AnswersPublished20 sources
MiniMax H3 z otwartymi wagami: co naprawdę obejmuje wydanie H3-Base
3 sierpnia 2026 r. MiniMax opublikował na Hugging Face wagi H3 Base: 33 miliardowego, gęstego Transformera w jednym strumieniu, tworzącego wideo 768p i zsynchronizowany dźwięk stereo.
Opublikowane przezEdytowane za pomocą GPT-5.6 TerraObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- 3 sierpnia 2026 r. MiniMax opublikował na Hugging Face wagi H3 Base: 33 miliardowego, gęstego Transformera w jednym strumieniu, tworzącego wideo 768p i zsynchronizowany dźwięk stereo.
- Pełny H3 pracuje z kontekstem łączącym tekst, obrazy, wideo i dźwięk, a docelowo obsługuje klipy do 15 sekund oraz wyjście do 2K.
- Otwarte wagi nie obejmują modułu H3 Context IR ani etapu H3 Regenerate 2K, więc H3 Base nie jest kompletnym, lokalnym systemem produkcji w 2K.
- Model daje pole do samodzielnego hostowania i budowy własnych narzędzi, ale przed wdrożeniem trzeba sprawdzić licencję, wymagania sprzętowe i ograniczenia brakujących komponentów.
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 udostępnił w sierpniu 2026 r. otwarte wagi H3-Base — etapu generowania w systemie wideo H3. Nie oznacza to jednak publikacji wszystkich modeli potrzebnych do odtworzenia kompletnego procesu dostępnego w usłudze firmy. H3-Base tworzy synchronicznie wideo i dźwięk w rozdzielczości 768p, natomiast przetwarzanie złożonego kontekstu oraz regeneracja do 2K pozostały osobnymi, zamkniętymi etapami. 1
5
Co dokładnie opublikowano
Wagi MiniMax H3 trafiły do Hugging Face 3 sierpnia 2026 r. Wydanie koncentrowało się na H3-Base, w tym na wagach zadań FL2VA i Ref2VA. 1
13
Sercem modelu jest H3-Omni-Transformer: gęsty Transformer o 33 mld parametrów, działający w jednym strumieniu. Zamiast generować obraz, a następnie osobno dodawać ścieżkę dźwiękową, model wspólnie odszumia reprezentacje wideo i audio w tym samym procesie generacyjnym. Szerszy system H3 przyjmuje połączony kontekst z tekstu, obrazów, wideo i dźwięku, a jego wynikiem może być film z natywnym dźwiękiem stereo. 5
10
Ważne zastrzeżenie: liczba 33 mld parametrów odnosi się do rdzenia generującego H3-Omni-Transformer, niekoniecznie do całego zestawu, który trzeba załadować przy kompletnym wdrożeniu. Pipeline wykorzystuje także enkoder H3 oraz komponenty VisualVAE i AudioVAE. 10
13
Trzy etapy systemu H3
MiniMax dzieli H3 na trzy moduły:
- H3-Context-IR analizuje i doprecyzowuje złożone instrukcje multimodalne, a następnie zamienia je na pośrednią reprezentację kontekstu przeznaczoną dla generatora. Według MiniMax etap ten ma istotne znaczenie dla jakości końcowego wyniku.
5
- H3-Base generuje zsynchronizowane wideo i audio w 768p na podstawie przetworzonego kontekstu. To właśnie ten komponent udostępniono jako otwarte wagi.
13
- H3-Regenerate-2K wykonuje późniejszy etap regeneracji stosowany do uzyskania materiału w 2K. Nie znalazł się on w wydaniu otwartych wag.
9
W praktyce lokalnej instalacji H3-Base nie należy utożsamiać z całym produktem H3 pokazywanym w demonstracjach 2K. Kompletny system obsługuje wyjście do 2K i klipy do 15 sekund, ale opublikowany generator bazowy działa na etapie 768p. 5
9
Jedna ścieżka generowania obrazu i dźwięku
Kluczowym założeniem H3 jest wspólny strumień dla generowania wideo i audio. 33-miliardowy H3-Omni-Transformer ma architekturę gęstego Transformera; repozytorium MiniMax podaje, że około 13 mld parametrów znajduje się w gałęziach związanych z AdaLN, a ich wyniki można wcześniej obliczyć i zapisać w pamięci podręcznej. 10
Warstwa reprezentacji obejmuje enkoder, wizualny VAE i audio VAE. Opisy techniczne wskazują, że wizualny VAE kompresuje wideo 16× przestrzennie i 4× czasowo, a tokenizacja daje efektywną 32-krotną redukcję przestrzenną. Kompresja jest konieczna, by generowanie wideo było obliczeniowo wykonalne, ale zarazem pokazuje, dlaczego sama liczba parametrów Transformera nie opisuje całej skali pipeline'u ani zapotrzebowania na zasoby. 1
14
Co potrafi H3, a czego nie zapewni samo H3-Base
Pełny system H3 zaprojektowano dla promptów i materiałów referencyjnych łączących tekst, nieruchome obrazy, klipy wideo oraz dźwięk. Może tworzyć klipy z natywnym dźwiękiem stereo, w rozdzielczości do 2K i długości do 15 sekund. 5
10
Otwarte wagi H3-Base dają zespołom technicznym przestrzeń do eksperymentów z lokalnym wnioskowaniem, kwantyzacją, adapterami, dostrajaniem i własnymi narzędziami kreatywnymi. Nie obejmują jednak systemu Context-IR ani modelu regeneracji 2K. Zespoły pracujące ze złożonymi materiałami referencyjnymi mogą więc potrzebować własnej warstwy przygotowania kontekstu, a firmy wymagające wyjścia 2K nie powinny zakładać, że samo H3-Base odtworzy rezultat z hostowanej usługi. 5
9
Cena API i deklaracje dotyczące pracy lokalnej
W opublikowanych materiałach cena generowania 2K przez API wynosiła 0,8 juana za sekundę. Podawano też, że wejściowy dźwięk oraz pierwszych pięć obrazów referencyjnych były bezpłatne w ramach opisywanej oferty. 14
27 Cenniki API zależą od usługi i regionu, dlatego należy traktować te liczby jako historycznie opublikowaną stawkę, a nie stały globalny cennik.
