AntwortenVeröffentlicht20 Quellen
MiniMax H3 als Open Weights: Was der H3-Base-Release tatsächlich umfasst
Am 3. August 2026 stellte MiniMax H3 Base auf Hugging Face bereit: einen dichten Single Stream Transformer mit 33 Milliarden Parametern für 768p Video mit synchronisiertem Stereo Audio.
Veröffentlicht vonBearbeitet mit GPT-5.6 TerraBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- Am 3. August 2026 stellte MiniMax H3 Base auf Hugging Face bereit: einen dichten Single Stream Transformer mit 33 Milliarden Parametern für 768p Video mit synchronisiertem Stereo Audio.
- Das vollständige H3 System verarbeitet Text, Bilder, Videos und Audio und kann bis zu 15 Sekunden sowie 2K ausgeben.
- H3 Context IR für komplexe Eingaben und H3 Regenerate 2K für die 2K Nachbearbeitung bleiben geschlossen – H3 Base allein bildet die gehostete 2K Pipeline daher nicht nach.
- Lokaler Betrieb eröffnet Spielraum für Anpassungen und den Umgang mit vertraulichen Assets, setzt aber passende Hardware, eigene Kontextaufbereitung und eine sorgfältige Lizenzprüfung voraus.
KI-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’ Veröffentlichung auf Hugging Face vom 3. August 2026 ist vor allem als Open-Weights-Release von H3-Base zu verstehen. Freigegeben wurde also die Generierungsstufe des H3-Videosystems – nicht jedes Modell und jeder Verarbeitungsschritt, die für den vollständigen gehosteten Workflow nötig sind. H3-Base erzeugt Bild und Ton gemeinsam in 768p; Kontextverarbeitung und 2K-Regeneration blieben separat. 1
5
Was genau veröffentlicht wurde
Im Mittelpunkt des Releases stehen Gewichte für H3-Base, darunter Berichten zufolge die Aufgaben-Gewichte FL2VA und Ref2VA. 1
13
Kern des Systems ist der H3-Omni-Transformer: ein dichter Single-Stream-Transformer mit 33 Milliarden Parametern. Video und Audio werden nicht als getrennte, nacheinander ausgeführte Aufgaben behandelt. Stattdessen entrauscht das Modell beide gemeinsam in einem Generierungsprozess. H3 kann einen gemeinsamen Kontext aus Text, Bildern, Video und Audio verarbeiten und Videos mit nativ erzeugtem Stereo-Ton ausgeben. 5
10
Die Zahl von 33 Milliarden Parametern beschreibt allerdings den generativen Omni-Transformer – nicht zwangsläufig den kompletten Speicher- und Rechenbedarf einer vollständigen Installation. Zur Pipeline gehören außerdem ein H3-Encoder sowie VisualVAE- und AudioVAE-Komponenten. 10
13
Die drei Stufen von H3
MiniMax gliedert H3 in drei Module:
- H3-Context-IR versteht und verfeinert komplexe multimodale Anweisungen. Daraus entsteht eine Zwischenrepräsentation des Kontexts, die der Generator verarbeiten kann. Laut MiniMax ist diese Stufe wesentlich für die Ergebnisqualität.
5
- H3-Base erzeugt aus dem aufbereiteten Kontext synchrones Video und Audio in 768p. Diese Komponente wurde als Open Weights veröffentlicht.
13
- H3-Regenerate-2K übernimmt den nachgelagerten Regenerationsschritt für die 2K-Ausgabe. Dieses Modell war nicht Teil des Releases.
9
Das ist die entscheidende Einschränkung: Eine lokale H3-Base-Installation ist nicht mit dem gesamten H3-Produkt gleichzusetzen, das in 2K-Demos zu sehen ist. Das vollständige System unterstützt Ausgaben bis 2K und bis zu 15 Sekunden Länge, der veröffentlichte Basisgenerator arbeitet jedoch in 768p. 5
9
Ein gemeinsamer Generierungsstrom für Bild und Ton
Die Architektur von H3 setzt auf einen einzigen Strom für die multimodale Video- und Audiogenerierung. Der dichte 33B-H3-Omni-Transformer umfasst laut Repository rund 13 Milliarden Parameter in AdaLN-bezogenen Zweigen; deren Ausgaben lassen sich vorberechnen und zwischenspeichern. 10
Zur Repräsentationspipeline gehören Encoder, Visual VAE und Audio VAE. Technische Beschreibungen nennen für das Visual VAE eine Kompression von 16-fach räumlich und 4-fach zeitlich; das Token-Design führt zu einer effektiven 32-fachen räumlichen Reduktion. Diese Verdichtung macht Videogenerierung überhaupt erst handhabbar – zeigt aber zugleich, warum die 33B-Angabe allein keine vollständige Aussage über Umfang und Laufzeitanforderungen der Pipeline ist. 1
14
Was H3 kann – und was die offene Veröffentlichung allein nicht leistet
Das komplette H3-System ist für Eingaben aus Text, Standbildern, Videoclips und Audio ausgelegt. Es kann Clips mit nativem Stereo-Audio, bis zu 2K Auflösung und bis zu 15 Sekunden Dauer erzeugen. 5
10
Für Entwicklungsteams ermöglichen die offenen H3-Base-Gewichte lokale Inferenz, Quantisierung, Adapter, Fine-Tuning-Ansätze und eigene Kreativwerkzeuge. Nicht enthalten sind jedoch MiniMax’ Context-IR-System und das 2K-Regenerationsmodell. Wer mit komplexen Referenzen arbeitet, braucht daher gegebenenfalls eine eigene Schicht zur Prompt- und Kontextaufbereitung. Und wer 2K-Ausgabe benötigt, sollte nicht davon ausgehen, dass H3-Base allein das Ergebnis des gehosteten Dienstes reproduziert. 5
9
Preise und Hardware: Angaben richtig einordnen
Veröffentlichte Berichte nannten für die 2K-API 0,8 Yuan pro Sekunde. Audio-Referenzen und die ersten fünf Bildreferenzen seien im jeweiligen Angebot kostenlos gewesen. 14
27 Solche Werte sind Momentaufnahmen eines API-Angebots: Preis, Region und Tarif können sich ändern und sind keine dauerhaft gültige globale Preisliste.
