铃阅
❌

普通视图

MiniMax H3-Image 开源:让 4K 图像生成进入 10 秒时代

2026年11月10日 23:00

原创 MiniMax 2026-11-10 23:00 上海

今天,我们正式发布 MiniMax H3-Image 并开放权重。这是一款衍生自 H3 的图像生成模型,其具备文本生成图像、图像参考和图像编辑能力。它能够在 10 秒内生成一张 4096 x 4096 像素、约 16 MP(4K)的高分辨率图像,同时呈现丰富、真实的细节,并具备优秀的指令遵循和多参考图理解能力。

在 H3 预训练赋予的广泛图像能力基础上,H3-Image 进一步强化了整个后训练链路,在数据、强化学习、步数压缩、PE、部署优化等方面做了许多扎实的工作,这些工作的组合使得 MiniMax H3-image 同时具备了速度、画面质量、指令遵循三个方面的竞争力:

  • 相比于主流的一百万像素或者四百万像素,一千六百万像素(16MP,4096×4096)的图片在细节上具备显著优势。MiniMax H3-Image 可以在 10s 内生成 16MP 的高规格图像,速度可达市面主流水平的 5 倍。这使得 16MP 的日常创作成为可能。

  • 画面细节和真实感可以显著拓宽模型的使用范围。有别于常见的“AI 感”,H3-Image 能够提供丰富的画面细节和极强的真实感。我们希望进一步缩小 AI 生成图像与真实视觉世界之间的距离。

  • 指令遵循能力可以提升创作的上限:高质量的图像生成,不只是让画面好看,更重要的是让创作者能够表达和实现自己的意图。我们提供了开源模型中最强的指令遵循能力并最多支持 16 张参考图片。

为了促进开源社区的繁荣和技术的共享,也为了方便创作者自由定制独特的模型,我们同 H3 一样坚持开放权重的策略。我们希望 MiniMax H3-Image 能变成图像生成领域缩小开源模型与顶尖闭源模型差距的起点,也期待看到更多开发者、创作者和研究者加入,一起探索下一代视觉创作的可能性。

除了开放模型权重,我们还通过 MiniMax 开放平台、MiniMax Code 和 MiniMax 海螺,提供稳定、高质量的 H3-Image 图像生成服务。在生成速度上,H3-Image 标准模式的速度是市面上主流工具的 1.5-2 倍,Highspeed 模式则可达到 3–4 倍,显著提升创作效率。与此同时,H3-Image 的价格仅为同档位主流工具的 50%–70%,让高质量图像生成更具性价比。

为了让更多用户体验高质量图像生成能力,我们将在发布首周,针对 16MP 及以上规格的生成请求,提供官方价格的五折优惠。

(H3-Image 单张生成费用参考)

Hugging Face: https://huggingface.co/MiniMaxAI/MiniMax-H3-Image

API: https://platform.minimax.cn/docs/guides/image-generation

MiniMax Code: https://code.minimax.cn/about

希望 H3-Image 能够给更多人的日常生活、工作带来便利,我们也会持续构建更强有力的工具来帮助普惠 AGI 的实现。

Intelligence with Everyone.

跳转微信打开

MiniMax M3.1 Flash开源,上线72小时处理Token超过100万亿

2026年10月23日 08:56

原创 MiniMax 2026-10-23 08:56 上海

今天,我们开源 MiniMax M3.1 Flash 的模型权重,总参数 428B,激活参数 23B。

相较于上一代 M3 模型,M3.1 Flash 的模型能力实现了全面提升。此外,通过全模型稀疏注意力、量化感知训练和 Power-aware scheduling 等优化工作,M3.1 Flash 进一步提升了推理效率:

  • 全模型稀疏注意力:前三个全注意力层替换为稀疏注意力;

  • QAT:路由 MoE 专家迁移到 W4A4(共享专家除外),稀疏注意力索引器和主分支从 Q8KV8 迁移到 Q8KV4;

  • Power-aware scheduling:通过对计算卡功耗的精细分配,保持计算卡持续维持算力高位,极致压榨硬件效率。

感谢全球开发者的支持和喜爱。M3.1 Flash 上线后,72 小时内真实用户处理超过 100 万亿 Token。

我们携手华为昇腾、平头哥、昆仑芯、摩尔线程、壁仞、海光、沐曦、天数、NVIDIA、AMD 等海内外芯片厂商,以及 Together AI、Fireworks、Nebius、Baseten、Modal、DigitalOcean 等推理和云服务平台,共同推进 M3.1 Flash 的开源首日接入。

此外,vLLM、SGLang、智源 FlagOS 和 Hugging Face、魔搭等推理框架与开源社区,也将与 MiniMax 一齐推动模型在不同芯片、云平台和开发环境中的应用,持续拓展全球 AI 开源生态。

开源地址:

Intelligence with Everyone.

跳转微信打开

MiniMax M3.1 Flash:重新定义 Agent 的性能与成本

2026年10月19日 19:20

原创 MiniMax 2026-10-19 19:20 上海

今天,我们正式更新 MiniMax M3.1 Flash。

此前以匿名身份处理了超过 200T Token 的 Space Bunny🐰,正是 MiniMax M3.1 Flash 的早期版本。

作为新一代 Flash 模型,M3.1 Flash 在 Agentic 任务、编程、Computer Use 及网络安全能力等方面实现了代际的提升,同时线上推理速度提升了近 3 倍,使用成本降低了 70%。

模型能力全面提升

M3.1 Flash 在多项基准测试中取得了全面进步,在复杂 Agent 任务 (Cowork)、Computer Use、软件开发 (Coding) 及网络安全方面,达到了领先模型水平。

复杂任务与自动化能力:

  • 在 AutomationBench-AA 中位居最前列。在跨 SaaS 系统的真实企业业务工作流中,能完整解决销售、营销、运营、客服、财务、HR 的真实问题。

  • 在 BankerToolBench 中 76.2 分,擅长多步骤规划、跨文档 / 跨文件一致性、金融业务合规、工具链式调用等真实复杂问题。

编程与软件工程能力:

  • 在 DeepSWE v1.1 评测中取得 73.7% 的成绩,达到顶尖模型水平。DeepSWE 聚焦复杂软件任务,要求模型独立完成代码理解、功能开发、问题修复与测试验证。M3.1 Flash 展现出出色的长链路任务执行能力,能够以更低的成本支持复杂的软件开发工作流。

Computer Use 能力:

  • 在衡量 AI 电脑操作与跨应用任务执行能力的 OSWorld V2 中取得 61.7 分,在衡量真实并有经济价值场景下电脑操作能力的 Agents' Last Exam (ALE) 中取得 29.6 分,两项得分均位列国产模型第一。

