答案已發布20 來源
MiniMax H3 開放權重其實開咗乜？
2026 年 8 月 3 日，MiniMax 上載到 Hugging Face 嘅係 H3 Base 權重：用 330 億參數單串流 Transformer 同步生成 768p 影片及原生立體聲。 完整 H3 可處理文字、圖片、影片同音訊混合內容，最長輸出 15 秒、最高 2K；但 Context IR 同 H3 Regenerate 2K 並未隨今次權重公開。
發布者使用 GPT-5.6 Terra 編輯圖片由 GPT Image 2 生成
研究答案
重點
- 2026 年 8 月 3 日，MiniMax 上載到 Hugging Face 嘅係 H3 Base 權重：用 330 億參數單串流 Transformer 同步生成 768p 影片及原生立體聲。
- 完整 H3 可處理文字、圖片、影片同音訊混合內容，最長輸出 15 秒、最高 2K；但 Context IR 同 H3 Regenerate 2K 並未隨今次權重公開。
- 本地部署可方便內部整合、量化及客製化，但要先核實社群授權、實際硬件配置，以及缺少閉源組件對成片品質與 2K 輸出嘅影響。
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 喺 2026 年 8 月嘅 Hugging Face 發布，重點係將 H3-Base 嘅權重開放，而唔係將整套 H3 影片生成流程完全公開。呢個分別好關鍵：H3-Base 係負責輸出 768p 聲畫同步影片嘅生成階段；處理複雜多模態指令嘅 Context-IR，以及做 2K 成片嘅再生成階段，仍然係獨立組件。 1
5
今次到底公開咗乜？
MiniMax 於 2026 年 8 月 3 日將 H3 權重發布到 Hugging Face，焦點係 H3-Base，包括報道所指嘅 FL2VA 同 Ref2VA 任務權重。 1
13
核心模型名為 H3-Omni-Transformer：一個 330 億參數、密集式（dense）、單串流（single-stream）Transformer。佢唔係先整畫面、再後加配音，而係喺同一個生成過程之中，一齊對影片同音訊做去噪生成，因此可以產生聲畫同步嘅結果。整個 H3 系統可接收文字、圖片、影片同音訊組成嘅統一上下文，並輸出帶原生立體聲嘅影片。 5
10
不過，「330 億參數」只係指 Omni-Transformer 呢個生成核心，唔代表一個完整部署只需載入呢個模型。整條流程仲包括 H3 encoder、VisualVAE 同 AudioVAE 等組件。 10
13
H3 三個階段：公開嘅只係中間生成器
MiniMax 將完整 H3 分為三部分：
- H3-Context-IR：理解同整理較複雜嘅多模態指令，轉換成方便生成器使用嘅「上下文中間表示」。MiniMax 指出，呢一段對最終質素相當重要。
5
- H3-Base：根據處理過嘅上下文，生成 768p 聲畫同步結果；今次開放權重嘅就係呢一部分。
13
- H3-Regenerate-2K：後續用作生成 2K 輸出嘅再生成步驟；並無納入今次開放權重。
9
所以，下載到 H3-Base 唔等於你已經有官方展示嗰套完整 2K 工作流程。完整系統規格可支援最高 2K、最長 15 秒輸出，但公開嘅 base generator 本身係 768p 階段。 5
9
架構重點：聲音同畫面走同一條生成路徑
H3 最核心嘅設計，係用一條共同生成串流處理影片同音訊。330 億參數嘅 H3-Omni-Transformer 採用密集式 Transformer 架構；MiniMax 嘅程式庫稱，其中約 130 億參數位於 AdaLN 相關分支，而呢部分輸出可以預先計算同快取。 10
支援表示與壓縮嘅流程，另有 encoder、視覺 VAE 同音訊 VAE。技術資料指，VisualVAE 對影片做 空間 16 倍、時間 4 倍壓縮；token 化設計帶來有效 32 倍空間縮減。呢類壓縮令影片生成嘅運算量變得可處理，但亦正好說明：只睇「330 億參數」呢個數字，未足以判斷整個 pipeline 嘅體積同硬件負載。 1
