MiniMax H3 Dibuka Kode Sumber dengan 33 Miliar: Model Video Melintasi Garis Produksi

Pada hari terakhir bulan Juli, MiniMax merilis H3, model video dengan 33 miliar parameter yang mencapai SOTA pada tolok ukur video utama. Pada hari yang sama, bobotnya dibuka sebagai kode sumber terbuka. Ceritanya bukan hanya tentang laboratorium lain yang menyusul Seedance dari ByteDance. Ceritanya adalah bahwa generasi video telah melintasi garis dari 'demo keren' menjadi 'alat produksi', dan MiniMax memilih untuk merilisnya pada saat yang tepat.

Di videobao, ini mengubah apa yang dapat Anda lakukan dalam satu sesi. Baca terus untuk analisis H3, argumen 'mengapa 33B menjadi tajuk utama', dan bagaimana menggunakan generasi model ini dalam proyek Anda berikutnya.

Apa yang Sebenarnya Dilakukan oleh MiniMax H3

H3 dibangun di sekitar dua ide: masukan multi-modalitas asli dan pengeditan lintas-modal yang presisi. Teks, gambar, audio, dan video dapat digunakan sebagai referensi dalam satu prompt yang sama. Artinya, Anda dapat memberikan model sebuah klip pendek, menunjuk satu karakter dengan instruksi teks, dan mengganti hanya karakter tersebut sementara segala sesuatu di sekitarnya tetap utuh.

Demo awal dari MiniMax berfokus pada adegan di mana tim produksi benar-benar membutuhkan ini: tur desain UI, iklan merek, pemotongan bergaya MV, sinematik game, efek AR dan transisi, serta coba-pakai e-commerce. Penawarannya bukan 'AI dapat membuat video' tetapi 'AI dapat membuat video spesifik yang Anda butuhkan, dengan elemen spesifik yang diubah.'

H3 juga menghasilkan 2K secara asli, dengan tokenizer baru yang dibangun di atas arsitektur Hailuo-02. Kompresi lebih efisien, biaya pelatihan dan inferensi lebih rendah, dan modelnya cukup kecil (33B) sehingga tim produksi serius sebenarnya dapat menghostingnya.

Mengapa 33B adalah Berita yang Lebih Besar Daripada SOTA

SOTA adalah tajuk utama. 33B adalah berita sebenarnya. Sebagian besar model video SOTA pada tahun 2025 memiliki 70B+ parameter, yang berarti tagihan komputasi serius, iterasi lambat, dan API tertutup. Model 33B pada SOTA berarti tiga hal.

Pertama, pelatihan lebih mudah diakses. Tim yang tidak mampu melatih model video batas pada tahun lalu sekarang dapat menyempurnakan atau mendistilasi satu. Kedua, inferensi lebih murah. Biaya kredit per generasi di videobao dibentuk oleh biaya hulu, dan model yang lebih kecil mendorong angka itu turun. Ketiga, penerapan realistis. Anda dapat menjalankan model video 33B pada perangkat keras produksi serius tanpa membangun pusat data khusus.

Dengan kata lain, SOTA pada 33B adalah yang mengubah hasil penelitian menjadi produk yang dapat dibangun oleh tim. Hal yang sama terjadi dengan model bahasa ketika hit sumber terbuka yang efisien mencapai standar kualitas GPT-3 dengan sebagian kecil dari ukuran. Video sedang mengalami transisi yang sama, hanya saja tertinggal dua belas bulan.

Dari Trik Demo ke Alat Produksi

Setahun yang lalu, video AI dinilai berdasarkan apakah kelinci itu koheren. Seluruh bidang mengoptimalkan konsistensi tingkat prompt, dan bahkan itu pun sulit. Tolok ukur tahun 2026 berbeda. Model seperti Veo 3.1, Kling 2.5, Sora 2, dan sekarang H3 tidak hanya menghasilkan. Mereka mengganti karakter dengan tepat tanpa mengotori latar belakang. Mereka tidak hanya menyertakan audio. Veo 3.1 mengirimkan audio asli 48 kHz, dan sebagian besar model arus utama sekarang mengeluarkan video sinkronisasi bibir dalam satu kali proses.