  • M3.1 Flash 展现出出色的真实环境交互、工具使用与长链路任务执行能力,能够从理解任务进一步走向实际操作与交付。

网络安全能力:

  • 在 CyberGym 基准测试中取得 82% 的高分,展现出领先的漏洞发现与验证能力。

  • 经内部安全专家深度评测,模型在代码审计、漏洞修补、渗透测试、恶意代码分析与逆向工程等场景下均表现出色,能够以低成本、高效率支持复杂的安全体系建设。

我们进一步优化了 M3.1 Flash 的推理效率,使用了更激进的稀疏注意力架构,日常使用场景下的输出速度可达 200+ TPS (Tokens per Second),中位数 (P50) 稳定达到 170+ TPS。

模型价格

在 Agentic 类任务中,模型的综合使用成本较前代模型降低了 70%。输入价格为每百万 Token 1 元,输出价格为每百万 Token 4 元,缓存读取价格为每百万 Token 0.1 元。

重新定义 Agent 任务的能力和成本

在衡量复杂 Agent 任务执行能力的 Automation-Bench、衡量真实编程能力的 DeepSWE,以及衡量真实并有经济价值场景下电脑操作能力的 Agents' Last Exam (ALE) 三项基准测试中,M3.1 Flash 以极低的任务成本实现了顶尖模型级别的性能表现,在性能与成本之间建立了极具竞争力的新标杆。

M3.1 Flash 现已正式上线 MiniMax API、MPlan 以及 MiniMax Code 中,并将于稍后开放权重。

MiniMax Code 桌面端下载:https://agent.minimax.cn/download

M Plan 订阅入口:https://www.minimax.cn/m-plan

API 调用:https://www.minimax.cn/

Flash 是我们对效率与能力平衡的持续探索,而追求智能上限的 Pro 版本也会在稍后与大家见面。

Intelligence with Everyone.

跳转微信打开

同一个 MiniMax,世界各有用法

2026年9月20日 09:00

原创 MiniMax 2026-09-20 09:00 上海

过去几个月,越来越多的企业开始把 MiniMax 的模型用到自己的业务中。让我们兴奋的是,来自全球的伙伴带着各不相同的需求,也在不断探索模型的新用法。

MiniMax 所坚持的 Global from Day 1,正在这些具体合作中落地。

这些合作有着不同的起点。有政府为公众培养 AI 工具使用技能,有全球头部应用公司基于开源模型训练垂直模型,有中东本土企业对开源模型特定加强语言能力,还有芯片公司与云平台帮助模型更高效地运行,内容产业伙伴则与我们一起探索 IP 授权与 AI 创作。

与此同时,我们也想寻找更多同路人。

在介绍职位之前,先分享六个近期的合作故事,看看各地伙伴们正在怎样使用 MiniMax,又和我们一起做出了哪些新尝试。

Singtel|新加坡

在新加坡,我们正在尝试:让更多人有机会学习 AI,也有工具把学到的东西用起来。

9 月 16 日,新加坡技能与劳动力发展局(SWDA)推出 200 多门 AI 课程。与 ChatGPT Plus、Google AI Pro、Microsoft 365 Personal 等一起,作为唯一入选的国产大模型代表,MiniMax 的 3 款产品也进入了这份面向当地公众的 AI 学习计划。

我们与新加坡最大的移动网络运营商 Singtel 合作,将 MiniMax Agent、海螺 AI 和 MiniMax Audio 三款产品,通过 Singtel AI Pass 纳入其中。年满 18 岁、参加符合条件课程的新加坡公民,可以申请这一订阅。

从用 Agent 处理工作任务,到制作视频、生成语音,课堂上学到的方法有了可以亲手尝试的地方。

我们很高兴看到,中国大模型的应用能够通过当地的公共技能培训体系,被更多普通用户认识和使用。希望大家在亲手尝试和体验的过程中,找到适合自己工作和生活的用法。

IP·AI 共创宣言|东京

《足球小将》里的大空翼,陪伴了世界各地的许多观众长大,我们希望喜欢这些经典角色的人也能有机会用 AI 创作角色的新故事。

9 月 11 日,我们正式启动日本业务,东京办公室开业。

同一天,我们与 KAGAMI AI 等伙伴共同举办了日本 IP·AI 共创大会,150 多家日本和美国企业来到现场。AKB48 制作人秋元康和其他日本内容产业代表,与 Runway、Higgsfield、Krea AI、HeyGen 等 AI 公司一起,畅聊 AI 创作中面临的问题。

“角色怎么获得授权,作品可以如何改编,收益该如何分配给原作者和版权方?”

会上,我们共同发起《全球 IP·AI 共创宣言》,并发布了 MiniMax H3 IP 版。H3 的视频生成能力就此与官方授权的日本 IP 结合了起来,《足球小将》就是这套授权体系首批参与的知名 IP 之一。

未来,合作方将通过 KAGAMI AI 的 Kagami Gate 平台明确哪些 IP 可以使用、创作需要遵守什么规则,以及收益如何分配的问题。MiniMax H3 IP 版预计于 10 月提供服务,我们期待这些熟悉的角色出现在更多创作者的作品里。

日本 IP × 全球 AI,请你一起见证新时代的开始。

圆桌对谈活动中(图一),AKB48 制作人秋元康(右二)等内容产业代表出席

Genspark|硅谷

9 月 11 日,AI 应用公司 Genspark 发布 PPT 制作专用模型 Gen-1 Slides。

Gen-1 Slides 是基于 MiniMax M3 的开放权重,与 Fireworks AI 联合开展后训练,目前已成为 Genspark AI Slides 标准模式的默认模型。

Genspark 是硅谷增长最快的 AI Agent 公司之一,日常调度 GPT、Claude、Gemini 等 70 余个模型,PPT 生成是其最核心的产品场景之一,单日 PPT 生成量最多达 12 万套。

M3 对幻灯片版式、图文结构有原生多模态理解能力,同时具备百万级上下文和稳定的工具调用能力。基于这些能力,Genspark 跳过了从头预训练,把计算预算集中投入到 PPT 生成链路的后训练。

在 200 个真实生产任务评测中,Gen-1 Slides 的综合得分与视觉设计得分均位列五个参测模型第一,与 Claude Opus 5 处于同一层级,且每份 PPT 的生成成本仅为 Claude Opus 5 的十分之一。

从通用模型出发,几周内训练出适合自己业务的专用模型,再把它用到真实产品中,Genspark 走通了这条路。这也是开源模型最有意思,也最有意义的地方:AI 应用企业可以把自己对业务和用户的理解,进一步变成模型在具体任务上的能力,为用户交付更好的结果。

