在文本大模型领域持续发力之后，人工智能企业 MiniMax 于近日正式推出了全新的全模态生成模型MiniMax H3，并向行业承诺将在几天内全面开源模型权重。
作为一款支持多模态上下文输入的生成模型，MiniMax H3能够同时接收文本、图像、视频以及声音的任意组合作为输入，并最终输出带有原生双声道音频的高清视频。在实际应用中，用户只需向模型提供参考视频、图片或音频素材，并结合自然语言指令，即可一气呵成完成复杂的视听内容创作。
在技术架构上，MiniMax H3彻底打破了传统多模态模型按任务拆分专家模型的做法。研发团队将文生图、文生视频、图到视频以及音频处理等多种任务全部整合进同一个预训练框架中，推出了更简洁的 H3-Omni Transformer 架构，使端到端训练吞吐量提升了近30%。同时，通过重写 Tokenizer 带来的 H3-VAE 架构，实现了极高的压缩率，有效降低了高分辨率下的推理成本。
在定价与生态方面，MiniMax H3在2K 分辨率下的每秒价格不到主流同类模型的三分之一，同时在设计初期便充分考虑了对国产芯片的兼容性。目前，该模型在电影片头、游戏 UI 动画、动态海报以及广告电商等场景中展现出广阔的应用潜力，其对文字渲染和品牌信息呈现的准确度也得到了显著提升。
