2K、立体声、广告电商片头海报，官方放的样片都在这

官方样片分两组：一组秀底子（2K 画质、原生立体声），一组秀用途（片头、产品页、海报、广告）。立体声那条建议戴耳机听，声音和画面由同一个模型同时生成，后期不需要再配音。

2K 的价钱不到别家 1080p 的一半

官方价目表明码标价：2K 每秒 0.13 美元，768p 每秒 0.08 美元。发布长文里的说法是「2K 单价不到主流模型的三分之一」，第三方整理的对手价目把这句落成了具体对比：

拿 2K 的分辨率，卖不到对手 1080p 一半的价。便宜和全能出自同一个设计决定。

以前一个任务一个模型，H3 把这堵墙拆了

先看旧世界的格局。图像生成按任务切：文生图、编辑、主体参考、风格参考各是一个专家模型；音频里人声、音效、音乐是三个分开研究的方向；视频切得最碎：文生视频、图生视频、首尾帧、主体参考、运动参考、视频编辑，各占一摊。用户得自己搬素材、串工具；模型也只见过自己那一小块数据，泛化能力被任务边界封了顶。

H3 的第一原则就是拆掉这堵墙：从预训练第一天起，文生图、文生视频、文生音频全部混在一起训练，视频天生带声音出，人声、音效、音乐不分家。「参考」和「编辑」也不再是固定的任务清单，而是用自然语言描述的关系；训练这部分能力的素材全部来自真实自然数据，能随数据规模一直涨。语言，成了任务泛化的那座桥。

四项技术，每一项都在给「任务泛化」打工

① 给素材写描述，写到「关系」这一级

生成模型学本事靠「素材 + 描述」配对。H3 把写描述这件事做到了关系级：不只描述目标视频本身，还要描述参考素材彼此的关系、参考和目标的关系、多镜头下的音画对应关系。官方管它叫 Contextual Omni Representation（上下文全模态表示）。为此专门建了一条理解管线：每条训练素材平均要跑约 10 万 token 的推理（约一部长篇小说的文字量），蒸馏成约 4 千 token 的精确描述。H3 那种「你说什么它都听得懂」的指令跟随能力，根就在这。

② H3-VAE：把视频压缩器整个重写

新压缩器空间方向压 16 倍、时间方向压 4 倍，切块进模型后空间等效压缩 32 倍，换来 4 倍的有效序列长度收益，训练和推理成本随之大降，2K 算得起，关键就在这一条。音频侧用同一个压缩器把左右声道各过一遍再合并，立体声是天生的，采样率 32kHz。

③ 生成主体：330 亿参数一个网络，模态不分家

生成主体是一个 330 亿参数的稠密单流 Transformer：注意力层和前馈层完全不区分模态，模态差异只留在输入输出层和 AdaLN 分支，后者是给每一层发「现在在生成什么类型内容」控制信号的旁路参数。33B 里约 13B 落在 AdaLN 分支上，这部分能预先算好缓存起来，推理时不用加载：

模型卡里还有两处工程选择。一是文本和视觉的编码器直接用了阿里开源的 Qwen3-VL-32B 完整预训练权重，取它第 50 层的隐状态喂给生成主体，国产开源模型互相当零件用。二是 Hailuo 02 攒下的架构优势被整个放弃了：那套架构对一个围绕任务泛化设计的模型来说是多余的复杂度，「架构技巧应该给模型定义让路」。训练侧把「理解」和「生成」两种算力负载分开调度，端到端训练吞吐提了近 30%。长序列的稀疏注意力是原生训练的，不过首发只放了全注意力推理，稀疏实现说以后单独放。

H3-Base 官方架构图：文字走 H3-Encoder（Qwen3-VL-32B），画面同时过编码器和视觉 VAE，声音走音频 VAE，全部打包成一条序列进 Omni Transformer，出口分别解码成视频和立体声。来源：HuggingFace 模型卡

④ 2K 是带着原始素材重新生成出来的

传统做法是训一个专门的超分辨率模块，对着 768p 的画面放大，糊掉的小字、细纹理，模块只能靠猜。H3 的 2K 走的是另一条路：让底座模型带着原始参考素材，把自己的 768p 初稿整个重新生成一遍。因为原始上下文还在手上，小字和细节能真的还原出来。这本身又是任务泛化的一个例子：放大，同样只是「生成」的一种。

