MiniMax H3 模型介绍

一句话定位：MiniMax 于 2026-07-31 发布、08-03 开源权重的新一代全模态视频生成模型。它把文本、图像、视频、音频放进同一个上下文里统一理解，单次可生成最长 15 秒、最高 2K 分辨率、24 FPS 的视频，并原生携带 32kHz 立体声——视频和音频在同一次推理中产生，不需要外挂配音模型。开源阵营里它是目前能力最全的一档，成本也明显低于同级闭源方案。
整理日期：2026-10-10 ｜资料来源见文末

项目	信息
模型 ID	`MiniMax-H3`（珂艾网关可直接调用）
发布时间	2026-07-31 发布，2026-08-03 开源权重
厂商	MiniMax
定位	全模态视频生成：文生视频 / 首尾帧生成 / 多模态参考生 / 视频编辑
参数规模	33B（其中文本编码器约占 32B）
单次时长	最长 15 秒，24 FPS
分辨率	开源版原生 768p；2K 走托管链路
音频	原生 32kHz 立体声，与视频同一次推理生成
参考素材	最多 9 张图 + 3 段视频 + 3 段音频，合计上限 12 个文件
开源协议	MiniMax H3 Community License（非 Apache / MIT）
官方定价	768P $0.08/秒、2K $0.13/秒（约合 $4.80 / $7.80 每分钟）

一、官方上线介绍

MiniMax H3 是 MiniMax 的新一代通用视频模型，官方把它定义为「通用型全模态生成系统」——不做「一个任务一个模型」，而是把文本、图像、视频、音频统一纳入一个上下文理解框架，从任意组合的多模态输入生成连贯的视听内容。

能做的四类任务

文生视频：纯文字提示生成。

首尾帧生成（FL2VA）：给起始帧和结束帧，模型补中间过程。

多模态参考生（Ref2VA）：给参考素材，模型从中读取身份、表演、运镜、构图、声场和剪辑节奏，再带到成片里。

精准视频编辑：对已有片段按自然语言指令修改。

几处关键技术点

H3-VAE 新分词器：有效序列长度提升 4 倍——这是「原生 2K」而非「低分辨率上采样」的前提。

上下文描述方式：不只描述目标视频，还描述「输入上下文与目标的关系」以及「上下文内部各元素的关系」。因此一句自然语言指令就能替代一整套固定任务列表。

2K 自回归再生成（H3-Regenerate-2K）：可恢复普通放大器还原不了的小文字、品牌标识等细节。

3D 多模态 RoPE：在 (t, h, w) 上编码时间与空间位置，模态差异只保留在输入输出层和 AdaLN 分支。

系统由三个模块组成，但只开源了一个

模块	作用	是否开源
H3-Base	主体生成（含 FL2VA、Ref2VA 两个检查点）	✅ 已开源，原生 768p
H3-Context-IR	更强的上下文解析	❌ 仅托管
H3-Regenerate-2K	2K 最终输出重建	❌ 仅托管

⚠️ 这一点很重要：「2K 输出」是托管商业链路的体验，可下载的开源版本原生只到 768p。本地能跑到 768p，要 2K 必须调用托管阶段。

开源与生态

权重发布于 Hugging Face 与魔搭 ModelScope；INT8 + NVFP4 剪枝版约 42.5GB。

支持 ComfyUI（0.30.0 起原生支持）、SGLang、vLLM 等推理框架。

开源首日即完成华为昇腾、摩尔线程、沐曦、海光信息、昆仑芯、天数智芯、壁仞科技、AMD、Intel，以及 Hugging Face、魔搭、ComfyUI、RunningHub、fal 等共 16 家生态伙伴的 Day-0 适配。

商业版与许可

商业版为 H3 Max（对外也称 Hailuo 3.0），由 fal 做后训练调优，主打更强的提示遵循与细节；近期还加入了中间帧控制（首帧 / 中间帧 / 尾帧，中间帧时间点可配），让复杂转场更可控。

