MiniMax H3 以 330 億參數開源：視頻模型跨越生產線

在七月的最後一天，MiniMax 發布了 H3，這是一個 330 億參數的視頻模型，在主要的視頻基準測試上達到了 SOTA。同一天，權重也開源發布。這不僅僅是另一個實驗室趕上了字節跳動的 Seedance。這是一個視頻生成從 '酷炫演示' 跨越到 '生產工具' 的故事，而 MiniMax 選擇在這個時刻發布。

在 videobao 上，這改變了你在一個會話中能做的事情。請繼續閱讀以了解 H3 的詳細介紹，'為什麼 330 億是新聞標題' 的論點，以及如何在您的下一個項目中使用這一代模型。

MiniMax H3 實際能做什麼

H3 圍繞兩個概念構建：原生多模態輸入和跨模態精確編輯。文本、圖像、音頻和視頻都可以在同一個提示中使用作參考。這意味著您可以向模型提供一個短片，用文本指令指向其中一個角色，並僅替換該角色，而周圍的一切保持不變。

MiniMax 的早期演示集中在製作團隊實際需要的場景：UI 設計演練、品牌廣告、MV 風格的剪輯、遊戲電影、AR 和過渡效果以及電子商務試穿。這個賣點不是 'AI 可以製作視頻'，而是 'AI 可以製作您需要的特定視頻，並更改特定元素。'

H3 還原生生成 2K，並在 Hailuo-02 架構之上構建了一個全新的標記器。壓縮更有效，訓練和推理成本更低，而且模型足夠小（330 億參數），以至於嚴肅的製作團隊實際上可以託管它。

為什麼 330 億比 SOTA 更重要

SOTA 是新聞標題。330 億是實際的新聞。2025 年的大多數 SOTA 視頻模型都是 700 億參數以上，這意味著嚴重的計算費用、緩慢的迭代和封閉的 API。一個 330 億參數的模型達到 SOTA 意味著三件事。

首先，訓練更易於訪問。去年無法負擔訓練前沿視頻模型的團隊現在可以微調或蒸餾一個。其次，推理更便宜。videobao 上的每次生成的成本由上游成本決定，而較小的模型會降低這個數字。第三，部署是現實的。您可以在嚴肅的生產硬件上運行 330 億參數的視頻模型，而無需構建自定義數據中心。

換句話說，330 億參數的 SOTA 是將研究結果轉變為產品的原因。同樣的事情發生在語言模型上，當高效的開源版本達到 GPT-3 質量標準但尺寸小得多時。視頻正在經歷同樣的轉變，只是落後十二個月。

從演示技巧到生產工具

一年前，AI 視頻的評價標準是兔子是否連貫。整個領域都在優化提示級別的一致性，即使這樣也很難。2026 年的標準不同。像 Veo 3.1、Kling 2.5、Sora 2 和現在的 H3 這樣的模型不僅僅是生成。它們精確地替換角色而不弄髒背景。它們不僅僅包括音頻。Veo 3.1 發布了 48 kHz 原生音頻，而大多數主流模型現在在單次傳遞中推出唇形同步視頻。

用例隨著能力而移動。去年是 '看看這個酷炫的效果'。今年是電視廣告、品牌廣告和產品演示。從 '展示模型' 到 '使用模型來發布活動' 的轉變是行業剛剛跨越的界限。

如果您在 2025 年嘗試過 AI 視頻並且放棄了，那麼 2026 年的模型是一個不同的產品。在 videobao 上，您現在可以在同一會話中使用 Hailuo 02、Veo 3.1、Kling 2.5 和 Sora 2，並選擇適合簡報的模型。

為什麼聚合贏在模型開源時

MiniMax 選擇開源 H3，即使他們擁有 SOTA 性能和成本優勢。這聽起來有悖常理，但開源遊戲正在成為嚴肅視頻實驗室的標準。原因很簡單：視頻模型即將無處不在，成為一個稍微好一點的封閉供應商不如成為一個平台，讓用戶可以比較所有這些模型。

看看 LTX-2.3。這是一個海外開源視頻模型，在 Hugging Face 上突破了 1800 萬次下載。一千八百萬。開源視頻生態系統是真實的，它很活躍，而且大多數新產品工作都在這裡發生。像 videobao 這樣的聚合平台位於此之上：我們將開源、閉源、中國和西方模型打包在一個登錄名和一個信用餘額後面，因此您不必選擇。

這是對終端用戶的 '開源還是閉源' 問題的實際答案。您不選擇。您使用平台，平台為工作選擇合適的模型。有時是 MiniMax H3，現在在 videobao 上線。有時是 Veo 3.1 用於電影鏡頭。有時是 Kling 2.5 用於預算緊湊的原生音頻社交剪輯。關鍵是平台可以做到所有這些。

如何在 videobao 上使用 H3

H3 現在已在 videobao 上線。當您想要在原生 2K 畫布上進行跨模態精確編輯時選擇它。模式：上傳參考圖像或短片，編寫一個提示，命名您想要更改的元素，H3 會保持場景的其餘部分像素穩定。如果您想要在不同的價格或分辨率層級中使用相同的工作流程，Hailuo 02、Kling 2.5 和 Veo 3.1 都在同一會話中。

在 videobao 上，H3 以每秒 7 個信用點運行原生 2K，時長範圍為 4-15 秒。集成的使用模式包括文本到視頻、首幀、尾幀或首尾幀圖生視頻，以及參考驅動模式（最多 5 張參考圖，可選參考視頻和音頻片段）。跨模態精確編輯是頭條用例。Hailuo 02 是相同工作流程的更便宜備選方案；如果您需要 4K，Veo 3.1 是正確的選擇；如果您想要內置音頻軌道且預算緊張，Kling 2.5 是正確的選擇；如果您想要長篇多鏡頭故事講述，Sora 2 是正確的選擇。在 videobao 上，H3 是高級層，因為 2K 生成比 1080p 明顯更昂貴。

在接下來的兩個季度內，330 億開源浪潮將繼續降低整個產品線的價格底線。現在的正確舉動是鎖定跨模態編輯工作流程，而 H3 是最新的 SOTA，其他模型在它下面不斷壓縮。