7 月 31 日，MiniMax 发布新一代多模态生成模型 MiniMax H3，并宣布近期开源。

作为 MiniMax 从“特化任务模型”迈向“通用多模态智能”的重要探索，H3 不再以图片、视频、声音的生成、编辑和参考等单一任务为边界，而是在多模态上下文中统一理解创作意图，完成更加自然、连贯的生成与表达。

MiniMax H3 支持文本、图片、音频和视频等多种输入形式，支持 2K 分辨率直出，可生成最长 15 秒的音画内容，在提升视听生成能力的同时，进一步降低高质量视频内容的创作和使用门槛。

在模型效果方面，MiniMax 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、V2V Motion Transfer（视频到视频动作迁移）等方面表现出色，可实现精准、可控的多模态内容编辑与生成，并广泛适用于广告、品牌、电商、产品设计、UI/UX、游戏等商业场景。

在 Artificial Analysis 视频模型榜单中，MiniMax H3 在视频编辑能力项排名全球第一。

自成立以来，MiniMax 坚持文本与多模态模型并行自研，已先后开源三代 M 系列文本模型。H3 则是MiniMax推出的首款开源多模态生成模型。

H3 借鉴了文本模型发展过程中已经被验证的方法，包括复杂问题拆解、Reasoning、Scaling Context 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。围绕不同任务的理解和指令遵循，MiniMax 对数据体系进行了多轮迭代，提升模型面对开放输入和复杂指令时的泛化能力。

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。MiniMax 通过高压缩 Tokenizer 降低视频生成所需的 Token 数量，实现了成本优化与效率的提升。针对视频长度、分辨率和多模态理解与生成负载差异较大的特点，MiniMax 在异构训练、负载均衡和 GPU 利用效率等方面进行系统优化，在追求模型效果的同时控制训练和推理成本。

MiniMax H3 将业内多模态模型的竞争进一步带向效果、成本、开放性与生态协同的综合维度，丰富了模型企业与国产 AI 芯片软硬件协同生态。与此同时，MiniMax 多模态路线进入了模型能力、训练效率、开源生态和行业应用协同推进的新阶段。

“通过 MiniMax H3，我们希望为更多企业和开发者、创作者降低内容创作的门槛。H3 将于未来几天内开源，企业可以在本地灵活部署，结合自身数据和业务进行优化，更好地满足安全合规要求；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，扩大应用范围。”MiniMax相关负责人表示，“我们会持续推动优秀的文本、多模态模型从过往的封闭服务，走向更加开放、可协作的产业生态。”