MiniMax H3：一个生成模型，不再区分文字、图像、视频、声音

传输接收 · 行星 OMNI-1 · 坐标 [0.42, 0.87]

2026 年 7 月 31 日，MiniMax 发布 H3——一款全模态生成模型：同一个模型统一理解文本、图像、视频、声音组成的多模态上下文，直接输出带原生双声道的音视频，最高 15 秒 2K。它最特别的不在”更大更强”，而在主动打掉生成模型之间被切开的边界：文生图、图生视频、音效、音乐、字幕过去各管各的专家，H3 把它们装进同一个预训练。

把”任务”拆掉：从专用专家到统一生成

传统生成模型是被切成一块块的：图片拆成文生图、编辑、主体参考、动作参考、风格参考等独立专家；声音里的人声、音效、音乐各自为域；视频更是按文生视频、图生视频、首尾帧、音色参考、视频编辑等细分，图像、视频、音频之间有清晰边界。隔离换来了”够专”，却牺牲了两件事——使用的自由度和训练范式上的泛化能力。这正是 H3 要治的病，它的第一纲领就是任务统一与泛化。

H3 的预训练同时覆盖文生图、文生视频（音频联合生成、全部原生双声道）、原生多镜头建模、不区分人声/音效/音乐的统一音频生成，以及广义的”参考与编辑”：图到图、图到视频、音频到音频、音视频到音视频。关键在”广义”二字——参考与编辑关系完全由自然语言表述，不局限于预设任务清单；数据全部来自真实自然数据，具备良好扩展性。语言不是装饰，而是”泛化的桥梁”，它把开放的任务描述统一成同一种表达，这是 H3 指令理解能力的根源。

Contextual Omni Representation：给上下文写关系，而不是写标签

H3 训练中最重要的投入是加宽 Caption 能力。传统 caption 只描述”目标视频是什么”，H3 的 Contextual Omni Representation 要求模型描述上下文与目标之间的关系，甚至上下文内部元素之间的关系——既要联合描述视频和音频，还要处理多镜头下更复杂的音视频关联。为此 MiniMax 定制了专门的全模态理解管线，大部分素材要消耗约 100K token 的推理，最终压成平均约 4K token。

架构选择同样围绕”泛化”做减法：H3 主动放弃曾带来显著优势的 Hailuo-02 架构，因为它在以任务泛化为核心的模型定义里会引入额外复杂性——“架构技巧应为模型定义让路”。多模态上下文的引入让序列长度方差扩大 3 倍、理解与生成的计算负载高度异质化，H3 于是采用理解与生成异构的训练架构，精细调优不同负载下的硬件利用率，端到端训练吞吐提升近 30%。

两个组件值得单记。H3-VAE 重写了 tokenizer，更高压缩率带来 4 倍序列长度收益，大幅压低训练与推理成本——这是支持原生 2K 的关键。In-context Regeneration 则不用专用超分模块，而是让 H3 基模对自身低分辨率输出做 in-context 重新生成：既复用基模已有的生成能力，又能借用原始多模态上下文还原传统超分”靠猜”补不回来的小文字与细节。

为什么营销人该关心

MiniMax 官方列的应用案例几乎就是营销工种清单：电影片头、游戏 UI、动态海报、广告电商。更值得记的是成本与供给形态的变化——H3 默认 2K，2K 下每秒价格不到主流模型 1/3，768P 是主流 720P 的 1/2；而”镜头运动 + 人物 + 歌声 + 音色参考”这种多模态关系可以用一句自然语言组织成完整出片，等于把导演、剪辑、声音设计塞进同一个 prompt。至于”未来数天内开放模型权重”，意味着品牌方可自部署、数据不出域，这是闭源视频模型给不了的选项。

怎么用

• 从”逐模态流水线”切到”一句话任务”：把参考视频、图片、音频当上下文，用关系式描述组织出片，适合素材齐备的广告、电商短片。
• 按投放位选分辨率：原生 2K 上大屏与主视觉，768P（半价）上社媒与动态素材，不必处处拉满。
• 品牌敏感内容优先自部署：权重开放后评估数据出域边界，而非默认走公有 API。

// END OF LOG