三段管线只开了中间一段，前处理和 2K 都得调官方 API

完整的 H3 系统是三段管线，这次放出权重的只有中间那段：

逐段说清楚。前段 Context-IR 负责把你的乱序输入，几张图、几段视频、一句话，理解成结构化描述再交给生成模型，「对最终输出质量至关重要」（模型卡原话）；它不开源，理由是依赖多阶段工作流和多个托管模型，只提供 API，另外配了两份提示词写作指南，教社区自建这一层。中段 H3-Base 是真开了的部分：两套权重，FL2VA 管文生视频和首尾帧，Ref2VA 管全模态参考，都是 CFG 蒸馏版、BF16 精度，输出 768p。后段 Regenerate-2K「系统复杂，准备好了再放」，现在同样只有 API。

两头 API 的钱也有明码价目：前处理 Context-IR 按 token 计费，输入每百万 token 0.9 美元、输出 3.6 美元；768p 升 2K 的再生成按产出秒数计费，每秒 0.05 美元，原素材还要再算一遍输入费。也就是说，本地跑通 768p 是零 API 成本，想要官方同款 2K，每分钟大约再花 3 美元上下。

部署生态倒是首发就铺满了：SGLang、vLLM、diffusers、ComfyUI 当天全支持，官方示例命令用 4 张 GPU；具体显存门槛官方没给数字。ComfyUI 的原生支持跟权重同一天上线，把 H3 的本事归成五类任务：文生视频、图生视频、首尾帧控制、参考生视频、原位编辑（在已有镜头上改，省掉整段重新生成），工作流模板和教程可以直接下载。

官方系统总览图：Context-IR、H3-Base、Regenerate-2K 三个模块的分工。来源：HuggingFace 模型卡

开源许可全球可用，唯独排除欧盟、英国、韩国、美国

权重能下载，不等于随处能用，但方向和很多人的第一反应相反。H3 用的是自家的社区许可证（MiniMax H3 Community License），许可区的写法是「全球，排除以下地区」：欧盟、英国、韩国、美国。也就是说，中国大陆在许可区内，下载就能用；被排除的四地想用权重，要填申请表，由 MiniMax 审核部署场景、确认合规措施后单独授权。

排除名单的逻辑：哪里的监管收得紧，哪里就先不给权重。欧盟的 AI 法案已开始执法，英国和韩国有类似的不确定性；美国还多一层，许可证问答里直接点了自己头上的官司：

「在美国，AI 监管仍在快速变化，MiniMax 自身也正卷入专门针对生成式视频 AI 的版权相关法律诉讼。」

MiniMax H3 许可证问答（本站译）

问答收尾给了句承诺：现在的范围反映的是当下的监管现实，「说的是『还没到』，不是『永远不给』」，后续变更会明说、不做静默更新。

技术报告还没出，牛皮先记在账上

三件事在路上：完整技术报告（页面上只有一个「soon」）；下一代 H 系列要把自家 M 系列语言模型的能力整合进来；继续扩模型规模、提视觉保真度。厂商也在长文结尾自己列了短板：多模态理解还有很大提升空间，部分场景的视觉细节仍待改进，算是给自己的限定词。

在技术报告和第三方评测出来之前，「可直接商用的生成质量」「指令跟随出色」这些定性，以及价格对比里没点名的「主流模型」，都只有厂商单方面的口径。样片都在上面，可以自己核对。

输出规格和价目都摆在明面上。

2K 算得起，一半功劳在压缩器：H3 重写了那个把视频压成模型能算的「压缩包」的部件，空间方向压到原来的 1/32，模型要算的东西少了一大截。另一半在放大这一步换了做法。

完整的 H3 系统是三段管线，这次放出权重的只有中间那段。

本地跑通 768p 是零接口成本；想要 MiniMax 同款 2K，前处理按字数计费，再生成每秒 0.05 美元，一分钟成片大约再花 3 美元上下。部署生态首发就铺满了：ComfyUI、vLLM、SGLang、diffusers 当天全支持，示例命令用 4 张 GPU。

权重能下载，不等于随处能用，而方向和很多人的第一反应相反。H3 用的是自家社区许可证，许可区写的是「全球，排除以下地区」。

许可证问答里给的逻辑：哪里监管收得紧，哪里就先不放权重，欧盟的 AI 法案已开始执法，英国和韩国有类似的不确定性。美国还多一层，问答里直接点了自己头上的官司：MiniMax 正卷入专门针对生成式视频 AI 的版权诉讼。措辞是「还没到，不是永远不给」。