MiniMax 放弃其成熟架构，让 H3 包揽一切

发布模型是家常便饭。在同一篇文章中宣布你放弃了上一代模型背后的架构，则不然。MiniMax 的 H3 发布同时做到了这两点，而这一坦白正是公告中最具揭示性的部分：该公司表示，它弃用了 Hailuo-02 架构, , 按其自己的说法，该架构曾带来显著优势, , 因为该架构给一个围绕第一性原理“任务统一”构建的模型增加了复杂性。

根据发布文章，H3 是一款全模态生成模型。它读取由文本、图像、视频和音频组成的多模态上下文，将其作为一个整体理解，并生成带有原生双声道声音的音频视频，最高支持 2K 分辨率下 15 秒。MiniMax 的定价表述直截了当：在 2K 下，每秒成本低于主流模型的三分之一，768P 输出的价格是主流 720P 的一半，并将 2K 设为默认。该公司还计划在数日内开放权重。

MiniMax 放弃的架构

MiniMax 自身的历史让这一牺牲清晰可辨。Hailuo 01 从零开始构建生成系统；Hailuo 02 专注于架构效率、数据质量和规模。H3 团队表示，他们还是将这一设计搁置一旁，因为任务泛化是不可逆转的趋势，架构技巧应当让位于模型定义。替代方案 H3-Omni Transformer 将理解与生成拆分为异构训练设置。多模态上下文使序列长度的方差增至原来的三倍，而两种工作负载在计算上的差异如今十分悬殊。MiniMax 表示，这种针对每种工作负载调优并在样本间进行负载均衡的设置，端到端训练吞吐量提升了近 30%。

一条流水线，而非一组专家

统一贯穿预训练阶段。文生图、带联合音频的文生视频、以及文生音频都存在于同一个模型中。语音、音效和音乐被一起建模，而非作为独立域。通用参考与编辑涵盖图生图、图生视频、音频生音频以及音视频生音视频，关系以自然语言表述，而非从固定菜单中选择。MiniMax 的示例提示是一句话，将三个参考折叠在一起：来自视频片段中的希区柯克式镜头运动、图像中的人物，以及音频文件中的声音。模型自行解析这一映射。在 MiniMax 的设计中，语言是跨越任何任务和模态的通用桥梁。

两项技术决策支撑了其经济性。H3-VAE 分词器为这一代模型重新构建，其更高的压缩率使序列长度获得 4 倍提升，降低了训练和推理成本，并使原生 2K 输出成为可能。H3 没有使用专门的超分模型，而是在上下文中重新生成自身的低分辨率结果，复用基础模型的生成能力和原始多模态上下文。MiniMax 表示，这保留了传统超分模型不得不猜测的小文本和细节。

描述生成流程显示了这一做法的代价。描述目标视频、上下文与目标之间的关系，以及上下文内部元素之间的关系，每份素材消耗约 10 万 token 的推理量，最终缩减至平均约 4K token。MiniMax 称之为“上下文全模态表示”（Contextual Omni Representation），并援引早期邀请测试的反馈作为证据：指令遵循能力强，文本和品牌信息的渲染扎实，以及视频到视频的运动迁移，适用于广告、电子商务、产品设计、UI/UX 和游戏。

价格攻势与开放权重计划

定价声明是公告中最可核查、也最难以审计的部分，因为它所比较的主流模型并未被点名。2K 下低于三分之一，768P 下为一半，再加上“业界最佳性价比”的断言。方向是明确的；证据则没有。

开放权重计划是一场三重赌注：壮大开源社区、加快中国国产芯片的适配（H3 设计时即面向其中多款芯片），并让用户定制自己的构建。这也是对 MiniMax 所称阻碍视频生成的闭源主导地位的回答，它通过对比 LLM 生态系统更快的迭代来论证这一点。

MiniMax 承认自己尚不能做到的事

公告对差距直言不讳。MiniMax 表示，多模态上下文理解是生成的基础，也是提升空间最大的部分；下一代 H 系列版本将与 M 系列模型线合并。模型规模是一个制约因素，扩展规模被明确列为方向。某些场景中的精细细节仍需改进，更高分辨率和更精细的质量已在路线图上。

这场赌注逻辑自洽，但这并不等同于安全。专用流水线是可预测的：选择任务、选择工具、进行调优。通用模型用这种可预测性换取灵活性，而 MiniMax 押注的是：灵活性比它放弃的架构更有价值，且价格会让竞争对手不得不回应。一个模型能否真正取代专家组合，仍是一个悬而未决的问题。MiniMax 选择了公开回答这个问题。