MiniMax H3 价格低于视频竞争对手，并计划开放权重

MiniMax 推出 H3，押注视频生成的经济性。该模型接受文本、图像、视频和声音的混合上下文，并输出带有原生立体声音频的片段，最长 15 秒，2K 分辨率。输出每秒定价低于主流模型的三分之一，并承诺数日内开放权重。

最后一个承诺是竞争对手最先注意到的部分。MiniMax 认为，视频生成目前由封闭模型主导，迭代速度和生态系统开放程度落后于大语言模型世界。开放 H3 是将开源 LLM 广泛且低价传播的策略，应用到迄今为止抵制这一趋势的领域。

一个模型，无需专家堆栈

设计原则是统一。早期的 MiniMax 系统 Hailuo 01 和 Hailuo 02 是逐代构建的视频模型。H3 则将专家分工, , 分别负责文生图、编辑、语音、特效、音乐和视频参考任务的独立专家, , 合并为一个统一训练的模型。MiniMax 将统一与泛化视为第一原则，其成效体现在演示提示中：“使用视频 1 中的希区柯克式镜头运动，让图像 2 中的人物唱歌，并采用音频 3 中的声音。”一条指令，四种输入模态，无需在子模型之间路由。

据公司称，早期邀请测试反馈显示，在指令遵循、文本与品牌元素渲染、以及视频到视频的运动迁移方面，达到了商业级效果，覆盖广告、电商、产品设计、UI/UX 和游戏等领域。在预训练中，模型混合了文生图、带有联合音频生成的文生视频、多镜头建模、将语音、特效和音乐视为一个问题的文生音频，以及跨图像、音频和视频对的通用参考与编辑。

低价格从何而来

发布中最尖锐的数字是价格：2K 分辨率下，每秒成本低于主流模型的三分之一；768P 下，约为主流 720P 费率的一半。这些数字背后还没有独立测试：

声明	详情（据 MiniMax）
默认输出	原生 2K，片段最长 15 秒
2K 每秒价格	低于主流模型的 1/3
768P 每秒价格	约为主流 720P 的 1/2
H3-VAE 压缩	序列长度提升 4 倍
训练吞吐量	端到端提升近 30%
字幕流水线	每个样本约 100K 推理 token，平均约 4K 字幕 token

两个设计选择让这个价格在纸面上可信。H3-VAE 分词器是上一代分词器的彻底重做，其更高的压缩率带来了 4 倍的序列长度提升，从而降低了训练和推理成本。这也是 2K 成为默认分辨率的原因。对于超分辨率，没有专门的超分模块：基础模型会在上下文中重新生成自己的低分辨率结果，复用多模态上下文来恢复传统超分器需要猜测的小文本和细节。

上下文理解本身就是一个成本中心。大多数训练样本消耗了约 100K 推理 token，平均产生约 4K 字幕 token。MiniMax 称之为“上下文全模态表示”（Contextual Omni Representation）的这条流水线，是模型学习遵循混合模态指令、并描述多模态上下文内部关系的地方。

架构说明承认了一次掉头。MiniMax 放弃了曾带来显著优势的 Hailuo-02 架构，因为一旦任务泛化成为目标，该设计就增加了复杂性。多模态上下文使序列长度差异增至三倍，并将理解与生成工作负载分开，因此团队转向异构训练设置，按工作负载进行硬件调优，并采用样本级负载均衡。MiniMax 声称由此获得了近 30% 的端到端训练吞吐量提升。

开放权重之赌

开放日期很模糊，“在未来几天内”，并取决于适用法律。MiniMax 的理由是：推动开源社区向前发展，降低对中国国产芯片的适配难度（从设计阶段就考虑了对多款现有国产加速器的兼容），并让用户定制自己的版本。

这些都不是中立的。在不指名道姓的情况下提到中国国产芯片，暗示了 MiniMax 预计其用户基础增长的方向。

H3 承认目前还做不到什么

MiniMax 列出了自身的局限。模型规模使得某些能力的完成度仍有提升空间，一些场景中的精细细节仍需打磨，更高分辨率和更细腻的质量已在路线图上。公司承诺发布更完整的技术报告，并计划让下一代 H 系列版本与 M 系列模型融合。在 MiniMax 看来，语言是一个可泛化、可扩展的计算系统，多模态应与其紧密耦合。

独立验证需要时间；此次发布没有基准数据。今天可以验证的是策略：一个听起来能力不俗的全模态模型，以折扣价出售，并向开源社区承诺开放权重。对于一个建立在封闭模型之上的市场来说，这是一次压力测试。如果 H3 接近其宣传水平，竞争对手的定价将不得不调整。如果没有，开放权重仍会为其他所有人拉低门槛。