答案已发布20 来源
MiniMax H3 开放权重：下载到的 H3-Base，究竟包含什么？
2026 年 8 月 3 日，MiniMax 在 Hugging Face 发布了 H3 Base 权重，包括 FL2VA 与 Ref2VA 任务权重；核心是 330 亿参数的密集型单流 H3 Omni Transformer。[1][13] H3 可理解文本、图像、视频和音频组成的多模态上下文，并生成原生同步的立体声音视频；完整系统最高支持 2K、最长 15 秒。[5][10] 开放的是 768p 生成阶段 H3 Base，并非整套 H3：决定复杂指令处理质量的 Context IR，以及用于 2K 输出的 Regenerate 2K，均未包含在此次权重发布中。[5][9]
研究答案
要点
- 2026 年 8 月 3 日，MiniMax 在 Hugging Face 发布了 H3 Base 权重，包括 FL2VA 与 Ref2VA 任务权重；核心是 330 亿参数的密集型单流 H3 Omni Transformer。[1][13]
- H3 可理解文本、图像、视频和音频组成的多模态上下文，并生成原生同步的立体声音视频；完整系统最高支持 2K、最长 15 秒。[5][10]
- 开放的是 768p 生成阶段 H3 Base，并非整套 H3：决定复杂指令处理质量的 Context IR，以及用于 2K 输出的 Regenerate 2K，均未包含在此次权重发布中。[5][9]
- 本地部署和定制为团队带来更多数据控制权，但实际采用前仍须核查许可证、硬件配置，以及缺失组件对生产流程的影响。
AI 提示
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 在 2026 年 8 月于 Hugging Face 发布的内容，更准确地说是 H3-Base 的开放权重，即 H3 视频系统中的基础生成阶段；它并没有开放复现官方完整托管工作流所需的全部模型。
这一区别很重要：H3-Base 可生成 768p 的同步音视频，而负责复杂上下文处理的模块，以及面向 2K 输出的再生成阶段，仍是独立且未开放的部分。1
5
这次究竟发布了什么？
MiniMax 于 2026 年 8 月 3 日将 H3 权重发布至 Hugging Face，重点是 H3-Base，公开信息显示其中包括 FL2VA 和 Ref2VA 两组任务权重。1
13
其生成核心是 H3-Omni-Transformer：一个拥有 330 亿参数的密集型、单流 Transformer。它不是先生成画面、再把声音后期拼上去，而是在同一生成过程中联合去噪视频与音频，实现声画同步生成。完整 H3 系统可接收文本、图片、视频与音频构成的统一上下文，并输出带原生立体声的视频。5
10
不过，“330 亿参数”指的是 Omni-Transformer 这一生成核心，并不代表完整部署时只需加载一个 330 亿参数模型。整条管线还涉及 H3 编码器、VisualVAE 和 AudioVAE 等组件。10
13
H3 的三段式工作流：开放的只是中间一段
MiniMax 将 H3 描述为由三个模块组成的系统：
- H3-Context-IR：理解并整理复杂的多模态指令与参考素材，将其转化为适合生成的“上下文中间表示”（Context Intermediate Representation）。MiniMax 明确表示，这一步对最终质量至关重要。
5
- H3-Base：根据处理后的上下文生成 768p 的同步音视频。这正是此次开放权重所覆盖的核心组件。
13
- H3-Regenerate-2K：在基础结果之上执行再生成，用于获得 2K 输出；它不在本次开放权重之列。
9
因此，本地运行 H3-Base 不能直接等同于拥有官方展示的完整 2K H3 产品。完整系统最高可输出 2K、单条最长 15 秒，但下载到的基础生成器对应的是 768p 阶段。5
9
架构重点：声音和画面走同一条生成流
H3 的主要特点，是把视频与音频放进同一条多模态生成流中处理。330 亿参数的 H3-Omni-Transformer 采用密集型 Transformer 架构；MiniMax 的代码库称，其中约 130 亿参数位于 AdaLN 相关分支，这些分支的输出可以预计算并缓存。10