HUMAIN|利雅得

在利雅得,M3 走向了另一个完全不同的方向:阿拉伯语。

HUMAIN 是沙特国家级人工智能公司,隶属于沙特公共投资基金 PIF,由沙特王储穆罕默德·本·萨勒曼担任董事长,承担建设本土 AI 技术与创新能力的重要任务。

HUMAIN 选择 M3 作为底座,使用超过 1 万亿 Token 的阿拉伯语原生语料进行继续预训练,训练出了 Humain-M3。

9 月 3 日,模型研究预览版正式发布。根据 HUMAIN 官方评测,Humain-M3 在七项公开阿拉伯语基准测试中的等权平均分达到 89.37%,并在其中五项取得最高分,超过 GPT 5.6 Sol、Opus 5 等模型。

我们期待的全球化,就有这样的模样。不同地区的团队,能够在开源模型的基础上,训练出更懂当地语言、更适合当地需求的模型。很荣幸,M3 能成为他们的起点。

SambaNova|硅谷

如果说模型能力决定了 AI 能做到什么,推理基础设施决定了它能跑多快、跑多远。我们和 SambaNova 的合作,就在解决这个问题。

SambaNova 是 MiniMax 合作时间最长的推理伙伴之一。这家公司由斯坦福教授“多核处理器之父” Kunle Olukotun 以及麦克阿瑟天才奖得主 Chris Ré 等人共同创立。

在 M 系列模型上,我们持续携手推进模型与芯片的适配和优化,让模型跑得更快。

MiniMax 模型在 SambaNova 芯片上持续保持全球领先的推理速度。在今年的 RAISE Summit 上,SambaNova 使用最新一代 SN50 芯片运行 MiniMax M2.7,经 Artificial Analysis 验证跑出当时全球最快推理速度。这也是 SN50 的首次公开演示。

模型和芯片之间不是简单的“部署关系”,而想真正做到极致,就需要双方团队结合模型架构和芯片特性,把底层适配与性能调优这件事持续做下去。

Nebius|阿姆斯特丹

除了加快推理速度,我们也在和欧洲的云平台合作,让开发者更方便地使用模型。

Nebius 是 AI 云基础设施领域增长最快的公司之一,2026 年 Q1 营收同比增长 684%,同年 3 月获得 NVIDIA 20 亿美元战略投资。

MiniMax 与 Nebius 围绕 M3 达成独家战略合作,M3 成为 Nebius Token Factory 首个以专属合作模式上线的开源模型。

通过 Nebius 的全球数据中心网络,开发者可以直接调用 M3,将模型接入自己的应用。

云平台看起来离用户很远,但它实际上决定了一个模型在一个地区到底能不能被方便地用起来。这也是我们与云平台合作的初心,让模型能被更加高效地使用,让开发者把精力放在产品开发和用户需求上。

更多合作还在不断涌现,需要更多具备创业精神的人同行。

我们在美国、东南亚、日韩、EMEA 的业务正在快速发展。如果你熟悉或者有意愿深入了解当地的市场,理解 AI 技术与应用,也愿意与合作伙伴一起创新商业模式,欢迎加入我们,点击文末「阅读原文」了解岗位详情。

你在全年里会有一定比例时间在全球各地。希望你是一个对新环境感到好奇的人,也是一个愿意深入理解并推动全球用户更便捷地使用上大模型的人。过程中大概率会遇到无法照搬既有经验的时刻,但值得做的事永远超出你的想象。

让我们一起把看似不可能的需求变成现实。

下一个故事里,会有你的名字。

Intelligence with Everyone.

阅读原文

跳转微信打开

MiniMax Code CLI 正式开源

2026年9月18日 20:25

原创 MiniMax 2026-09-18 20:25 上海

今天,MiniMax Code CLI 的 v0.4.12 版本面向全球开发者正式开放,并且以 MIT 协议正式开放源代码。

MiniMax Code CLI 是 MiniMax Code 客户端的核心组件。在基于 FrontierHarness Eval 的本轮评测中,取得了 76.7% 的任务通过率,成功任务耗时中位数为 4 分 33 秒,两项指标均优于报告所列公开基线。我们希望通过优秀的 harness 设计,持续释放模型能力,缩短任务等待时间。*1

我们希望通过开源,让开发者能够审视工具调用和权限处理,构建可靠的企业级应用。也让社区参与发现问题、贡献修复。让使用更放心,让安全机制在实际使用和审查中持续完善。

快速体验:

curl -fsSL https://filecdn.minimax.chat/public/install.sh | bash

Github 源码:

https://github.com/MiniMax-AI/minimax-code

客户端下载:

https://agent.minimax.cn/download

MiniMax Code 仍然在高速迭代中,我们愿和社区共建安全、可靠、高性能的 harness,持续释放模型的智能水平。

Intelligence with Everyone.

备注:

跳转微信打开

基于 MiniMax H3 Max 的 24 小时 AI 直播网站上线了

2026年8月31日 08:36

原创 MiniMax 2026-08-31 08:36 上海

Fal 工程师 Alex Koumpas 在 Twitch 直播频道里,把聊天室变成了一个编剧室。

有人敲下 Prompt,想让镜头切到街头;下一位观众想看一条上世纪 60 年代风格的木偶广告;还有人要求画面突然变成一张被无数电线缠住的机器人脸。聊天框里不断涌进英语、西班牙语、日语、俄语,中文等,来自全球各地用户的点子。

Koumpas 给直播频道起了一个简单易懂的标题,“Chat Directs the Show with MiniMax H3 Max”。

Twitch - koumpas 频道(视频有加速处理)

这场直播,正是 H3 开源后开发者生态迅速生长的一个缩影。

H3 开源后,我们与生态伙伴围绕不同的使用场景,继续训练和优化模型,并在社区中开放,包括:

  • 与 Running Hub 打造 MiniMax H3 480P,满足多场景需求

  • 与 fal 选择面向实时生成做后训练和推理优化,推出了 H3 Max 768P、H3 Max 480P

  • 以及 FastVideo 通过稀疏化和硬件适配推出的 FastH3 等

今天,我们将 H3 Max 768P、H3 Max 480P 接入开放平台和 MiniMax Design 中。

H3 Max 生成一段长度 5 秒、768p 的音视频的时间不到 3 秒,已经跨过了实时直播所需的速度门槛,当上一段视频还在播放时,系统已经有时间把下一段视频准备好。

由此,海外开发者已经围绕 H3 Max 搭出了 Twitch 直播、24 小时“AI 电视台”,还有邀请观众实时改写剧情的创作实验。视频模型被接进一条持续运转的内容流,开始参与实时互动,观众的每一条指令都有可能改变接下来出现的画面。