14
H3 做到乜？開放版又未做到乜？
完整 H3 面向可混合文字、靜態圖片、影片片段同音訊嘅提示及參考素材，能夠產生最長 15 秒、最高 2K、附帶原生立體聲嘅影片。 5
10
對開發團隊而言，H3-Base 開放權重意味住可以試本地推理、量化、adapter、微調方法，同埋自行開發創作工具。不過，公開版唔包括 Context-IR 及 2K 再生成模型。換言之：
價格同本地部署：要睇清楚條件
公開報道曾列出 2K API 價格為 每秒 0.8 元人民幣，並指相關服務中音訊參考素材及首 5 張圖片參考素材免費。 14
27 呢啲係當時公開嘅 API 收費資料；服務版本、地區同方案可以改變，唔應視作永久或全球統一定價。
MiniMax 同 SGLang 嘅宣傳資料亦將 H3 描述為喺某一比較下，成本約為 Seedance 2.0 嘅三分之一，並稱可用 兩張 RTX 5090 或 一張 RTX 6000 作本地運行。 28
31 呢啲屬於特定軟件、精度與 offloading 配置下嘅部署說法，唔係所有情況都適用嘅最低硬件門檻。實際負載亦唔止 330 億參數 Transformer，仲包括 encoder 同兩個 VAE 組件。
13
對製作團隊有咩實際意義？
敏感素材可以留喺內部流程
自建部署可以令產品圖片、未發布片段、聲音素材同提示詞，毋須交畀第三方生成 API。對持有機密素材嘅團隊而言，呢點有吸引力。不過，本地運行唔代表可以省略管治：權限管理、素材權利審核、輸出覆核同內部合規程序仍然要做。
係自訂工作流程嘅起點，而非即裝即用嘅完整製作套裝
開放權重令技術團隊有機會將生成器接駁素材管理庫、創作審批系統、渲染工具同後期製作流程，亦可研究量化同針對任務嘅適配方式。但部署前必須先讀清楚授權條款：第三方報道指，社群授權對美國、歐盟、英國及南韓嘅本地使用設有限制。 4
最適合大量、短片段、反覆試稿嘅場景
佢最實際嘅用途，可能係要大量製作短版本嘅創作工作，例如廣告素材、電商產品短片、概念測試、分鏡預演（animatics）同社交平台內容實驗。若團隊本身已有合適 GPU，768p 本地聲畫生成器可減少前期反覆試稿嘅摩擦。
但 H3-Base 唔係所有影片製作需求嘅一鍵替代品。佢未包含完整上下文處理及 2K 階段；短片生成結果亦仍然需要人手剪接、質素審核同權利管理。真正價值唔只係「可以下載」，而係一個有能力嘅聲畫生成階段，可以喺授權同硬件條件許可下，被納入較受控嘅內部工作流程。
結論
MiniMax 今次開放咗 H3 一個重要部分：H3-Base。佢由 330 億參數嘅單串流 Transformer 驅動，能夠從多模態輸入聯合生成影片與原生立體聲。
但開放範圍比完整 H3 產品窄：Context-IR 同 2K 再生成器仍未公開。因此，H3-Base 應理解為可客製化嘅 768p 聲畫生成基礎，而唔係一套完整開放、可直接輸出 2K 嘅 H3 系統。 5
9
Studio Global AI
繼續你的研究
此頁麵包含一個有來源支援的答案，您可以在 Studio Global 內繼續。
人們還問
「MiniMax H3 開放權重其實開咗乜？」的簡短答案是什麼？
2026 年 8 月 3 日，MiniMax 上載到 Hugging Face 嘅係 H3 Base 權重：用 330 億參數單串流 Transformer 同步生成 768p 影片及原生立體聲。
首先要驗證的關鍵點是什麼？
2026 年 8 月 3 日，MiniMax 上載到 Hugging Face 嘅係 H3 Base 權重：用 330 億參數單串流 Transformer 同步生成 768p 影片及原生立體聲。 完整 H3 可處理文字、圖片、影片同音訊混合內容，最長輸出 15 秒、最高 2K；但 Context IR 同 H3 Regenerate 2K 並未隨今次權重公開。
接下來在實務上我該做什麼？
本地部署可方便內部整合、量化及客製化，但要先核實社群授權、實際硬件配置，以及缺少閉源組件對成片品質與 2K 輸出嘅影響。