底层表示管线则包含编码器、视觉 VAE 与音频 VAE。公开技术资料称，视觉 VAE 会对视频进行 16 倍空间压缩和 4 倍时间压缩；其分词设计实现了有效的 32 倍空间降采样。这类压缩是让视频生成在计算上可行的基础，也说明仅看“330 亿参数”并不足以判断整个系统的体积和运行资源需求。1
14
H3 能做什么，开放版本又缺少什么？
完整 H3 系统面向混合输入设计：提示词中可以同时包含文本、静态图片、视频片段和音频。它最高可生成 2K、最长 15 秒、带原生立体声的视频。5
10
对开发者而言，H3-Base 的开放权重意味着可以尝试本地推理、量化、适配器、微调方案，以及自定义创作工具。但 H3-Base 不包含 MiniMax 的 Context-IR 系统和 2K 再生成模型。
这意味着两点：
API 价格与本地部署：该怎样理解这些宣传数字？
公开报道显示，H3 的 2K API 价格曾为 0.8 元/秒；在相应服务方案下，音频参考输入免费，前五张图片参考输入免费。14
27 这应被视为特定时间点、特定服务与地区下的公开报价，而非永久或全球统一价目表。
MiniMax 与 SGLang 的宣传材料还称，在某项对比中，H3 的成本约为字节跳动 Seedance 2.0 的三分之一；并称其可在 两张 RTX 5090 或 一张 RTX 6000 上本地运行。28
31
但这些都不应被理解为普遍适用的最低硬件门槛。实际部署成本取决于推理软件、量化精度、卸载策略和工作负载；除 330 亿参数 Transformer 外，编码器和 VAE 组件同样占用资源。13
对生产团队意味着什么？
更适合敏感素材的受控工作流
自托管可以让产品图片、未公开素材、声音资产和提示词留在组织内部，而非发送给第三方生成 API。对于处理机密资产的团队，这提供了更强的数据控制能力。
不过，本地部署并不会自动解决治理问题。访问权限、输入素材权利核验、输出审核和内部使用规范仍然不可或缺。
可作为定制化生产管线的起点
开放权重让技术团队有机会把生成模型接入素材管理库、创意审核系统、渲染工具与后期流程，并探索量化和任务适配。
但在投入前应先审阅许可证。第三方报道指出，该社区许可证对美国、欧盟、英国和韩国的本地使用设有地域限制。4 对于涉及这些地区的团队，许可证合规性可能比模型能否运行更先决定项目是否可行。
最适合高频迭代的短视频创作
H3-Base 的现实适配场景，主要是需要大量短视频变体的工作：广告创意、电商商品短片、概念验证、分镜预演和社交内容实验。对于已经具备相应 GPU 能力的团队，集成音频的 768p 本地生成器能降低早期创意迭代的摩擦。
但它并不是所有视频生产需求的一站式替代品。开放版本缺少完整的上下文处理与 2K 阶段；短视频生成结果也仍需要人工审核、剪辑和素材权利管理。
结论
MiniMax 开放的是 H3 中相当关键、但并非全部的一层：H3-Base。它由 330 亿参数的单流 Transformer 驱动，可从多模态输入中联合生成视频与原生立体声音频。
不过，完整产品所依赖的 Context-IR 和 H3-Regenerate-2K 依旧未开放。因此，H3-Base 更适合被看作一个可定制的 768p 声画生成基础，而不是一套完整开源的 2K H3 系统。5
9
Studio Global AI
继续你的研究
此页面包含一个有来源支持的答案，您可以在 Studio Global 内继续。
人们还问
“MiniMax H3 开放权重：下载到的 H3-Base，究竟包含什么？”的简短答案是什么？
2026 年 8 月 3 日，MiniMax 在 Hugging Face 发布了 H3 Base 权重，包括 FL2VA 与 Ref2VA 任务权重；核心是 330 亿参数的密集型单流 H3 Omni Transformer。[1][13]
首先要验证的关键点是什么？
2026 年 8 月 3 日，MiniMax 在 Hugging Face 发布了 H3 Base 权重，包括 FL2VA 与 Ref2VA 任务权重；核心是 330 亿参数的密集型单流 H3 Omni Transformer。[1][13] H3 可理解文本、图像、视频和音频组成的多模态上下文，并生成原生同步的立体声音视频；完整系统最高支持 2K、最长 15 秒。[5][10]
接下来在实践中我应该做什么？
开放的是 768p 生成阶段 H3 Base，并非整套 H3：决定复杂指令处理质量的 Context IR，以及用于 2K 输出的 Regenerate 2K，均未包含在此次权重发布中。[5][9]