MiniMax H3 เปิดน้ำหนักโมเดลแล้ว: H3-Base ให้ใช้งานได้แค่ไหน

MiniMax เปิดให้นำ H3-Base ไปใช้งานแบบ open weights บน Hugging Face เมื่อวันที่ 3 สิงหาคม 2026 แต่สิ่งที่เปิดไม่ใช่ทุกชิ้นส่วนของระบบ H3 ที่เห็นในเดโมหรือบริการโฮสต์ของบริษัท จุดนี้สำคัญมากสำหรับทีมที่กำลังคิดจะรันเอง: H3-Base เป็นขั้นตอนสร้างภาพและเสียงที่ความละเอียด 768p ขณะที่การจัดการคอนเท็กซ์ซับซ้อนและการสร้างใหม่เพื่อผลลัพธ์ 2K ยังคงแยกเป็นโมดูลปิดอยู่ 15

สรุปสั้น ๆ: เปิดแกนสร้าง ไม่ได้เปิดทั้งระบบ

น้ำหนักที่เผยแพร่ครอบคลุม H3-Base รวมถึงน้ำหนักงาน FL2VA และ Ref2VA ที่มีรายงานว่าออกมาพร้อมกัน 113

แกนหลักคือ H3-Omni-Transformer แบบ dense และ single-stream ขนาด 33B พารามิเตอร์ กล่าวคือ โมเดลสร้างภาพเคลื่อนไหวและเสียงไปพร้อมกันในกระบวนการ denoising เดียว ไม่ได้สร้างวิดีโอเสร็จแล้วค่อยนำเสียงมาแปะทีหลัง 510

อย่างไรก็ดี ตัวเลข “33B” หมายถึงแกน Transformer สำหรับการสร้าง ไม่ได้หมายความว่าระบบทั้งหมดที่ต้องโหลดเพื่อรันจริงมีเพียงโมเดล 33B ตัวเดียว เพราะไปป์ไลน์ยังมี H3 encoder, VisualVAE และ AudioVAE ร่วมอยู่ด้วย 1013

H3 แบ่งเป็น 3 ส่วน และเปิดเพียงส่วนเดียว

MiniMax อธิบายระบบ H3 ว่ามีสามโมดูลหลักดังนี้

• H3-Context-IR: ทำความเข้าใจและปรับแต่งคำสั่งหลายรูปแบบ ทั้งข้อความ ภาพ วิดีโอ และเสียง ให้เป็นตัวแทนคอนเท็กซ์กลาง (Context Intermediate Representation) ก่อนส่งต่อสู่ขั้นสร้างผลลัพธ์ บริษัทระบุว่าส่วนนี้มีความสำคัญต่อคุณภาพสุดท้าย 5
• H3-Base: ขั้นสร้างวิดีโอพร้อมเสียงที่ซิงก์กันที่ความละเอียด 768p นี่คือส่วนที่เปิดน้ำหนักให้ใช้งาน 513
• H3-Regenerate-2K: ขั้นสร้างใหม่ภายหลังเพื่อได้ผลลัพธ์ระดับ 2K ซึ่งไม่ได้รวมอยู่ในการเปิดน้ำหนักครั้งนี้ 59

ดังนั้น การรัน H3-Base ในเครื่องไม่ควรถูกตีความว่าเทียบเท่าผลิตภัณฑ์ H3 แบบเต็มที่แสดงผลระดับ 2K ได้ ระบบเต็มรองรับวิดีโอสูงสุด 2K และยาวได้ถึง 15 วินาที แต่โมเดลที่เปิดคือขั้นสร้างฐานที่ 768p 59