MiniMax und SGLang bezeichneten H3 in einem konkreten Vergleich zudem als etwa dreimal günstiger als Seedance 2.0 und erklärten, ein lokaler Betrieb sei auf zwei RTX 5090 oder einer RTX 6000 möglich. 28
31 Das sind Aussagen zu einer bestimmten Kombination aus Software, Präzision und möglichem Offloading – keine universellen Mindestanforderungen. Neben dem 33B-Transformer fallen auch Encoder und VAE-Komponenten ins Gewicht.
13
Was das für Teams in der Praxis bedeutet
Mehr Kontrolle über vertrauliche Inhalte
Selbst gehostete Inferenz kann Produktbilder, unveröffentlichtes Material, Sprachaufnahmen und Prompts innerhalb einer Organisation halten, statt sie an eine externe Generierungs-API zu übertragen. Das kann für Teams mit sensiblen oder geschäftskritischen Daten attraktiv sein. Notwendig bleiben dennoch Zugriffskontrollen, Rechteprüfungen für Eingabematerial, Output-Review und interne Governance.
Ausgangspunkt für eigene Produktionsketten
Open Weights geben technischen Teams die Möglichkeit, die Generierung mit Asset-Management, Freigabeprozessen, Rendering-Tools und Postproduktion zu verbinden. Auch Quantisierung und aufgabenspezifische Anpassungen lassen sich untersuchen. Vor einer Einführung sollte allerdings die Lizenz geprüft werden: Drittberichte beschreiben geografische Einschränkungen für die lokale Nutzung in den USA, der EU, dem Vereinigten Königreich und Südkorea. 4
Gerade für Nutzerinnen und Nutzer in Deutschland und anderen EU-Staaten ist das kein Nebendetail. Die praktische Möglichkeit eines lokalen Deployments hängt damit nicht nur von Hardware und Technik, sondern auch von den konkreten Lizenzbedingungen ab.
Besonders interessant für kurze, iterative Kreativformate
Die naheliegendsten Einsatzfelder sind viele kurze Varianten: Werbeclips, E-Commerce-Produktvideos, Konzeptarbeiten, Animatics und Social-Content-Experimente. Ein lokaler 768p-Generator mit integriertem Ton kann frühe Kreativschleifen vereinfachen – insbesondere, wenn geeignete GPU-Kapazitäten bereits vorhanden sind.
Als schlüsselfertiger Ersatz für jede Videoproduktion ist H3-Base jedoch nicht gedacht. Die offene Version enthält weder die vollständige Kontextstufe noch die 2K-Regeneration; außerdem profitieren auch kurze KI-Clips weiterhin von redaktioneller Prüfung, Schnitt und Rechteklärung. Der eigentliche Wert liegt darin, eine leistungsfähige Video-Audio-Generierungsstufe in einen kontrollierten Workflow einzubinden – sofern Lizenz und Infrastruktur dies erlauben.
Fazit
MiniMax hat mit H3-Base einen wichtigen Teil von H3 geöffnet: einen 33B-Single-Stream-Transformer, der Video und natives Stereo-Audio gemeinsam aus multimodalen Eingaben erzeugt. Der Umfang des Releases ist aber bewusst enger als der des vollständigen Produkts. Context-IR und die 2K-Regeneration bleiben geschlossen. H3-Base ist damit eine anpassbare 768p-Generierungsgrundlage – kein komplett offenes 2K-System. 5
9
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „MiniMax H3 als Open Weights: Was der H3-Base-Release tatsächlich umfasst“?
Am 3. August 2026 stellte MiniMax H3 Base auf Hugging Face bereit: einen dichten Single Stream Transformer mit 33 Milliarden Parametern für 768p Video mit synchronisiertem Stereo Audio.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Am 3. August 2026 stellte MiniMax H3 Base auf Hugging Face bereit: einen dichten Single Stream Transformer mit 33 Milliarden Parametern für 768p Video mit synchronisiertem Stereo Audio. Das vollständige H3 System verarbeitet Text, Bilder, Videos und Audio und kann bis zu 15 Sekunden sowie 2K ausgeben.
Was soll ich als nächstes in der Praxis tun?
H3 Context IR für komplexe Eingaben und H3 Regenerate 2K für die 2K Nachbearbeitung bleiben geschlossen – H3 Base allein bildet die gehostete 2K Pipeline daher nicht nach.