MiniMax H3 ओपन वेट्स: H3-Base रिलीज़ में क्या शामिल है

MiniMax की अगस्त 2026 की Hugging Face रिलीज़ को सही तरह से समझने का सबसे आसान तरीका यह है: कंपनी ने अपने H3 वीडियो सिस्टम का H3-Base जनरेशन स्टेज ओपन वेट्स के रूप में जारी किया है, पूरी होस्टेड H3 वर्कफ़्लो नहीं। H3-Base 768p पर वीडियो और उसके साथ सिंक्रोनाइज़्ड ऑडियो बना सकता है, जबकि जटिल संदर्भ को तैयार करने वाला और 2K आउटपुट के लिए रीजनरेशन करने वाला हिस्सा अलग रहा। 15

MiniMax ने क्या जारी किया?

MiniMax ने 3 अगस्त 2026 को H3 वेट्स Hugging Face पर प्रकाशित किए। उपलब्ध रिलीज़ का केंद्र H3-Base था, जिसमें FL2VA और Ref2VA कार्यों के लिए रिपोर्ट किए गए वेट्स शामिल हैं। 113

इसका मुख्य जनरेशन इंजन H3-Omni-Transformer है—33 अरब पैरामीटर वाला डेंस, सिंगल-स्ट्रीम Transformer। इसमें ऑडियो को बाद में जोड़ा जाने वाला अलग तत्व नहीं माना गया है: मॉडल एक साझा जनरेशन प्रक्रिया में वीडियो और ऑडियो को साथ में डीनॉइज़ करता है। व्यापक H3 सिस्टम टेक्स्ट, इमेज, वीडियो और ऑडियो से बने संयुक्त संदर्भ को ले सकता है और मूल स्टीरियो साउंड वाला वीडियो लौटा सकता है। 510

यहां एक अहम बारीकी है: 33B संख्या Omni-Transformer जनरेशन कोर की है, जरूरी नहीं कि पूरे डिप्लॉयमेंट में लोड होने वाले हर घटक की। पाइपलाइन में H3 एन्कोडर के साथ VisualVAE और AudioVAE भी शामिल हैं। 1013

H3 पाइपलाइन के तीन हिस्से

MiniMax के अनुसार H3 तीन मॉड्यूलों में बंटा है:

• H3-Context-IR: जटिल मल्टीमॉडल निर्देशों को समझता और परिष्कृत करता है, फिर उन्हें जनरेशन के लिए उपयुक्त Context Intermediate Representation में बदलता है। MiniMax इसे अंतिम गुणवत्ता के लिए महत्वपूर्ण बताता है। 5
• H3-Base: इस प्रोसेस्ड संदर्भ से 768p पर सिंक्रोनाइज़्ड वीडियो और ऑडियो बनाता है। ओपन वेट्स के रूप में यही हिस्सा उपलब्ध कराया गया। 513
• H3-Regenerate-2K: 2K आउटपुट के लिए बाद का रीजनरेशन चरण करता है। यह ओपन-वेट रिलीज़ का हिस्सा नहीं था। 59

यानी, लोकल H3-Base इंस्टॉलेशन को उन 2K डेमो वाले पूरे H3 उत्पाद के बराबर नहीं समझना चाहिए। पूर्ण सिस्टम 2K तक और 15 सेकंड तक के आउटपुट का समर्थन करता है, लेकिन जारी बेस जनरेटर 768p चरण है। 59

आर्किटेक्चर: आवाज़ और तस्वीर के लिए एक जनरेटिव स्ट्रीम

H3 की मुख्य डिजाइन पसंद वीडियो और ऑडियो जनरेशन के लिए एक ही स्ट्रीम का उपयोग है। 33B H3-Omni-Transformer एक डेंस Transformer आर्किटेक्चर है। MiniMax के रिपॉजिटरी के मुताबिक, इसके करीब 13B पैरामीटर AdaLN-संबंधित शाखाओं में हैं, जिनके आउटपुट को पहले से गणना कर कैश किया जा सकता है। 10

रिप्रेज़ेंटेशन पाइपलाइन में एन्कोडर, विज़ुअल VAE और ऑडियो VAE शामिल हैं। प्रकाशित तकनीकी विवरणों के अनुसार, विज़ुअल VAE वीडियो को स्थानिक रूप से 16× और समय के आयाम में 4× कंप्रेस करता है; टोकनाइज़ेशन डिजाइन से प्रभावी स्थानिक कमी 32× तक पहुंचती है। यह कंप्रेशन वीडियो जनरेशन को व्यावहारिक बनाने के लिए जरूरी है, लेकिन यह भी दिखाता है कि केवल 33B पैरामीटर संख्या से पूरी पाइपलाइन का आकार या रनटाइम जरूरत नहीं समझी जा सकती। 114

H3 क्या कर सकता है—और ओपन रिलीज़ अकेले क्या नहीं कर सकती

पूरा H3 सिस्टम ऐसे प्रॉम्प्ट और रेफरेंस के लिए बनाया गया है जिनमें टेक्स्ट, स्थिर इमेज, वीडियो क्लिप और ऑडियो का मिश्रण हो। यह मूल स्टीरियो ऑडियो के साथ 2K तक रेज़ोल्यूशन और 15 सेकंड तक की क्लिप बना सकता है। 510

