MiniMax a abandonné son architecture éprouvée pour que H3 fasse tout

Lancer un modèle est une routine. Annoncer dans le même billet que l'on a abandonné l'architecture de sa génération précédente ne l'est pas. Le lancement de H3 par MiniMax fait les deux, et la confession est la partie la plus révélatrice de l'annonce : l'entreprise affirme avoir abandonné l'architecture Hailuo-02, qui, de son propre aveu, lui donnait un avantage significatif, parce que cette architecture ajoutait de la complexité à un modèle bâti autour d'un premier principe, l'unification des tâches.

Selon le billet de lancement, H3 est un modèle de génération omni-modal. Il lit un contexte multimodal composé de texte, d'images, de vidéo et d'audio, le comprend comme une unité, et génère de l'audio-vidéo avec un son natif à double canal, jusqu'à 15 secondes en résolution 2K. Le discours tarifaire de MiniMax est direct : en 2K, le coût à la seconde est inférieur au tiers de celui des modèles grand public, et la sortie 768P est facturée à la moitié du tarif du 720P grand public, le 2K étant défini par défaut. L'entreprise prévoit également d'ouvrir les poids dans les prochains jours.

L'architecture que MiniMax a abandonnée

L'histoire de MiniMax rend ce sacrifice lisible. Hailuo 01 a construit le système de génération à partir de zéro ; Hailuo 02 s'est concentré sur l'efficacité de l'architecture, la qualité des données et l'échelle. L'équipe H3 affirme avoir tout de même écarté cette conception, parce que la généralisation des tâches est une tendance irréversible et que les astuces d'architecture doivent céder le pas à la définition du modèle. Le remplaçant, le H3-Omni Transformer, scinde la compréhension et la génération en un dispositif d'entraînement hétérogène. Le contexte multimodal a triplé la variance des longueurs de séquence, et les deux charges de travail diffèrent désormais nettement en termes de calcul. MiniMax affirme que ce dispositif, réglé par charge de travail avec un équilibrage de charge entre les échantillons, gagne près de 30 % de débit d'entraînement de bout en bout.

Un pipeline unique au lieu d'une pile d'experts

L'unification traverse le pré-entraînement. Le texte-vers-image, le texte-vers-vidéo avec audio conjoint, et le texte-vers-audio vivent tous dans un seul modèle. La voix, les effets sonores et la musique sont modélisés ensemble, non comme des domaines séparés. La référence et l'édition généralisées couvrent l'image-vers-image, l'image-vers-vidéo, l'audio-vers-audio et l'audio-vidéo-vers-audio-vidéo, la relation étant énoncée en langage naturel, et non choisie dans un menu fixe. L'exemple de prompt de MiniMax est une phrase unique qui réunit trois références : le mouvement de caméra hitchcockien d'un clip vidéo, la personne d'une image, et une voix d'un fichier audio. Le modèle résout lui-même le mapping. Le langage, dans la conception de MiniMax, est le pont généralisable entre toute tâche et toute modalité.

Deux décisions techniques sous-tendent l'économie du modèle. Le tokeniseur H3-VAE a été reconstruit pour cette génération, et sa compression plus élevée offre un gain de 4x en longueur de séquence, réduisant les coûts d'entraînement et d'inférence et rendant la sortie 2K native réalisable. Au lieu d'un upscaler dédié, H3 régénère ses propres résultats basse résolution en contexte, en réutilisant la capacité de génération du modèle de base et le contexte multimodal d'origine. MiniMax affirme que cela préserve les petits textes et les détails que les upscalers conventionnels devraient deviner.

Le pipeline de légendage montre ce que cela coûte. Décrire la vidéo cible, la relation entre le contexte et la cible, et les relations entre les éléments du contexte consomme environ 100K tokens d'inférence par élément de contenu, pour retomber à une moyenne d'environ 4K tokens. MiniMax appelle cela Contextual Omni Representation, et cite les retours des premiers tests sur invitation comme preuve : un fort respect des instructions, un rendu solide du texte et des informations de marque, et un transfert de mouvement vidéo-vers-vidéo, pour la publicité, le commerce électronique, le design de produits, l'UI/UX et les jeux.

L'attaque tarifaire et le plan d'ouverture des poids

L'affirmation tarifaire est la partie la plus vérifiable de l'annonce et la moins auditable, car les modèles grand public auxquels elle se compare ne sont pas nommés. Moins d'un tiers en 2K, la moitié en 768P, plus une affirmation du meilleur rapport prix-performances du secteur. La direction est claire ; les justificatifs ne le sont pas.

Le plan d'ouverture des poids est un pari en trois volets : développer la communauté open-source, accélérer l'adaptation des puces chinoises domestiques, dont plusieurs ont été conçues pour fonctionner avec H3, et laisser les utilisateurs personnaliser leurs propres builds. C'est aussi une réponse à la domination du code source fermé qui, selon MiniMax, a freiné la génération vidéo, un argument qu'elle avance en comparant avec l'itération plus rapide de l'écosystème des LLM.

Ce que MiniMax admet ne pas encore savoir faire

L'annonce est franche au sujet des lacunes. La compréhension du contexte multimodal est le fondement de la génération, affirme MiniMax, et c'est là qu'il y a le plus de marge de progression ; la prochaine version de la série H fusionnera avec la gamme de modèles de la série M. L'échelle du modèle est une contrainte, la montée en échelle étant désignée comme la direction explicite. Les détails fins de certaines scènes nécessitent encore du travail, avec une résolution plus élevée et une qualité plus fine au programme.

Le pari est cohérent, ce qui n'est pas la même chose que sûr. Les pipelines spécialisés sont prévisibles : choisissez une tâche, choisissez un outil, réglez-le. Un modèle général échange cette prévisibilité contre de la flexibilité, et MiniMax parie que la flexibilité vaut plus que l'architecture qu'elle a abandonnée, à des prix auxquels les concurrents devront répondre. La question de savoir si un seul modèle peut véritablement remplacer la pile d'experts reste ouverte. MiniMax a choisi d'y répondre en public.