โครงสร้างแบบสตรีมเดียว: สร้างภาพและเสียงร่วมกัน

จุดเด่นเชิงสถาปัตยกรรมของ H3 คือการรวมการสร้างวิดีโอและเสียงไว้ในสตรีมกำเนิดเดียว H3-Omni-Transformer ขนาด 33B ใช้สถาปัตยกรรม Transformer แบบ dense โดยคลังโค้ดของ MiniMax ระบุว่าราว 13B พารามิเตอร์อยู่ในแขนงที่เกี่ยวกับ AdaLN ซึ่งผลลัพธ์สามารถคำนวณล่วงหน้าและเก็บแคชได้ 10

ส่วนการแทนข้อมูลประกอบด้วย encoder, VisualVAE และ AudioVAE ข้อมูลเชิงเทคนิคที่เผยแพร่ระบุว่า VisualVAE บีบอัดวิดีโอ 16 เท่าในมิติเชิงพื้นที่ และ 4 เท่าในมิติตามเวลา ขณะที่การทำโทเค็นให้การลดทอนเชิงพื้นที่อย่างมีประสิทธิผล 32 เท่า 114

กลไกบีบอัดเหล่านี้ทำให้การสร้างวิดีโอมีความเป็นไปได้ในทางคอมพิวต์ แต่ก็ย้ำว่าอย่าดูเพียงจำนวนพารามิเตอร์ 33B แล้วสรุปขนาดหรือความต้องการทรัพยากรของไปป์ไลน์ทั้งหมด

H3 ทำอะไรได้บ้าง และ H3-Base ทำอะไรไม่ได้เอง

ระบบ H3 เต็มรูปแบบออกแบบมาให้รับอินพุตผสมระหว่างข้อความ ภาพนิ่ง คลิปวิดีโอ และเสียง จากนั้นสร้างวิดีโอที่มีเสียงสเตอริโอในตัวได้ สูงสุด 2K และยาวไม่เกิน 15 วินาที 510

สำหรับนักพัฒนา น้ำหนัก H3-Base เปิดทางให้ทดลองรันในเครื่อง การทำ quantization การใช้ adapter การหาแนวทาง fine-tuning และการสร้างเครื่องมือครีเอทีฟของตนเองได้ แต่ไม่ได้รวม Context-IR และโมเดลสร้างใหม่ 2K ของ MiniMax 59

ในทางปฏิบัติ ทีมที่ใช้ภาพอ้างอิง คลิปอ้างอิง หรือคำสั่งซับซ้อน อาจต้องสร้างชั้นเตรียมพรอมป์ต์และคอนเท็กซ์เอง ขณะที่ทีมที่ต้องส่งงาน 2K ไม่ควรตั้งสมมติฐานว่า H3-Base ตัวเดียวจะทำซ้ำผลลัพธ์จากบริการโฮสต์ได้ครบถ้วน

ราคา API และการรันในเครื่อง: ตัวเลขที่ควรอ่านอย่างมีเงื่อนไข

รายงานที่เผยแพร่ระบุราคา API สำหรับการสร้างวิดีโอ 2K ที่ 0.8 หยวนต่อวินาที และระบุว่าอินพุตเสียงกับภาพอ้างอิง 5 ภาพแรกไม่มีค่าใช้จ่ายในข้อเสนอที่อ้างถึง 1427 ราคา API เปลี่ยนตามบริการ ภูมิภาค และช่วงเวลาได้ จึงควรมองเป็นราคา ณ เวลาที่มีการรายงาน ไม่ใช่ราคาสากลถาวร

MiniMax และสื่อประชาสัมพันธ์ของ SGLang ยังระบุว่า H3 มีต้นทุนราวหนึ่งในสามของ Seedance 2.0 ในการเปรียบเทียบเฉพาะกรณี และสามารถรันในเครื่องด้วย RTX 5090 สองใบ หรือ RTX 6000 หนึ่งใบ 2831

แต่ตัวเลขฮาร์ดแวร์นี้เป็นคำกล่าวอ้างสำหรับชุดซอฟต์แวร์ ความละเอียดเชิงตัวเลข และการ offload แบบเฉพาะ ไม่ใช่สเปกขั้นต่ำที่ใช้ได้กับทุกการตั้งค่า ภาระงานจริงยังรวม encoder และ VAE นอกเหนือจาก Transformer 33B ด้วย 13