开源协议是 MiniMax H3 Community License，不是 Apache 2.0 或 MIT：非商业用途免费，但授权地区明确排除欧盟、英国、韩国和美国，商用前需过一遍条款。

二、KOL / 开发者实测感受

公开榜单（Artificial Analysis，2026-10-08 读数）

榜单	MiniMax H3 位置	说明
图生视频（带音频）	第 1、第 2（H3 Max 1195 / H3 1181）	与 Vidu Q4 Preview（1179）构成统计平局，差距在置信区间内
文生视频（带音频）	第 4（1137）	H3 Max 第 5（1130）
视频编辑（带音频）	第 4（1119）	8 月曾以 1130 分位列第一，说明榜单会随竞争漂移

物理理解基准：在一个名为「World Models' Last Exam in Physics」的新基准上（8 个顶尖视频世界模型、40 项受控物理任务），全场最高分只有 57.76/100，自由落体类任务平均仅 26.61 分。H3 在其中拿到开源阵营最好成绩，接近闭源水平。这说明视频模型的物理理解整体仍处早期，H3 是「矮子里拔将军」而非已经解决。

社区实测（Reddit 等汇总）

最被认可的是「听得懂」：多步动作、运镜指令、角色关系、对白、音效都能执行，这些恰恰是简单提示词模型最容易丢的东西。所以讨论的焦点往往不是「画质好不好」，而是「它知不知道镜头里该发生什么」。

抱怨也很集中：显存与内存门槛高；高分辨率 / 长时长下生成慢；远处人脸发软或变形；偶发随机对白或乱码人声；参考生视频细节有丢失；不同工作流之间表现差异极大。

一个有价值的发现：有 ComfyUI 用户单独隔离 H3 的 VAE 做编解码测试，发现在扩散和视频压缩之前，皮肤纹理和面部细节就已经变软了——说明部分损耗来自 VAE 环节本身，不是采样或后处理的问题。

为什么会看到「又快又慢」两种相反评价：H3 的实际速度强依赖分辨率、时长、量化、SageAttention、缓存、显存卸载、系统内存和生成模式。工作流本身就是模型体验的一部分，孤立看某个 GPU 数字意义不大。

三、真实用户使用评价（部署与成本侧）

硬件门槛与优化

原生推理峰值显存约 80GB（对应 A100 80GB / H100），因为光是文本编码器就要单独占约 15.7GB——RTX 4090（24GB）无法加载。

但社区优化进展很快。ComfyUI 官方开发者 Bryan Wade 用五套组合——小型文本编码器替换、VSA 稀疏注意力、INT8 剪枝检查点、FP4 融合 MLP、分块解码——在**单张 RTX 5090（32GB）**上做到 15 秒视频 15 秒出图，显存压到 30GB 以内。

更低的配置也有：9700X + 32GB 内存 + RTX 5070 Ti 可跑通，5 秒视频约 5 分钟。

加速方案成熟度在快速提升：RunningHub 的 H3 Lightning 方案在 4 张 RTX 6000D 上，同样生成 5 秒 1344×768，原始 BF16 50 步耗时 348.8 秒，**加速后只需 28.7 秒（约 12 倍）**且保留数值精度，整套方案已开源。

关于质量要清醒的一点：做过 5090 优化实测的开发者对画质的原话是「可观看，但边缘粗糙」（watchable, even if the clips have rough edges）；448×256 这类低分辨率在大屏上细节不足，需要配超分工具才达到实用级别。商业 API（H3 Max 1080p）的质量明显优于本地低分辨率方案——本地省的是钱，不是质量。

成本对比（官方口径）

方案	价格
MiniMax H3 · 768P	$0.08 / 秒（约 $4.80 / 分钟）
MiniMax H3 · 2K	$0.13 / 秒（约 $7.80 / 分钟）
Seedance 2.0 · 1080p	约 $22.45 / 分钟
Kling 3.0 · 1080p	约 $20.16 / 分钟

