udgangspunkt for egne produktionskæder

Åbne vægte gør det muligt at forbinde genereringen med aktivbiblioteker, systemer til kreativ godkendelse, renderingsværktøjer og postproduktion. De giver også mulighed for at undersøge kvantisering og opgavespecifik tilpasning.

Licensen bør gennemgås, før der investeres i en løsning. Tredjepartsomtale beskriver geografiske begrænsninger for lokal brug i USA, EU, Storbritannien og Sydkorea. Det er særligt relevant for danske organisationer, fordi Danmark er en del af EU. 4

Stærkest til korte, iterative formater

Den mest oplagte anvendelse er mange korte variationer: reklamekreativer, e-handelsklip, konceptudvikling, animatics og eksperimenter til sociale medier. En lokal 768p-generator med integreret lyd kan mindske friktionen i de tidlige kreative runder, især hos teams, der allerede har passende GPU-kapacitet.

Det er til gengæld ikke en nøglefærdig erstatning for alle videoproduktionsbehov. Den åbne udgave mangler både det fulde konteksttrin og 2K-regenereringen, og korte AI-genererede klip har fortsat gavn af menneskelig redigering, kvalitetskontrol og rettighedshåndtering.

Konklusion

MiniMax har åbnet en væsentlig del af H3: H3-Base, drevet af en enkeltstrømmet Transformer med 33 mia. parametre, der genererer video og indbygget stereolyd i fællesskab. Men udgivelsen er bevidst smallere end hele H3-produktet. Context-IR og 2K-regenerering er fortsat lukkede, så H3-Base er et fundament, der kan tilpasses til 768p-generering – ikke et komplet, åbent 2K-system. 59