ความหมายต่อทีมผลิตคอนเทนต์

ควบคุมข้อมูลสำคัญได้มากขึ้น

การโฮสต์เองช่วยให้ภาพสินค้า ฟุตเทจที่ยังไม่เปิดเผย เสียงพากย์ หรือพรอมป์ต์ที่เป็นความลับอยู่ภายในระบบขององค์กร แทนการส่งไปยัง API ภายนอก เหมาะกับงานที่อ่อนไหวต่อทรัพย์สินทางปัญญาและการรักษาความลับ

อย่างไรก็ตาม การรันเองไม่ได้ทำให้ประเด็นกำกับดูแลหายไป ทีมงานยังต้องมีสิทธิ์เข้าถึงที่เหมาะสม ตรวจสิทธิ์ของอินพุต ตรวจทานผลลัพธ์ และกำหนดนโยบายใช้งานภายใน

เป็นฐานสำหรับเวิร์กโฟลว์เฉพาะองค์กร

open weights ทำให้ทีมเทคนิคสามารถเชื่อมขั้นสร้างวิดีโอเข้ากับคลังสินทรัพย์ ระบบรีวิวงานสร้างสรรค์ เครื่องมือเรนเดอร์ และงานโพสต์โปรดักชัน รวมถึงทดสอบ quantization หรือการปรับโมเดลสำหรับงานเฉพาะได้

ก่อนลงทุนใช้งานจริง ควรตรวจไลเซนส์อย่างละเอียด เพราะรายงานจากแหล่งภายนอกระบุข้อจำกัดทางภูมิศาสตร์ต่อการใช้งานในเครื่องในสหรัฐฯ สหภาพยุโรป สหราชอาณาจักร และเกาหลีใต้ 4

เหมาะที่สุดกับงานครีเอทีฟสั้น ๆ ที่ต้องทำซ้ำหลายรอบ

จุดที่ H3-Base น่าสนใจคือทีมที่ต้องทำวิดีโอสั้นหลายเวอร์ชัน เช่น ครีเอทีฟโฆษณา วิดีโอสินค้าอีคอมเมิร์ซ งานคอนเซปต์ อนิเมติก และการทดลองคอนเทนต์โซเชียล วิดีโอ 768p ที่มีเสียงในตัวช่วยลดขั้นตอนในช่วงคิดและลองไอเดีย โดยเฉพาะองค์กรที่มี GPU รองรับอยู่แล้ว

แต่ H3-Base ไม่ใช่คำตอบสำเร็จรูปแทนทุกขั้นตอนของการผลิตวิดีโอ เพราะไม่มีทั้งชั้น Context-IR และขั้นสร้างใหม่ 2K อีกทั้งงานวิดีโอสั้นจากโมเดลยังควรผ่านการตรวจทาน ตัดต่อ และบริหารสิทธิ์โดยมนุษย์

บทสรุป

MiniMax เปิดส่วนที่มีนัยสำคัญของ H3 นั่นคือ H3-Base ซึ่งขับเคลื่อนด้วย Transformer แบบสตรีมเดียวขนาด 33B ที่สร้างวิดีโอและเสียงสเตอริโอไปพร้อมกันจากอินพุตหลายรูปแบบ แต่การเปิดครั้งนี้มีขอบเขตชัดเจน: H3-Context-IR และ H3-Regenerate-2K ยังไม่เปิด 59

จึงควรมอง H3-Base เป็นฐานสร้างวิดีโอ 768p ที่ปรับแต่งและผนวกเข้ากับระบบขององค์กรได้ ไม่ใช่ระบบสร้างวิดีโอ 2K แบบเต็มชุดที่เปิดทั้งหมด