一个社区流传的算法很实用：看「每条可用成片成本」而不是单价——生成费 + 参考素材费 + 失败重试 + 修图/后期 才是真成本。便宜模型如果重试多，最后可能更贵。

四、核心优势

开源阵营里能力最全的一档：同时具备「可下载权重 + 原生音频 + 2K 输出链路 + 视频编辑」，这几个条件同一条线上很难凑齐。

原生立体声：音频 VAE 分别处理左右声道再合成，视频与音频在同一次推理中产生，成片更接近可直接剪辑的初剪。

全模态上下文理解：文本、图像、视频、音频统一进一个上下文，一句自然语言指令就能替代固定任务列表。

参考控制力强：最多 12 个混合文件（9 图 + 3 视频 + 3 音频），能分别锚定身份、动作、风格、音色与声场。

支持视频编辑：能对已有片段做自然语言修改——不少竞品在这一项上是空白。

成本优势明显：2K 每分钟 $7.80，约为同级闭源方案的 1/3。

生态与工具链成熟：ComfyUI 原生支持，量化版、SageAttention 加速、TurboLoRA、Lightning 加速方案齐备。

可本地部署：对有数据保全要求的团队，素材可以完全不出内网。

五、适合用在哪

口播 / 短视频的 B-roll 与空镜：768p 素材性价比最高，观众本来也不会盯着细节看。

广告与产品演示：多参考融合可以「锁人 + 锁产品」，做人物与商品的组合镜头。

分镜预演与 storyboard：先用低成本档出方案供决策，选定后再出成品。

需要音画一体的对白场景：原生对白 + 立体声，减少后期配音环节。

视频编辑类工作：改已有素材而不是重生成。

有自有 GPU 的团队做批量生产：本地部署后边际成本显著下降。

数据本地化 / 版权敏感的项目：权重可自持，链路可控。

六、劣势与注意事项

15 秒时长上限：对手已经做到 30 秒。15 秒能完成一个完整叙事节拍，但撑不起持续的长叙事。

开源版原生只到 768p：2K 需要调用托管阶段，开源 ≠ 全功能。

许可证限制多：非 Apache / MIT，排除欧盟、英国、韩国、美国，商用必须法务过一遍。

硬件门槛高：33B 稠密视频模型，原生约 80GB 显存；消费卡要靠多套优化组合才能跑，且质量有折扣。

计费项分散：生成、2K 重建、参考图片、参考视频、上下文解析分别计费，容易低估总成本——务必按「每条可用成片」核算。

物理与一致性仍有明显边界：复杂物理效果、面部/物体变形、身份漂移、多角色一致性、参考冲突都是常见风险点。

音频偶发乱码或随机对白：可用于初剪，但不够完美的对白和时点仍会逼你重新生成。

参考不是越多越好：相互冲突的角色、镜头、动作、构图指令会让结果更难控制。实用原则是每份参考只赋予一个明确职责。

榜单漂移快：视频编辑榜从 8 月第一掉到 10 月第四，排名只能当参考，不能当结论。

七、推荐总结

推荐给谁

你的情况	建议
短视频 B-roll、口播空镜、批量素材	✅ 768p 性价比最高，是本模型最划算的用法
广告 / 产品演示（人 + 产品组合镜头）	✅ 多参考融合是它的强项
需要音画一体的对白场景	✅ 原生立体声，省一套配音流程
视频编辑（改已有片段而非重生成）	✅ 支持，且竞品普遍缺失
分镜预演、方案比稿	✅ 低成本档出方案，选定再出成品
有自有 GPU、要做本地批量	✅ 优化方案成熟，边际成本可大幅下降
数据不能出内网 / 版权敏感	✅ 权重可自持
需要 30 秒以上单条视频	❌ 上限 15 秒，直接不满足
要完全本地的 2K 成片	❌ 2K 重建不在开源范围内
打算商用且涉及欧盟 / 英国 / 韩国 / 美国	❌ 许可证明确排除这些地区
只有 24GB 以下显存的消费卡	⚠️ 需多套优化才能跑，且质量有折扣；建议直接走 API
对复杂物理效果要求高	⚠️ 全场最高分也只有 57.76/100，别期待已解决

