MiniMax H3 发布：支持 2K 视频与双声道音频，可能在8月3日开源权重

稀宇科技（MiniMax）今天正式推出了 MiniMax H3 全模态生成模型。

这款模型不仅能理解文本、图像、视频和声音组成的复杂上下文，还能直接输出带有原生双声道的音视频内容，最高支持 15秒 2K 分辨率。

• 官方介绍：https://mp.weixin.qq.com/s/XhU4W02gvLxm77el13cpIQ

不只是“看”，更是“懂”

H3 的核心在于统一的多模态理解能力。它内置了定制的 Caption 能力和全模态理解管线。官方数据显示，处理大部分素材时，模型会消耗约 100K Token 进行深度推理，最终浓缩为约 4K Token 的高质量输出。这意味着它在生成前，先花足了功夫去“理解”输入内容。

2K 画质的新解法：拒绝“猜”细节

目前大多数视频模型的 2K 输出依赖后期的超分模块（Super-resolution），这往往会导致细节模糊或产生伪影。

MiniMax H3 走了一条不同的路：它不使用外部超分模块，而是让 H3 基础模型对自己的低分辨率结果进行 In-context（上下文内）重新生成。

简单来说，模型不是靠算法去“猜”缺失的像素，而是利用已经生成的上下文信息，重新绘制高分辨率版本。这样做能最大程度复用基模的生成能力，保留那些传统超分方案容易丢失的真实细节。

商用级控制力

在前期邀测中，H3 在以下几个方面的表现被认为达到了商用标准：

• 指令遵循：能准确执行复杂的生成要求。
• 文字与品牌呈现：在视频中生成清晰的文字和品牌 Logo，这对广告和电商场景至关重要。
• V2V Motion Transfer：视频到视频的动作迁移，能精准可控地替换角色或场景，同时保持动作一致。

这些特性使其非常适合广告制作、电商展示、产品设计、UI/UX 演示以及游戏资产生成等场景。

开源在即

最让开发者兴奋的消息是：MiniMax H3 将在未来几天内开放模型权重。根据泄露的信息，正式开源日期可能定在 8月3日。

对于希望构建自有视频生成工作流、或者研究多模态底层技术的团队来说，这是一个值得等待的日子。毕竟，能直接输出双声道 2K 视频且即将开源的模型，市面上并不多见。