作者｜王兆洋
微信｜ Geisterspiele
MiniMax H3 今日上线。
同一天，Seedance 2.5 也正式全量发布。
多年后回头看可能 2026 年 7 月 31 日会是一个非常有意思的日子。一个最领先视频模型朝着工业化场景更进一步，同时开源领域终于有了一个真正意义上的“全模态”统一模型，且能力无限逼近了闭源最强模型。
两者同样重要，不过从整个多模态模型技术发展节点来看，H3 可能是此刻更值得研究的那个。
因为如果对比语言模型走过的路，它有那么一丢丢 DeepSeek R1 开源时的意味：
OpenAI 的 o1 当时在技术路线上做出了新的范式，在其他语言模型能力有些停滞的时候，提前进入了新的 scale 阶段。而 DeepSeek 很快也找到同样的方法，并且决定把 R1 开源出来。最终让所有语言模型都能够更进一步，整个行业得以往前推进。
而在多模态的路线上，Seedance 2.0 的出现让视频模型从上一个阶段的整体能力放缓里解脱出来，但它同样是一个闭源模型——这意味着整个行业要快速跟上，也需要一个同样水平的开源模型出现。
MiniMax H3 这次扮演的就是这个角色。
在我们的实测中，它是一个和 Seedance 2.0 能打得有来有回的模型，同时在我的体感中，它的生成速度更快，价格上按照官方定价直接去对比也更低。
根据官方信息，更详细的开源技术报告会在之后发布。而此次随发布时透露的技术信息也已经足够吊人胃口。从这些信息来看，它事实上做了模型底层的大量重构，甚至已经不只是一个"视频生成模型"。更准确的描述可能是：
一个把全模态上下文能力拉满，用语言统一所有任务中间层，从而长出更泛化多模态能力的开源模型。
1
实测：处处给你“通用”的感觉
还是先看看它的表现。
我们先试了试它全模态上下文的能力，也就是把三种模态揉进同一个镜头。
MiniMax H3 官方介绍，它支持原生的多模态理解与生成，用户可以上传文字、图片、音频、视频等多种输入，也可以直接让 H3 生成缺失的那个模态。
我们上传了一段红辣椒乐队的动画作为参考视频，一张上海徐家汇美罗城的街景作为参考图片，让 H3 把两者融合。
H3 首先 get 到了原视频中人物在屏幕里的移动特点。更关键的是，美罗城那块屏幕并不是普通的平面屏，而是一块球状屏幕——H3 识别到了这一点，并让人物的运动遵循了球面的变形规律。
另外，我们上传的视频和图片都是没有声音的，H3 自动补齐了音频：快节奏的 BGM、屏幕闪烁的音效、人物进入球状屏幕时的音效。
可以看出来，在做这个任务的时候，它不是在“执行一个融合任务”，而是在理解一段由视频、图片和文字共同构成的上下文——谁提供了运动、谁提供了场景、场景的几何特性又该如何反过来约束运动。至于音频，它直接就不再是一个独立的步骤了。
然后是广义编辑能力。给视频里的人物配音，甚至改变他原本说过的话。这不只要求理解声音、保持人物音色，还要求理解视频、适配人物嘴形。
我们从网上找了一段范志毅的采访视频，直接用一句话的提示词让他换了个说法。
可以看到，无论是音色还是嘴形都还原得很好。而且 H3 知道该改的是画面里原有的那行字，而不是另外糊一个横幅上去。
以及我还试了试它导演级的指令跟随能力，重点考察运镜与打光。
我们写了一条很长、很细的提示词。灯光是视频里非常重要的要素，对整体质感的提升很大，但以往的测试往往会忽略它。我们设计了一个影棚场景，让光线连续变化。
烛光、硬光、彩虹折射、红蓝对打、金色逆光依次出现，过渡也比较平滑。
更惊喜的是，变化并非简单的画面调色：墙上的受光区域会跟着移动，人物面部的阴影会改变，金属球上的高光也会跟随光源变化。在红蓝灯光阶段，人物皮肤和白色真丝仍然保留了材质感，没有变成廉价的纯色剪影。提示词里要求的“最后半秒抬眼看向镜头”，执行得很准确。
1
它到底重构了什么
在这些测试的体验里，你能感觉到这个模型散发出的很多不同气质。而这些都来自 MiniMax 对模型的彻底重构。
和这家公司一直体现出来的技术追求一致，H3 的每个环节都在追求做出一个最有利于任务泛化的简洁架构。
简单来说，任何一个生成模型都可以粗暴地拆成四层：数据怎么被描述、信息怎么被压缩、算力怎么被组织、结果怎么被输出。H3 这次发布里提到的四个新工作，就对应这几个关键环节：Contextual Omni Representation 改变了最上游的数据与标注，在压缩的方式上提出了 H3-VAE ，而最主干的部分也有一个全新的 H3-Omni Transformer ，最终在输出层也用了新的思路，带来一个 In-context Regeneration 的新设计。
过去两年，视频生成的进步方式其实是高度一致的：
把某一类效果做好，封装成一个功能，接到产品上。于是我们看到的是一份不断变长的能力清单，用户在界面上先选模式，再填提示词。在模型侧，这些模式往往对应着不同的专家模型，或者至少是不同的一长串的各种 condition 分支。