Penggunaan kasus bergerak seiring dengan kemampuan. Tahun lalu adalah 'lihat efek keren ini'. Tahun ini adalah TVC, iklan merek, dan demo produk. Pergeseran dari 'memamerkan model' ke 'menggunakan model untuk meluncurkan kampanye' adalah garis yang baru saja dilintasi oleh industri.

Jika Anda mencoba video AI pada tahun 2025 dan tidak berhasil, model tahun 2026 adalah produk yang berbeda. Di videobao Anda sekarang dapat menggunakan Hailuo 02, Veo 3.1, Kling 2.5, dan Sora 2 dalam satu sesi dan memilih yang sesuai dengan brief.

Mengapa Agregasi Menang Saat Model Dibuka Kode Sumber

MiniMax memilih untuk membuka kode sumber H3 meskipun mereka memiliki kinerja SOTA dan keunggulan biaya. Itu terdengar tidak intuitif, tetapi permainan sumber terbuka menjadi standar untuk laboratorium video serius. Alasannya sederhana: model video akan ada di mana-mana, dan menjadi vendor tertutup dari versi yang sedikit lebih baik kurang berharga daripada menjadi platform yang memungkinkan pengguna membandingkan semuanya.

Lihat LTX-2.3. Ini adalah model video sumber terbuka di luar negeri yang telah mencapai 18 juta unduhan di Hugging Face. Delapan belas juta. Ekosistem video sumber terbuka itu nyata, aktif, dan di situlah sebagian besar pekerjaan produk baru terjadi. Platform agregasi seperti videobao berada di atas ini: kami mengemas sumber terbuka, sumber tertutup, model Cina, dan Barat di balik satu login dan satu saldo kredit, sehingga Anda tidak perlu memilih.

Itulah jawaban praktis untuk pertanyaan 'sumber terbuka atau sumber tertutup' bagi pengguna akhir. Anda tidak memilih. Anda menggunakan platform, dan platform memilih model yang tepat untuk pekerjaan itu. Terkadang itu adalah MiniMax H3, sekarang tersedia di videobao. Terkadang itu adalah Veo 3.1 untuk bidikan sinematik. Terkadang itu adalah Kling 2.5 untuk klip sosial murah dengan audio asli. Poinnya adalah bahwa platform dapat melakukan semuanya.

Cara Menggunakan H3 di videobao Hari Ini

H3 sekarang tersedia di videobao. Pilih ketika Anda menginginkan pengeditan lintas-modal yang presisi pada kanvas asli 2K. Pola: unggah gambar referensi atau klip pendek, tulis prompt yang menyebutkan elemen yang ingin Anda ubah, dan H3 menjaga sisa adegan tetap stabil secara piksel. Hailuo 02, Kling 2.5, dan Veo 3.1 semuanya dalam satu sesi jika Anda menginginkan alur kerja yang sama dalam tingkat harga atau resolusi yang berbeda.

Di videobao, H3 berjalan dengan 7 kredit per detik untuk 2K asli dengan rentang durasi 4-15 detik. Mode penggunaan terintegrasi adalah: teks-ke-video, gambar bingkai pertama, bingkai terakhir, atau bingkai pertama+terakhir ke video, serta mode berbasis referensi dengan hingga 5 gambar referensi beserta klip video dan audio referensi opsional. Pengeditan presisi lintas-modal adalah kasus penggunaan utama. Hailuo 02 adalah opsi yang lebih murah untuk alur kerja yang sama; Veo 3.1 adalah pilihan yang tepat jika Anda membutuhkan 4K; Kling 2.5 adalah pilihan yang tepat jika Anda menginginkan trek audio bawaan dengan anggaran terbatas; Sora 2 adalah pilihan yang tepat untuk narasi multi-shot panjang. H3 adalah hanya tingkat premium di videobao, karena generasi 2K secara signifikan lebih mahal daripada 1080p.

Gelombang sumber terbuka 33B akan terus menurunkan harga dasar seluruh lineup selama dua kuartal ke depan. Langkah yang tepat adalah mengunci alur kerja pengeditan lintas-modal sekarang, sementara H3 adalah SOTA terbaru dan model lain terus terkompresi di bawahnya.