3 秒生成,

观众参与实时共创

这一轮 AI 直播热潮里,fal 工程师 Rehan Sheikh 的 Twitch 直播最早引爆全网。Rehan 把 H3 Max 接进直播流,做成了一个没有固定节目单的“跨维度电视”。模型在几秒间不间断生成新的画面和声音,并接进实时直播,这份创意在 X 上的观看量已经近 350 万次。

随后,知名开发者 Pieter Levels 上线了一个 24 小时 AI 直播网站。网站首页只有一条很简单的规则:The chat decides what airs next。观众在聊天室里输入内容,AI 尝试把新的要求和上一段画面接起来,再生成下一段视频。在这座只有几秒库存的微型电视台里,直播可能突然从动画切到真人访谈,再跳进某个荒诞广告。观众的下一句话,就会把故事带到另一个方向。

相比提前录好一段演示视频后播出,完成实时直播需要同时处理陌生提示词、视频生成、队列衔接和持续推流等工作。模型的速度、指令理解和音视频能力都被放进了同一条公开链路里,每个人的指令都可以被直接观察:观众发出指令,模型生成片段,片段进入直播,新的指令再跟上来。也正因如此,生成速度决定了直播能不能持续进行。

生成快过播放,

解锁即时直播场景

H3 Max 能支撑这种直播玩法,首先是因为它跑得足够快。H3 Max 支持文生视频和图生视频,可生成 480p 或 768p、5 至 15 秒、24fps 的完整音视频。5 秒、768p 视频的生成时间不到 3 秒,15 秒视频也可以在约 15 秒内完成。

通过后训练和推理引擎的协同优化,H3 Max 的吞吐量约为 MiniMax H3 的 35 倍,在 Artificial Analysis、Design Arena 图生视频榜单中位居第一。

fal 在 MiniMax H3 开源版本的基础上加入了新数据和可验证强化学习,持续优化提示词遵循和画面表现,同时针对自有推理基础设施适配,为实时生成场景定向优化。

5 秒的视频内容在不到 3 秒内生成,理论上还能为排队、内容审核、编码和推流留出一点余量。尽管实时直播仍会受到并发和网络状况影响,偶尔出现卡顿的情况,但 H3 Max 已经满足了这类实时实验最基本的速度要求。

古希腊瓶画风格保持演示 - fal 官方网站

开发团队 FastVideo 沿着另一条路线改造了 H3。FastVideo、Nuva Lab 和 NVIDIA FastGen 联合发布的 FastH3,把原生 H3 的 49 次 Transformer Forward 压缩到 4 次,再结合 90%稀疏度的 VSA 加速。

FastH3 使用 8 张 B200,可以在 13 秒内生成一段 15 秒、768p 的视频;在单张 Blackwell GPU 上,相较同硬件运行的基础 H3,最高可获得 14 倍加速。目前,FastH3 已公开模型权重、LoRA 和推理方案,现有版本支持文生音视频。

FastH3 视频生成 - 创作者@kiyoshi_shin

开源开放,

让创造力涌现

我们欣喜地看到,基于 H3 模型开源,新的视频生成、交互形式不断在社区里出现。而对 MiniMax 来说,开源社区不只是 H3 的使用者,也是模型继续向前演进、落地场景不断焕新的重要参与者。

今天的 24 小时 AI 直播仍处于早期阶段,并发和长时间运行还需要继续验证。人物声音的稳定,画面能不能长时间保持一致,推理接口是否适合持续调用,这些在直播场景中真实使用的反馈,将会回到下一轮模型和系统优化中。

重要的是,在这场 AI 直播里,视频生成不仅仅是一次性的内容工具,而开始成为可以实时响应、不断生长的内容系统。MiniMax 与开源社区正在一起,把视频模型的速度、交互和应用边界继续向前推。

随着模型的持续迭代,相信会有新的互动内容、新的创作者工具,以及人们尚未设想过、还没有被定义过的产品从社区中出现。期待开发者和创作者们把 H3 带进更多具体场景,探索过去难以成立,甚至还没有被想象过的可能。

H3 开源三个多星期以来,下载量已经超过 2400 万次,产生超过 300 个公开衍生模型,成为 2026 年全球下载量最高的模型。我们会继续与开源社区和生态伙伴携手探索,降低开发者和企业的使用门槛,让 H3 进入更多真实商用业务中,并解决过去难以完成的问题。

API 接入 H3 Max:platform.minimaxi.com/docs/api-reference/video-generation-v2-create

MiniMax Design 下载:design.minimaxi.com

Intelligence with Everyone.

跳转微信打开

MiniMax Design:从操作像素,到操作语义和表达意图

2026年8月20日 08:36

原创 MiniMax 2026-08-20 08:36 上海

今天,我们向大家介绍 MiniMax Design。

MiniMax Design 是一款把多模态模型能力变成真实可用的生产力的 Harness。用户提出创作需求后,它能够理解目标、拆解任务、调用相应的模型与 Skills,完成从素材处理、生成和编辑到最终交付的完整过程。

MiniMax 原生多模态视频模型 H3 为 MiniMax Design 提供了新的能力基础,它已经验证了 MiniMax 在多模态理解、视频生成、视频编辑、参考控制等方面的模型能力,尤其适合 Video Editing 等对理解、控制与修改要求更高的场景。

我们希望通过 MiniMax Design 进一步释放 H3 的生产力,把这些能力进一步组织进真实的商业内容生产流程。

对多模态生产力的两点思考

对于多模态生产力的未来,我们有两个思考。

第一个思考是,未来的创作与修改不会停留在传统意义上的 Editing,而是语义层面的创作与修改。用户不必精确告诉系统每个像素和时间点如何变化,只需要表达高层意图,模型理解“想要什么”,再完成生成、修改、重组和编辑。

长期来看,我们相信自然语言会成为人与多模态内容交互的核心接口。用户负责表达意图,系统负责理解意图,并完成具体的生成、修改和组织。

第二个思考是,多模态模型的下一步进展将来自对更复杂 Context 的理解和使用。

H3 这一代已经初步具备了理解多模态上下文的能力:用户可以同时提供几张图片、几段视频和一些指令,由模型理解不同内容之间的关系。

未来,模型需要理解的 Context 会从一次输入扩展到整个 Project。它将包括整个项目的历史和多轮对话,所有图片、视频、音频与剧本,人物、场景、道具和品牌资产,不同版本及其修改记录,以及用户长期形成的风格和偏好。