MiniMax 把这形容为“任务、能力、模态的隔离”，这从根本上限制了使用上的自由度，也从训练范式上限定了模型的泛化能力。一个只在图生视频数据上训练的分支，学不到动作参考数据里的东西，反之亦然。数据被切碎在十几个任务里，能力也就泛化不了。
H3 的设计是，尽可能早地去掉任何“隔离”。
它先是把任务全部合并：给模型一段包含文字、图像、视频、音频的上下文，再用自然语言说清楚“上下文和目标之间是什么关系”，然后生成。当你操作这样一个任务：参考视频一的运镜、图二里的人、音频三的声音，生成视频，这时不再是三个开关，而是同一个任务里的不同信息。
这个思路对熟悉语言模型的人不会陌生。NLP 也曾经有几十个各自为政的任务，直到指令微调把它们统一成“一段自然语言指令加一段输入”。从那以后，任务不再是模型结构的一部分，而是数据的一部分。
但这样的思路下，对于多模态模型第一个挑战就是，如何知道“参考视频一的运镜”这句话对应哪一块信息？H3 给出的答案落在数据侧，也是 H3 里成本最高、最容易被外界略过的一环。
MiniMax 的官方资料称，训练 H3 过程中最重要的一件事是增加 caption 能力——但这里的 caption 已经不是通常意义上的“给视频配一段描述”。多模态上下文的引入让它被彻底泛化了：模型不止要描述目标视频，还要描述上下文与目标之间的关系，甚至是上下文内部各元素之间的关系；要联合描述视频和音频；而在多镜头场景下，音画之间的对应关系又更复杂一层。
MiniMax 给这套表征起了个名字：Contextual Omni Representation。其中用来解决这些可泛化的连结与解释的，毫不意外，就是语言。
MiniMax 的形容是：语言（或者说广义的智力结构）是泛化的桥梁。
过去的做法是把复杂性堆在模型结构里——每多一个任务，就多一个分支、多一套 condition 格式、多一份训练配比。H3 用语言把一切统一：所有的任务差异都变成描述上的差异，模型结构侧因此可以保持干净。过去结构里的复杂性不能泛化——你为"动作参考"设计的分支，帮不了"风格参考”。但语言里的复杂性可以：同一套表述能力，能描述一个训练里从没出现过的组合。
但这也带来了原本架构无法承受的复杂度量级。MiniMax 为此又彻底革新了前代的 tokenizer 。Tokenizer 的难点往往在于它是三个目标的角力：压缩率、重建质量，以及压出来的 latent 空间对生成主干友不友好。前两者天然矛盾，第三个最容易被忽略——压得越狠，latent 结构往往越不规则，主干反而更难学。
而据 MiniMax 的数据，这个名为 H3-VAE 的工作，拿到了 4 倍的序列长度收益。这也成了 H3 敢默认提供原生 2K ，并且做到“2K 每秒不到主流模型三分之一”的底气。
“架构技巧应为模型定义让路。”MiniMax 的文章中这样写道。
曾经在具体约束下有优势的 hailuo-02 架构，在一个追求泛化和通用的模型里就显得不合时宜，被它彻底替换。
一个模型团队主动“抛弃”自己曾经最引以为傲的架构，这在国内并不常见。但它和语言模型这几年反复上演的剧情是同一条逻辑：聪明的技巧总能在特定任务上取得成绩，而简洁的结构才可能在没见过的任务上成功。
一个面向任务泛化的架构诞生，H3-Omni Transformer。这是一个理解与生成异构的训练架构，精细调优不同 workload 下的硬件利用率，并联合考虑每样本异构计算×样本间的负载均衡，端到端提升了近 30%的训练吞吐。
在 MiniMax 的博客中，最值得细细品味的就是这一句：“任务泛化是不可逆转的趋势”。它在 H3 上的诸多工作都是从这个判断出发，做出的大胆尝试。
这些经验，甚至是踩过的各种的坑，在多模态模型领域已经很久没有人公开对外分享。闭源模型能走多远，只有它自己知道，而 H3 的权重放出来，技术方案开源后，它走过的这条路就成了所有人都可以验证、可以复用、也可以推翻的东西。
“长期以来，闭源模型一直占据视频生成领域的主导地位，迭代速度和生态开放性落后于大语言模型等领域。”MiniMax 的官方博客这样写道。而这样一个追上 Seedance 2 的开源模型，会推动整个多模态领域共同迈上一个台阶。
根据官方信息，MiniMax H3 视频生成价格为 0.8 元/秒（2K 分辨率），仅为业内同类旗舰视频模型的三分之一。在正式开源后，更多企业用户可以在本地灵活部署一款足够顶级的多模态模型，能结合自身数据和业务进行优化，更好地满足安全合规要求。而芯片厂商和开发者也能共同参与适配和优化，降低使用成本。这是多模态领域太久没有出现的选择了，现在它将提供给所有人。
多模态领域的格局看来是要变一变了。
**点个“爱心”**，再走 吧