一句话建议：把 MiniMax H3 当「开源阵营里最全能、成本最低的视频主力」，但它不是「免费用全套」——2K 和长时长都要另找路子。

具体来说：做口播 B-roll、产品演示、分镜预演、音画一体的短片，它是当前性价比最优的一档；但凡涉及「30 秒以上」「本地 2K 成片」「欧盟/英国/韩国/美国商用」这三类需求，直接换方案；预算核算请按「每条可用成片成本」算，把参考素材、重试和后期都算进去。

在珂艾网关怎么调

项目	值
模型 ID	`MiniMax-H3`
计费	按秒计费（异步任务）
参考单价	约 $0.075 / 秒（15 秒视频约 $1.13）
分组	`Hailuo-2`
支持形态	文生视频 / 图生视频（首尾帧）/ 多模态参考生
建议	短视频与 B-roll 主力；长时长与本地 2K 需求请换方案

另有 aigc-video-hailuo 通道，同时覆盖 H3 与 H3-MAX 极速版（H3-MAX 支持文生/图生首尾帧，不支持中间帧与多模态参考生），参考单价约 $0.09 / 秒。
⚠️ 单价与分组会随站点策略调整，实际以珂艾网关当前价格为准。

八、来源

官方 / 一方

MiniMax 官方 — H3 模型说明（全模态定位、768p/2K、15 秒、原生立体声）

MiniMax 官方 — H3 开源公告与 Hugging Face / 魔搭权重发布（2026-08-03）

MiniMax H3 Community License — 授权地区与商业条款

fal — H3 Max 中间帧控制（首帧 / 中间帧 / 尾帧，middle_frame_time）：https://aicrier.com/post/hjtzn57d3kddk9sfileq

第三方评测与榜单
5. Artificial Analysis — 视频 Arena（图生视频 / 文生视频 / 视频编辑榜，2026-10-08 读数）：https://artificialanalysis.ai/
6. OrcaRouter — Vidu Q4 Preview vs MiniMax H3（三榜对比与平局解读）：https://www.orcarouter.ai/blog/vidu-q4-preview-vs-minimax-h3
7. World Models' Last Exam in Physics — 视频世界模型物理基准（最高分 57.76/100）

实测、部署与社区
8. DEV Community — MiniMax H3 Notes（定价表、参考上限、局限性）：https://dev.to/dylanfoster1/minimax-h3-notes-omni-modal-video-a-33b-backbone-and-2k-in-context-regeneration-2oaj
9. 博客园 — MiniMax H3 实时生成完全指南（5090 优化五步、FastH3、VSA 影响、社区实测数据）：https://www.cnblogs.com/vibecodinghuanzhe/p/23248352
10. Leadde — MiniMax H3 Reddit 评测汇总（优点与常见抱怨）：https://leadde.ai/blog/mini-max-h3-reddit-review
11. Scenario Helpdesk — MiniMax Hailuo 视频模型谱系（H3 Max / Hailuo 3.0 定位）：https://help.scenario.com/articles/8094765856-minimax-hailuo-video-the-essentials
12. 澎湃新闻 — 开源模型生态与一体机进展报道（消费级配置实测、Lightning 加速数据）：https://www.thepaper.cn/newsDetail_forward_34191453
13. 今日头条 — 国产视频大模型性价比横向对比（H3 与万相 3.0、Seedance 2.5 的成本对照）

说明：榜单与价格数据取自 2026-10-08 / 10-10 期间公开信息，模型与榜单迭代快；H3 的开源版（H3-Base，768p）与托管商业链路（2K、Context-IR）能力范围不同，引用时请注意区分。

MiniMax H3 模型介绍

一、官方上线介绍#

二、KOL / 开发者实测感受#

三、真实用户使用评价（部署与成本侧）#

四、核心优势#

五、适合用在哪#

六、劣势与注意事项#

七、推荐总结#

八、来源#