这和语言模型的发展类似:Context 长度不是唯一变化,真正的变化是模型能否有效理解并利用复杂 Context。

从单次生成走向 Agent 驱动

的完整工作流

基于我们的技术判断和 H3 开源后在社区中看到的真实需求,我们推出 MiniMax Design。

围绕 H3 原生构建

MiniMax Design 围绕 H3 原生构建,把对 H3 能力边界、输入方式和使用方法的理解沉淀在 Agent 与 Skills 中。面对一项具体任务,系统会判断需要提供哪些文字、图片、视频和音频,哪些内容应该作为参考,哪些部分需要保留、增强或修改,再将创作需求转化为适合 H3 执行的素材、指令和能力组合。

例如,在制作 PV 或 MV 时,MiniMax Design 会根据内容主题、音乐节奏和参考素材确定视觉风格与分镜,再准备人物、场景和动作参考,将不同镜头整理成适合 H3 执行的素材和提示词。制作电影片头或特效包装时,MiniMax Design 则会进一步拆解文字、图形、镜头运动和转场效果,明确需要保留、增强和修改的内容,再组合使用 H3 的生成、参考控制和视频编辑能力。

擅长商业内容任务

MiniMax Design 擅长处理目标明确、涉及多个制作环节,并且需要持续生成和修改的商业内容任务,我们介绍几种常见的使用场景:

当品牌需要快速测试创意、批量迭代投放素材时,可以把商品信息、目标人群和传播需求交给 MiniMax Design。在 KOC、UGC、种草或品牌短片中,Agent 会围绕不同卖点、受众和内容平台规划脚本与镜头,继续完成素材生成、剪辑和字幕,让一套商品素材更快变成多个可用版本。

运动鞋电商广告

外卖品牌创意短片

如果用户希望把教案、课件,知识点或传统故事制作成视频,也可以直接把现有材料交给 MiniMax Design。Agent 会先梳理内容结构和讲解顺序,再组织配音、画面和动画表达,把文字材料逐步制作成完整的知识视频或 MG 动画。

皮影戏版故事插画

英语教学短视频

当企业或创作者需要制作 PV、MV、电影片头、特效包装、角色宣传片等创意短片时,任务往往对视觉风格、镜头连续性和后期修改有更高要求。MiniMax Design 可以发挥 H3 在生成、参考控制和视频编辑方面的能力,由 Agent 规划整体创意与镜头,Skills 完成具体制作环节,减少创作者在多个专业工具之间来回切换的成本。

PV 制作

MV 制作

这些列举的 Case 是商业内容生产中几类常见的任务。对于目标明确、过程可拆解,并且需要连续调用多种能力的内容需求,MiniMax Design 都可以从理解目标开始,持续推进生成、编辑和修改,直到形成可以交付的内容。

补全从分镜到成片的创作流程

一条可以交付的视频,除了生成镜头,还需要在生成前确定构图、人物关系和镜头运动,在生成后完成剪辑、字幕和整体装配。

3D 导演台:

对于画面调度要求较高的内容,MiniMax Design 提供了 Agent 3D 导演台。用户描述场景、人物动作和镜头要求后,MiniMax Design 可以在 3D 空间中摆放角色、调整姿态与机位,并从不同视角检查画面。用户也可以随时手动调整,确认构图和人物关系后,系统再将结果作为 H3 生成视频的参考,把一部分试错提前到分镜阶段,减少无效生成,提高画面的可控性。

镜头完成之后,MiniMax Design 还可以继续完成自动剪辑和字幕添加,将生成的素材组织成完整视频。

接入开源生态:

H3 模型开源后,社区不断涌现出新玩法,越来越多的创作者和开发者加入了 H3 生态,我们精选了部分 H3 工作流并集合在 MiniMax Design 中,也邀请更多创作者加入到开源生态中探索。

对于已经使用 ComfyUI 的专业创作者,原有的本地部署方式和成熟工作流也可以接入 MiniMax Design。选择云端或本地运行方式,在 MiniMax Design 中打开你的工作流,还可以让 Agent 根据对话协助调整,包括编辑工作流节点,以及调整生成参数等精细化设置,实现更佳精确和高质量的效果。

下载地址:design.minimaxi.com

Intelligence with Everyone.

跳转微信打开

开源之后,MiniMax H3 拥有了 300 个分身

2026年8月12日 22:45

原创 MiniMax 2026-08-12 22:45 上海

H3 开源一周了。这一周,我们几乎每天都能看到社区的新玩法,大家的热情和创意远超我们想象。

H3 在 Hugging Face 里的热度持续排名前列,并已衍生出接近 300 个模型,ComfyUI 版本下载量近 700 万。

有团队把 120GB 的模型压进了消费级显卡;也有开发者为 H3 重写了面向 Mac 的原生推理引擎;有开发者打开了长视频续写和 Agent 制片的新路径;也有开发者干脆调低分辨率、缩短帧数,把一个视频模型用成了图像工具和音频工具。

H3 会跑在哪些硬件上、接进哪些工具、发展出哪些新能力?社区中的玩法还在不断更新,这些最有创造力的开发者们,开始和我们一起回答这些问题。

01

H3 在更多设备上跑了起来

H3 模型开放部分约有 60B 参数,BF16 权重约需要 120 GB 内存,远超大多数消费级 GPU 的显存。开源之后,社区在推理效率和硬件适配上做了很多工作,在质量、速度和资源之间寻找新的平衡,让 H3 有机会跑在更多开发者手上的设备里。

ComfyUI 团队最早着手降低本地运行门槛。他们裁去约占总参数量四成的调制权重,改用功能等价的预计算表;又加入 INT8 ConvRot 量化;再为 H3 写了一套专门降低推理峰值显存的定制 kernel。最小模型组合的总内存占用,从全精度版本的 123.6GB 降到了 42.5GB。再配合动态显存卸载,H3 就能在消费级显卡上完成本地推理。

与此同时,社区里也涌现出 GGUF、NVFP4、INT4 ConvRot、混合 INT4/INT8、OrbitQuant、NF4 等多种量化版本,让开发者可以按自己的显存、硬件和推理框架自行选择。

另一边,有人为 Mac 重写了整套推理链路。闻名全球的开源内存数据库 Redis 的创建者 antirez,为 H3 编写了一套面向 Apple Silicon 的原生推理引擎 h3.c。

他用 C 和 Metal 从零重写了 H3 的本地推理链路——直接读取 safetensors 权重,把 Qwen 文本与视觉编码器、DiT、视觉与音频 VAE 以及最终的音视频输出,全部装进一个原生 Mac 程序里。H3 在 Mac 上不再依赖 Python 和 PyTorch,就是一个可以直接跑起来的 app。目前,h3.c 端到端支持文生音视频、首尾帧参考,以及 Ref2VA 的图像、视频和音频参考等功能。

