7月31日，MiniMax宣布正式发布新一代多模态生成模型MiniMax H3。
H3是一款通用全模态生成模型，支持对文本、图像、视频、声音组成的多模态上下文进行统一理解，能够输出具备原生双声道的音视频内容，最高可支持15秒2K分辨率。
据MiniMax介绍，H3不再以单一任务为边界，而是面向多模态上下文统一理解创作意图，完成更自然连贯的生成与表达。
在模型效果方面，H3具备商用级的多场景内容生成能力，在指令遵循、文字与品牌信息呈现、视频到视频动作迁移等方面表现突出，可实现精准可控的多模态内容编辑与生成，广泛适用于广告、品牌、电商、产品设计、UI/UX、游戏等商业场景。
MiniMax表示，计划在未来几天内，在符合相关法律法规的前提下，开放模型权重。
H3是MiniMax推出的首款开源多模态生成模型，借鉴了文本模型发展过程中已被验证的方法，包括复杂问题拆解、推理、上下文扩展和Muon优化器等，并将其应用到多模态理解、数据构建和模型训练中。
与目前市面上主流的视频生成模型相比，H3在多个维度上呈现出不同的产品定位。
多数竞品如OpenAI Sora、Google Veo和快手可灵等均采用闭源商业模式，仅提供API调用或订阅服务，而H3选择开源权重，允许开发者和企业本地部署和二次开发，这在当前多模态生成领域较为少见。
在模态能力上，许多模型专注于文本到视频的生成，对多模态输入的融合理解较弱，H3则强调对文本、图像、视频和声音的统一上下文理解，并支持带原生双声道的音视频输出，这在广告叙事、产品演示等需要声画协同的场景中更具实用性。
此外，H3在可控性方面强调视频到视频的动作迁移和精准编辑，而部分竞品更侧重从零生成，对已有视频的修改能力有限。
在技术路线上，H3将文本大模型中的推理和优化方法迁移到多模态训练中，这一做法与多数依赖扩散架构的竞品有所区别。
在成本方面，H3视频生成定价为0.8元/秒（2K分辨率），约为业内同类旗舰视频模型的三分之一，同时MiniMax通过高压缩Tokenizer和系统级优化进一步控制推理成本。
这一价格策略结合开源模式，可能降低中小企业和开发者的使用门槛。
此前在2026世界人工智能大会期间，H3已在MiniMax展台进行预热展示。7月31日当天，智谱也宣布面向开发者群体的付费订阅服务GLM Coding Plan开放订阅
匿名用户