Materiały promocyjne MiniMax i SGLang porównywały H3 z Seedance 2.0, wskazując koszt rzędu jednej trzeciej w konkretnym zestawieniu. Twierdzono też, że lokalne uruchomienie jest możliwe na dwóch kartach RTX 5090 albo jednej RTX 6000. 28
31 Nie są to uniwersalne minimalne wymagania sprzętowe, lecz deklaracje dla określonej konfiguracji oprogramowania, precyzji obliczeń i ewentualnego przenoszenia części modelu poza pamięć GPU. Oprócz 33-miliardowego Transformera obciążenie obejmuje również enkoder oraz komponenty VAE.
13
Co to zmienia dla zespołów produkcyjnych
Większa kontrola nad wrażliwymi materiałami
Samodzielne hostowanie pozwala utrzymać zdjęcia produktów, nieopublikowane nagrania, materiały głosowe i prompty wewnątrz organizacji zamiast przekazywać je zewnętrznemu API generatywnemu. To może być istotne dla zespołów pracujących z poufnymi zasobami. Nie zwalnia jednak z kontroli dostępu, weryfikacji praw do materiałów wejściowych, oceny wyników ani wewnętrznych zasad zarządzania ryzykiem.
Punkt wyjścia do własnych pipeline'ów
Otwarte wagi mogą posłużyć do połączenia generowania z bibliotekami zasobów, systemami akceptacji kreacji, narzędziami renderującymi i procesami postprodukcji. Pozwalają również analizować kwantyzację oraz adaptację pod konkretne zadania. Przed wdrożeniem trzeba jednak sprawdzić licencję: relacje zewnętrzne opisują ograniczenia terytorialne dotyczące lokalnego użycia w USA, Unii Europejskiej, Wielkiej Brytanii i Korei Południowej. 4
Najlepsze zastosowanie: krótkie, iteracyjne formaty
Najbardziej praktyczne zastosowanie widać tam, gdzie powstaje dużo krótkich wariantów: w reklamie, e-commerce, pracy koncepcyjnej, animatikach czy eksperymentach z materiałami do mediów społecznościowych. Lokalny generator 768p ze zintegrowanym audio może przyspieszać wczesne iteracje kreatywne, zwłaszcza gdy firma ma już odpowiednią infrastrukturę GPU.
Nie jest to natomiast gotowy zamiennik każdego procesu produkcji wideo. Otwarte wydanie nie zawiera pełnego etapu kontekstowego ani regeneracji 2K, a model do krótkich klipów nadal wymaga ludzkiej kontroli, montażu i zarządzania prawami do wykorzystanych materiałów. Wartość H3 nie polega więc wyłącznie na możliwości pobrania wag, lecz na szansie włączenia zaawansowanego etapu generowania obrazu i dźwięku do kontrolowanego workflow — tam, gdzie pozwalają na to licencja i sprzęt.
Najważniejszy wniosek
MiniMax otworzył znaczącą część H3: H3-Base, napędzany przez 33-miliardowy Transformer w jednym strumieniu, który wspólnie generuje wideo i natywny dźwięk stereo na podstawie wejść multimodalnych. Zakres wydania jest jednak wyraźnie węższy niż pełny produkt H3. Context-IR i regeneracja 2K pozostały zamknięte, dlatego H3-Base jest konfigurowalnym fundamentem generowania w 768p, a nie kompletnym otwartym systemem 2K. 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 z otwartymi wagami: co naprawdę obejmuje wydanie H3-Base"?
3 sierpnia 2026 r. MiniMax opublikował na Hugging Face wagi H3 Base: 33 miliardowego, gęstego Transformera w jednym strumieniu, tworzącego wideo 768p i zsynchronizowany dźwięk stereo.
What are the key points to validate first?
3 sierpnia 2026 r. MiniMax opublikował na Hugging Face wagi H3 Base: 33 miliardowego, gęstego Transformera w jednym strumieniu, tworzącego wideo 768p i zsynchronizowany dźwięk stereo. Pełny H3 pracuje z kontekstem łączącym tekst, obrazy, wideo i dźwięk, a docelowo obsługuje klipy do 15 sekund oraz wyjście do 2K.
What should I do next in practice?
Otwarte wagi nie obejmują modułu H3 Context IR ani etapu H3 Regenerate 2K, więc H3 Base nie jest kompletnym, lokalnym systemem produkcji w 2K.