继让模型装得下、跑得起来之后,还有开发者在积极优化 H3 的推理效率,让 H3 跑得更快。

H3 开源首日,NVIDIA 的研究团队使用 Sol Engine 在 4.5 小时内完成了首轮推理优化。在 8 张 NVIDIA GB200、1344×768、24 fps、124 帧和 50 步的测试配置下,Sol Engine 相较 Diffusers 实现了 3.95 倍端到端加速,相较 SGLang 加速 2.80 倍。NVIDIA 的实践方案无需修改 H3 的权重,并将同一套优化思路扩展到了单机设备,开发者可以依此围绕不同硬件来优化 H3 的推理效率。

在 AMD 硬件上,开发者 charlie12345 针对 Radeon AI PRO R9700 和 ROCm 环境为 H3 编写了 ComfyUI 补丁,优化 partial RoPE、长序列注意力和模型加载方式。在 R9700 32GB、864×480、124 帧和 20 步的测试条件下,生成时间较 ComfyUI 环境进一步缩短。

体积压下来了,平台跑通了,速度也上去了。这些工作叠加起来,进一步改变了开发者用 H3 的方式。

H3 开始真正进入更普通的个人设备,比如能够在 RTX 3060 8GB 上生成低分辨率视频,虽然这样的画质不适合直接出片,但足够用来调整提示词、检查分镜。视频玩家于是摸索出一种分段工作方式:本地打样、云端成片。

动漫创作者“ジュニ@Multi AI Creator”就是这么做的。他在 RTX 3060 上生成 480p 视频用来试错,用本地设备完成预览、筛选和试错,确定满意的方案后,再到 RunPod 以 1344×768 生成正式版本并完成超分,实现了创作成本的大幅降低,减少了预览和试错阶段对云端算力的依赖。

02

H3 还有这些“冷门玩法”

模型跑起来之后,开发者很快在社区开启了新一轮探索:“H3 除了生成视频,还能做什么?”

大家尝试调整模型接收的输入、调整模型生成帧数、时间长度和分辨率,在一次次“魔改”和测试中,涌现了很多并非常规使用中的能力,比如长视频续写、图片编辑和独立音频生成等等。

长视频续写:

开发者 NikoDemon80 在 「ComfyUI-H3-Motion-Context」中提供了一种递归生成方法:直接读取上一段视频的画面与音频 latent,截取末尾 22 帧作为下一段的开头条件,并将音频重新对齐到同一条时间线上。新片段生成后,工作流再裁去开头重复的部分,与上一段拼接。相比先解码、再编码,这种方法减少了逐段转换带来的信息损失,也让动作和声音更容易接续下去。

开发者 ethanfel 又把这个方法扩展成一套可审核的长视频工作流,加入了分镜规划、逐段预览、重新生成、检查点保存和自动拼接。每一段视频都可以单独检查,满意后再生成下一段。

Reddit 用户 crinklypaper 用这套工作流做了一段超过 1 分钟的视频。他先在 0.5 至 1MP 下调整提示词和镜头,再以 1.5MP 生成最终片段;同时用两张角色设定图维持人物和风格的一致。最终成片是在 RTX 5090、96GB 系统内存上,用 LightX 6 步采样和 SageAttention 完成的。

图像编辑:

把生成的时间维度缩短到一帧,社区也开始尝试用 H3 做图像编辑。「SingleFrame」项目把输入图像固定在第 0 帧,让 H3 直接生成一个单帧 video latent,再解码为图像。借助提示词,开发者可以在尽量保持原有构图和姿态的情况下,调整人物表情、服装、背景或光线。另一种模式则固定首尾两张图,让 H3 推断两者之间的变化,再从中提取一张中间帧。整套工作流没有为图像编辑做专门训练,直接调用的就是 H3 原有的能力。

「SingleFrame」项目演示:输入图像与输出图像

音频生成:

如果说「SingleFrame」压缩的是时间维度,让 H3 输出一张图,那么开发者 comfiestncoziest 则选择压缩空间维度,把联合生成的重点转向音频。他在 ComfyUI 默认 I2V 工作流中断开输入图像,将画面分辨率降至 32×32,再通过 Get Video Components 节点单独提取对白、环境声和音效,无需另外搭建专用工作流。

在开发者的多次测试中,这种方式可以实现接近实时的音频生成,生成出的音频时长甚至超过了实际等待时间。视觉分辨率从 0.1MP 降至 32×32 的情况下,音质没有发生明显变化。获得满意的声音或音效后,还可以将它作为音频参考,重新传回 H3 的视频生成工作流。

03

从单视频生成,

到自动化制片系统

在本地部署后,社区也开始尝试把 H3 接入 Agent,让它成为一套生产流程中可以反复调用的一环。从一次生成一段视频,到进入一套自动化的多镜头制片流程,H3 的使用方式,也在被重新组织。

AI 艺术家小耳 @xiaoerzhan 用这种方式做了一部完整的作品,从头到尾没有打开一次传统编辑器。

他用 Mac 上的 Claude Code 调度 Windows 电脑里部署在 RTX 5070 上的本地模型。Mac 负责立项、事实核查、脚本、时间线、字幕、分镜和结构审核;Windows 负责模型推理,由 Flux2 生成关键帧、TTX 完成配音、H3 批量生成视频镜头,Chatcut 制作音乐,音效库补充素材。

整套流程被拆成 14 个环节,从 brief、旁白和关键帧,一路推进到批量渲染、剪辑装配、音频后期和台账回写。H3 的批量镜头生成持续了 5 到 6.5 小时,最后完成了作品《用艺术史训练审美》。

「Codex-Drama」项目把这套思路封装成了可安装的 Codex 插件。插件内置九项 Skills,通过 ComfyUI MCP 调用本地 H3,可以根据给定故事或商业 brief 出发,完成角色与场景设定、分镜和关键帧设计,再为不同镜头选择相应的 H3 工作流。镜头生成后,插件继续用 FFmpeg 完成剪辑、混音、字幕、导出和质量检查。

提示词、输入素材、工作流、候选镜头和选择结果,都会保存在项目记录里。任务中断后可以从原处继续,新的尝试也会单独保留版本。H3 的单次生成,就这样进化成了一套多镜头的制片流程。

另一种做法是直接改造创作界面。「ComfyUI MiniMax H3 Director」把分段计划、条件编码、采样解码和导出整合进一个“导演台”节点,上传源视频后,用户可以手动切分、按时长均分,或通过 PySceneDetect 自动识别场景。

“H3 Director 导演台”

文生视频、图生视频、首尾帧、参考生成、视频编辑等任务都能在同一个节点里组织,H3 同步生成的立体声音频也一起输出。原本散落在节点图里的参数,被重新组织成镜头、素材和时间线;用户可以单独调整并重新生成选中的片段;多段生成时,导演台还能把上一段结尾的动作和音频作为下一段的上下文,保持镜头之间的连续性。

