MiniMax H3 開放權重：真正釋出的只有 H3-Base

MiniMax 在 2026 年 8 月於 Hugging Face 推出的 H3，較精確的說法是：開放了 H3-Base 的模型權重，而不是整套 H3 影片生成產品。

這個差異直接影響採用判斷。H3-Base 可產生帶有同步音訊的 768p 影片；但負責理解複雜多模態指令的 Context-IR，以及用於輸出 2K 成果的再生成階段，仍是分開且未開放的元件。15

這次究竟釋出了什麼？

MiniMax 於 2026 年 8 月 3 日在 Hugging Face 發布 H3 權重，核心是 H3-Base，包括公開報導所提到的 FL2VA 與 Ref2VA 任務權重。113

H3-Base 的生成核心是 H3-Omni-Transformer：一個有 330 億參數的密集式、單串流 Transformer。它不把聲音當成影片完成後再外掛的步驟，而是在同一個生成／去噪流程中，聯合生成影像與音訊。H3 系統可接收文字、圖片、影片與音訊混合而成的多模態上下文，目標輸出則是帶有原生立體聲的影片。510

不過，「33B」只是在描述 Omni-Transformer 這個生成核心，並不等於整個部署管線只需載入一個 33B checkpoint。完整管線還涉及 H3 編碼器、VisualVAE 與 AudioVAE 等元件。1013

H3 的三段式架構：開放的是中間生成引擎

MiniMax 將完整 H3 系統劃分為三個模組：

• H3-Context-IR：理解並整理複雜的文字、圖片、影片與音訊指令，轉換成供生成器使用的「上下文中介表示」（Context Intermediate Representation）。MiniMax 明確表示，這一層對最終品質很重要。5
• H3-Base：根據處理後的上下文，產生同步的影片與音訊，解析度為 768p。這是本次開放權重的部分。513
• H3-Regenerate-2K：在 Base 結果之後進行再生成，以取得 2K 輸出；它未包含在這次開放權重中。59

換句話說，將 H3-Base 跑在本地，不應與官方展示的完整 2K 流程畫上等號。完整 H3 系統標示可支援最高 2K、最長 15 秒的原生立體聲影片，但此次可下載的 Base 生成器是 768p 階段。59

為何強調「單串流」：聲音和畫面一起生成

H3 的核心設計，是讓影像與音訊共用一條生成序列。33B H3-Omni-Transformer 採密集式 Transformer 架構；MiniMax 的程式庫說明，其中約有 130 億參數位於 AdaLN 相關分支，而這些調制輸出可預先計算並快取。10

支援這套生成流程的表徵管線包含編碼器、視覺 VAE 與音訊 VAE。技術說明指出，視覺 VAE 對影片進行 16 倍空間壓縮與 4 倍時間壓縮，其 token 化設計可達到等效 32 倍空間縮減。114

這類壓縮是讓影片生成在運算上可行的關鍵，也說明了為什麼只看「330 億參數」不足以估計完整系統的權重規模、記憶體占用與實際部署成本。

能做什麼？又不能單靠 H3-Base 做什麼？

完整 H3 的定位，是接受混合式的文字提示、靜態圖片、影片片段與音訊素材，生成最長 15 秒、最高 2K 的原生立體聲影片。510

對開發團隊而言，H3-Base 開放權重帶來幾種實際可能：

• 在本地進行推論與量化實驗；
• 開發適配器或微調方案；
• 建立內部創作工具與自訂工作流；
• 將影片生成串接到素材管理、審稿、剪輯或後製系統。

但它並沒有附上 MiniMax 的 Context-IR 系統，也沒有 2K 再生成模型。若團隊依賴複雜的參考素材與指令控制，便需要自行建立提示詞／上下文準備層；若交付規格要求 2K，也不能預設 H3-Base 單獨就能重現官方代管服務的效果。59

價格與本地部署：數字要看適用條件

公開報導曾列出 H3 的 2K API 費率為每秒 0.8 元人民幣，並稱音訊參考輸入及前 5 張圖片參考輸入免費。1427 這類價格屬於特定時間點、特定服務條件下的公開資訊，實際計費仍可能隨服務、地區與方案而異，不應視為永久的全球定價。

MiniMax 與 SGLang 的宣傳資訊也曾將 H3 描述為在特定比較下，成本約為 Seedance 2.0 的三分之一，並表示可在 2 張 RTX 5090 或 1 張 RTX 6000 上本地執行。2831

這些硬體說法應理解為特定軟體堆疊、量化精度與卸載設定下的部署主張，而不是通用的最低硬體門檻。除了 33B Transformer，本地工作負載還包括編碼器和 VAE 元件。13

對製作團隊的實際意義

對敏感素材多一層掌控

自架流程可讓產品圖、未公開毛片、聲音資產與提示詞留在組織內部，而不是傳送到第三方生成 API。對處理保密素材的團隊，這是一項明顯優勢。

但「在地端」不代表免除治理工作。存取權限、輸入素材權利、輸出審核與內部使用規範仍不可少。

可作為客製化創作管線的起點

開放權重讓技術團隊有機會把生成能力接入既有的素材庫、創意審核系統、渲染工具與後製流程，也能研究量化或針對特定任務的調整方式。

不過，在投入前仍應仔細檢視授權條款。第三方報導指出，社群授權對美國、歐盟、英國與南韓的本地使用設有限制。4

最適合短片、多版本、反覆迭代的需求

H3-Base 的實務契合點，較可能在於需要大量產生短片變體的工作：例如廣告素材、電商商品短片、概念提案、動態分鏡，以及社群內容測試。

如果團隊已有合適 GPU 資源，768p 的本地聲畫生成可降低前期創意迭代阻力；但它不是所有影片製作需求的一鍵替代方案。開放版本少了完整的上下文處理與 2K 階段，而短片生成結果仍需要人工挑選、剪輯與權利審查。

結論

MiniMax 這次開放的是 H3 中相當重要、但範圍明確的一塊：以 330 億參數單串流 Transformer 為核心的 H3-Base，可聯合生成 768p 影片與原生立體聲音訊。

然而，H3-Context-IR 與 H3-Regenerate-2K 仍未開放。因此，H3-Base 更適合被看作一個可客製、可自架的 768p 聲畫生成基礎，而不是一套完整開放的 2K 影片製作系統。59