डेवलपर्स के लिए, H3-Base के ओपन वेट्स लोकल इन्फरेंस, क्वांटाइज़ेशन, अडैप्टर, फाइन-ट्यूनिंग तरीकों और कस्टम क्रिएटिव टूलिंग के प्रयोग का रास्ता खोलते हैं। लेकिन इसमें MiniMax का Context-IR सिस्टम या 2K रीजनरेशन मॉडल शामिल नहीं है। इसलिए जटिल रेफरेंस इस्तेमाल करने वाली टीमों को अपना प्रॉम्प्ट/कॉन्टेक्स्ट तैयारी स्तर बनाना पड़ सकता है। और जिन्हें 2K आउटपुट चाहिए, वे यह नहीं मान सकतीं कि सिर्फ H3-Base से होस्टेड परिणाम दोहराया जा सकेगा। 59

API कीमत और लोकल डिप्लॉयमेंट के दावे

प्रकाशित रिपोर्टों में 2K API कीमत 0.8 युआन प्रति सेकंड बताई गई। संबंधित ऑफर में ऑडियो रेफरेंस और शुरुआती पांच इमेज रेफरेंस मुफ्त होने की भी बात कही गई। 1427 कीमत सेवा, क्षेत्र और समय के अनुसार बदल सकती है, इसलिए इसे स्थायी वैश्विक मूल्य सूची नहीं, बल्कि उस समय की प्रकाशित API दर के रूप में देखना चाहिए।

MiniMax और SGLang से जुड़े प्रचार सामग्री में एक खास तुलना में H3 की लागत को Seedance 2.0 के लगभग एक-तिहाई के रूप में बताया गया। साथ ही, इसे दो RTX 5090 GPU या एक RTX 6000 पर लोकल चलाने का दावा किया गया। 2831 ये किसी खास सॉफ्टवेयर स्टैक, प्रिसीजन और ऑफलोडिंग कॉन्फ़िगरेशन के लिए डिप्लॉयमेंट दावे हैं—सार्वभौमिक न्यूनतम हार्डवेयर आवश्यकता नहीं। 33B Transformer के अलावा एन्कोडर और VAE घटकों का भी संसाधन भार होता है। 13

प्रोडक्शन टीमों के लिए इसका महत्व

संवेदनशील इनपुट पर ज्यादा नियंत्रण

सेल्फ-होस्टेड वर्कफ़्लो में प्रोडक्ट इमेजरी, रिलीज़ न हुई फुटेज, वॉइस एसेट और प्रॉम्प्ट को किसी तीसरे पक्ष की जनरेशन API पर भेजने के बजाय संगठन के अंदर रखा जा सकता है। गोपनीय एसेट के साथ काम करने वाली टीमों के लिए यह उपयोगी हो सकता है। फिर भी, एक्सेस कंट्रोल, इनपुट के अधिकारों की समीक्षा, आउटपुट रिव्यू और आंतरिक गवर्नेंस की जरूरत खत्म नहीं होती।

कस्टम पाइपलाइन की शुरुआती परत

ओपन वेट्स तकनीकी टीमों को जनरेशन को एसेट-मैनेजमेंट लाइब्रेरी, क्रिएटिव-रिव्यू सिस्टम, रेंडरिंग टूल और पोस्ट-प्रोडक्शन वर्कफ़्लो से जोड़ने का विकल्प देते हैं। वे क्वांटाइज़ेशन और कार्य-विशिष्ट अनुकूलन भी आजमा सकती हैं। हालांकि, डिप्लॉयमेंट से पहले लाइसेंस की समीक्षा जरूरी है: थर्ड-पार्टी रिपोर्टिंग के मुताबिक, अमेरिका, यूरोपीय संघ, ब्रिटेन और दक्षिण कोरिया में लोकल उपयोग पर भौगोलिक प्रतिबंध हैं। 4

सबसे उपयुक्त उपयोग: छोटे, बार-बार दोहराए जाने वाले क्रिएटिव काम

इसका व्यावहारिक उपयोग उन टीमों में सबसे स्पष्ट है जिन्हें छोटी क्लिप के कई संस्करण बनाने होते हैं—जैसे विज्ञापन क्रिएटिव, ई-कॉमर्स प्रोडक्ट वीडियो, कॉन्सेप्ट वर्क, एनिमैटिक्स और सोशल-कंटेंट प्रयोग। इंटीग्रेटेड ऑडियो वाला 768p लोकल जनरेटर शुरुआती रचनात्मक पुनरावृत्ति की रुकावट कम कर सकता है, खासकर उन टीमों में जिनके पास उपयुक्त GPU क्षमता पहले से मौजूद है।

फिर भी इसे हर वीडियो-प्रोडक्शन जरूरत का तैयार विकल्प नहीं कहना चाहिए। ओपन रिलीज़ में पूरा कॉन्टेक्स्ट और 2K चरण नहीं है; छोटे क्लिप वाला मॉडल भी मानवीय समीक्षा, एडिटिंग और अधिकार प्रबंधन से लाभ पाता है। असली मूल्य सिर्फ डाउनलोड होने में नहीं, बल्कि एक सक्षम ऑडियो-वीडियो जनरेशन स्टेज को नियंत्रित वर्कफ़्लो में जोड़ पाने में है—जहां लाइसेंस और हार्डवेयर इसकी अनुमति दें।

निष्कर्ष

MiniMax ने H3 का एक महत्वपूर्ण हिस्सा खोला है: H3-Base। इसका 33B सिंगल-स्ट्रीम Transformer मल्टीमॉडल इनपुट के आधार पर वीडियो और मूल स्टीरियो ऑडियो को साथ में जनरेट करता है। लेकिन रिलीज़ जानबूझकर पूरे उत्पाद से सीमित है। Context-IR और 2K रीजनरेशन बंद ही रहे, इसलिए H3-Base को पूर्ण ओपन 2K सिस्टम नहीं, बल्कि कस्टमाइज़ किया जा सकने वाला 768p जनरेशन आधार समझना चाहिए। 59