04

共同参与模型进化

在 H3 被接进创作流程之后,社区里的开发者也开始训练自己的 H3。

开发者 larryvrh 发布了 MiniMax-H3-Turbo-LoRA,把 H3 通常约 20 步的采样缩短到 4 至 8 步。他又为 ComfyUI 写了配套的 LoRA 加载节点和 Turbo Sampler,让这套权重能适配 BF16、INT8 ConvRot 和 pruned 等不同版本的 H3。

4 至 8 步是实际用起来的主要区间。4 步最快,能提速 5 倍,但在幅度大、速度快的动作里可能出现拖影;6 至 8 步会保留更多细节和音频质量。

速度只是其中一层。另一批开发者想让 H3 更擅长某一种人物、某一种风格,或者某一种输入方式。

fal 把这件事做成了可以直接调用的 Ref2VA LoRA Trainer。开发者可以上传视频,再加上可选的文字描述、参考图片、视频或音频。训练时,参考素材会同时进入 H3 的视觉条件序列和 Qwen3-VL 提示词,让 LoRA 学习参考主体和目标音视频之间的关系。Trainer 也开放了帧数、分辨率、LoRA rank、训练步数和参考条件比例等设置,支持画面与声音联合训练。

fal 发布的 Realism People LoRA 是这套 Trainer 的一个实际用法。为了让 H3 生成的人物更接近真实拍摄的质感,团队筛选了 176 条真人视频,把素材统一为 24 fps,为每段视频标注人物、场景和动作。他们尝试了 16 组不同的训练步数、LoRA rank 和分辨率,再用相同的提示词和 seed 对比 LoRA 加载前后的结果。发布版本对人物近景的皮肤纹理、细微表情、光线质感和镜头运动上都有了明显的改善。

DiffSynth-Studio 发布的 LineartAnime LoRA 是另一个方向的尝试——把线稿视频作为 H3 Ref2VA 的参考输入,再根据提示词生成上色后的动漫画,实现从连续线稿到完整动漫视频的转换。项目同时开放了权重、推理代码和示例素材,开发者可以直接替换线稿和提示词,继续测试不同角色和场景。

除了用现成的工具,开发者也可以直接用自己的音视频数据训练 H3 LoRA,甚至做全参数微调。

IAmIronMan42 基于 H3 的官方 Diffusers 集成,创建了一套「MiniMax-H3-FineTuning」微调工具。它按照 H3 原有的音视频生成方式,分别处理画面和声音的噪声日程,并把真实立体声音频纳入训练。项目已经在 8 张 A800 上,用 2000 多条约 30 秒、448×768 的音视频素材跑通了 LoRA 训练,社区开发者可以直接在这条路径上部署和修改,训练自己的 H3。

还有很多值得记录的项目没有被写进这篇文章,新的社区玩法也还在不断出现。更多工作流、开源工具和实战经验,已经收录在 H3 社区精选页,并将持续更新。

社区开源项目精选页(上下滑动查看)

精选页链接:hailuoai.com/h3-open#featured

我们看到,H3 开源之后,越来越多的创作者和开发者加入了 H3 的生态。

感谢每一位提交代码、分享工作流、参与测试,以及记录问题的开发者和创作者。这些探索和经验,为我们继续完善模型提供了重要参考。

我们也将持续迭代,保持开放,和大家一起共建更丰富的开源生态。

Intelligence with Everyone.

跳转微信打开

一晚两场,H3 技术团队和全球开发者聊了什么?

2026年8月8日 12:21

原创 MiniMax 2026-08-08 12:21 上海

MiniMax H3 开源的第一周,很多国内外开发社区里的开发者、创作者已经有了量化、硬件适配和工作流的丰富探索,也提出了一些关于模型机制和后续计划的问题。

周五晚,H3 技术团队参加了 Reddit 社区 AMA 问答交流和 ComfyUI Live 直播,和来自不同地区的开发者、创作者聊了聊:模型架构是怎么做的?长视频能不能续写?目前还有哪些技术局限,后续的开源策略是什么……

围绕这些话题,我们把技术观点整理分享出来,记录于下。

H3 的核心架构:

稀疏注意力、VAE与训练策略

Q:H3 使用 MSA 吗?哪些 token 会被稀疏化?这一方案什么时候开放?

H3 不使用 MSA,稀疏注意力策略更接近 MoBA。由于相邻视觉 token 具有较高相关性,mean pooling 已经能够有效判断 block 的重要性,因此不需要额外的 learned indexer。

当前默认只对视频 token 做 3D sparsification,因为它们占整个 token 序列的比例最大;图像和文本 token 也在探索范围内。该方法是 train-aware 的,团队预计近期发布一个相对保守的版本,目标是在不产生用户可感知的质量损失的前提下提供 reference implementation。不同设备上的进一步优化,需要社区共同适配。

Q:视频 VAE 编码中的第一帧为何作为独立单元?为什么使用双 VAE?

独立第一帧是为了更好地统一图像和视频训练:一张独立图像与一段视频的第一帧,可以在数据侧被同等对待。固定 17 帧分组,主要用于保持不同视频时长之间 latent 分布的一致性,空间切块也遵循同样的原则,与 frame interpolation 无关。

使用独立的视觉 VAE 和音频 VAE,而不是单一的联合 VAE,一个重要原因是为了保留对多模态训练过程的控制。如果将两种信号编码为同一 latent space 中的 tokens,就很难通过 DiT 的训练策略分别平衡两种模态的训练进度。由于在这一设置下音频携带的信息量相对较少,它可能更早收敛并开始过拟合,而独立的 VAE 能够为我们管理这种不平衡提供更大的灵活性。

对于两个 VAE,我们的目标并不是单独追求最高的重建质量,而是在确保基本重建性能足够的基础上,更关注最终得到的 latent representation 是否有利于生成建模。尤其对于视觉 VAE,较高的压缩比可以减少视觉 token 的数量,从而降低 DiT 的计算成本;但如果向 latent 中编码过多信息,也会增加 DiT 的建模负担,并使训练行为更难控制。因此,我们会关注不同类型信号在 latent representation 中的分配与平衡,并通过 VAE 在完整生成训练过程中的表现进行评估,而不是只依赖重建指标或孤立的 latent-space probing 结果。

Q:H3 如何做到更好的指令遵循和泛化能力?

