MiniMax 今天开源了 H3，一个 33B 参数的全模态生成模型，能生成带原生立体声的 2K 视频。没有发布会，没有预告，直接扔了篇文章出来，权重已经上传至 Hugging Face。

去年国内的视频生成模型还在追 Runway 和 Pika 的参数，今天 MiniMax H3 从架构到许可都摆上台面了。一个模型，三个模块，两个开源。

H3 由三个模块组成：H3-Context-IR 负责多模态指令理解和编排（闭源，提供 API）；H3-Base 是核心生成模型，33B 参数，负责 768p 音视频生成（开源）；H3-Regenerate-2K 负责 in-context 重新生成 2K 分辨率（闭源，提供 API）。简单说，理解和精修的部分闭源，生成的部分开源。

H3-Base 有三个技术点值得关注。第一，编码器用了 Qwen3-VL-32B 的完整预训练权重，取第 50 层 hidden states 喂给生成模型。一个 32B 的视觉语言模型，在 H3 里只是一个编码器。第二，Omni Transformer 是纯粹的 dense single-stream 结构，33B 参数，其中约 13B 在 AdaLN 分支中，推理时这部分可以预计算并缓存，不需要加载。没有 per-modality 的 attention 或 FFN 层，模态差异只体现在输入输出层和 AdaLN 分支。第三，原生支持稀疏注意力训练和推理，但首次开源版本只给了全注意力，稀疏注意力「后续更新中发布」。

视觉 VAE 的压缩率是 f16t4d24——空间 16 倍、时间 4 倍，24 个 latent channel。进 Transformer 前再 patchify 成 1×2×2，最终等效空间下采样 32 倍。音频 VAE 把 32 kHz 音频压到 40 Hz 的 latent token 率，左右声道独立编解码后合成立体声。

2K 输出没有用传统的超分辨率模块。H3 的做法是把 768p 生成结果连同原始上下文一起送回模型，让模型用 in-context 的方式重新生成。这个思路的好处是清楚的自洽：不需要额外训练一个超分模型，高分辨率输出能直接复用原始多模态上下文补充细节，而不是靠超分模块「猜」。

H3-Base 发了两个 checkpoint：FL2VA（首尾帧模式，0-2 张图输入）和 Ref2VA（全模态参考模式，最多 9 张图、3 段视频、3 段音频混合输入）。支持 SGLang、vLLM、diffusers、ComfyUI 部署。官方给出的 SGLang 部署示例需要 4 张 GPU。

许可证是 MiniMax H3 Community License，不是标准的开源协议。

参考来源：

• 开放通用智能，MiniMax H3 正式开源 — MiniMax 稀宇科技
• MiniMax-H3 — Hugging Face
• H3 视频提示词写作指南