从本质上说,最重要的因素是构建足够广泛且多样化的数据和任务集合,使用通用架构对其进行训练,并避免采用无法有效扩展的架构设计。很难将这种能力归因于某一个单独的架构选择或训练技法。用户所感受到的,好的指令遵循以及泛化能力,与 H3 最初的设计目标高度是一致的,即让单一模型实现广泛的任务泛化。为此,我们在各个阶段都投入了大量精力,包括数据构建、任务设计、模型架构和训练策略等,同时确保每一项设计选择都具备可扩展性。

值得一提的还有一个观察。我们在训练模型的过程中发现,一个只训练过「根据首帧和 caption 预测末帧」这一简单任务的模型,在没有进行任何图像编辑专项后训练的情况下,也能在多个图像编辑 benchmark 上取得较强的 zero-shot 结果。这让我们相信,在自然语言指令引导下,原生的 in-context learning 能够泛化到不同任务。

我们会在后续发布的 H3 Technical report 中,公布更多细节。

长视频续写

Q:H3 是否训练过递归式、分块 latent 的长视频续写?Ref2VA 的 continuation 应该怎么用?

我们最初使用 extended RoPE positions 训练过一个专门的音视频续写任务,作为独立任务时效果很好。但我们发现,这种 RoPE 扩展方式在多任务设置下的泛化能力不够强。因此,发布模型最终采用标准的 reference-conditioning 来学习续写。

Ref2VA 可以将前序内容作为 reference condition,从而支持续写;不过,当前模型还没有原生训练过由多个递归续写片段组成的长轨迹。对于真正的递归式续写,我们认为,结合 sparse attention 的原生长轨迹训练是一个有前景的方向。

Reddit 用户 Zironic 提到,“反复让模型每次生成 141 帧,并将上一段视频和音频的最后 51 帧作为参考,可以整合一段连贯的 60 秒视频。在生成过程中,我提供同一张目标主体的图像作为参考,可以在时间维度上保持连贯性。”这种能力正是来自预训练中的音视频续写任务,开发者的实践也印证了这一点。

视频画质与技术局限

Q:为什么 Ref2VA 比 I2V 更糊?纹理和远景人脸问题的主要原因是什么?

部分原因在于 FL2VA 与 Ref2VA 的后训练策略存在差异,因此两个 checkpoint 当前表现出了明显不同的视觉质量倾向。提升 Ref2VA 的视觉质量正在推进中;实际使用时,建议尽可能提供高质量的 reference input,因为 Ref2VA 对 reference conditioning 的质量比较敏感。

对于纹理、高频细节偏糊和远景小脸崩的问题,我们已经观察到,并将这个问题列为后续重点。从目前的实验结果看,这不能简单归因于 Visual VAE 的高压缩比,也不能归因于单一训练阶段,我们正在继续拆解其中的主要影响因素,并会在未来更新中持续改进。

Q:低分辨率预览后,能否用相同 seed 生成一致的高分辨率结果?

不同分辨率对应不同的空间形状,初始噪声也会变化,因此相同 seed 不会保留相同结果。低分辨率生成后再超分,通常也会比原生高分辨率生成更差;发布 checkpoint 在后期训练中更偏重高分辨率能力,低分辨率能力因此出现了一定回归。

推理效率优化

Q:官方会推出 Turbo LoRA、4-NFE/8-NFE 版本或更小参数模型吗?

当前 checkpoint 已包含 CFG distillation,最终训练阶段的特殊策略也让模型具备了一定的少步推理能力,但它并不是针对极端低步数专门蒸馏的模型。我们正在探索 step distillation,目标是在不产生明显质量损失的前提下降低推理成本,也在评估 4-NFE 或 8-NFE 版本,但暂时无法承诺近期发布。

Q:H3 为什么难以运行在普通 GPU 上?目前在做哪些优化工作?

H3 开放系统的部分约有 600 亿参数,包括 text encoder 和 DiT model。BF16 权重约需要 120 GB 内存,而多数消费级 GPU 只有 24 GB 或更少。

我们正在做的主要优化工作包括 quantization 和 offloading:前者用更低精度存储权重,减少内存占用和数据搬运;后者把当前计算所需的部分移动到 GPU,其余保留在系统内存中。我们同时发现,社区里已经有了很多在量化、加载和推理加速方面的工作流分享,欢迎大家继续探索。

可以先确认使用最新版本的 ComfyUI、官方 H3 workflow 和正确的 low-memory models。模型无法全部留在 VRAM 时,速度变慢是正常现象;ComfyUI 会在需要时搬运权重,实际速度还取决于系统内存和 PCIe 带宽,offloading 设置也可以带来速度与质量之间的平衡。

Regenerate-2K

与图像模型

Q:Regenerate-2K 会不会开源?它和普通超分有什么不同?

技术上,Regenerate-2K 是第二阶段条件生成模块,不是把已发布的 base checkpoint 再运行一遍的传统 upscaler。它使用更高目标分辨率下的专用 latent-space DiT checkpoint,将基础模型输出作为额外上下文,并结合部分高分辨率参考输入。目前可以先通过 API 使用,我们还在提升模块效率和生成质量,会在后续开源。

Q:未来是否会发布独立的图像模型?会怎样与 H3 配合?

我们计划开源一个同时支持 Text-to-Image 和通用图像编辑的统一模型,目前正在进一步完善和优化后训练阶段。这个模型与 H3 共享同一基础谱系,并会使用同一 VAE encoder;由于 temporal encoder 具有因果性,可以通过 weight slicing 获得 2D VAE encoder,同时配套专用的图像生成 VAE decoder。

把模型能力拓展为

可复用工作流

Q:是否会发布 Context-IR 的模板?还有哪些使用技巧?

我们发布过两份官方提示词指南,已经提供模板示例,也将这两份指南整合成了一个 GitHub Skill 并持续迭代。想获得最完整、原生的 Context-IR 体验,建议直接使用官方 API。

本地部署用户,T2V 是最容易上手的模式,因为只需要文本 prompt,H3 Context-IR API 则可以进一步增强用户的 prompt,帮助生成更好的视频。ComfyUI 用户可以从官方模板开始尝试构建,熟悉后再逐步加入参考图像、音频和镜头控制等功能。

Comfy 团队在直播中也给出了一些使用技巧。例如,输入音频参考时,如何让对白和画面更稳定?建议把输入音频作为 reference,同时在 prompt 中用引号写出角色需要说的对白,并放在对应镜头的描述中。这样通常能提升对白生成的稳定性和一致性。

而对于很多人提问的多镜头产品广告工作流,搭建的方法也并不复杂:可以用输入参数定义视频时长和镜头数量,例如 10 秒、5 个镜头,平均每个镜头约 2 秒;再通过 LLM prompt enhancer 生成预览 prompt,并传入多个参考画面。ComfyUI 模板库已经提供了相应的基础工作流,用户可以自行调整镜头、参考输入和提示词。

开源与协作

Q:MiniMax 在未来还会继续开源吗?对语音、音乐模型有没有后续的开源计划?如何确定优先级?

在 H3 发布后很短的时间里,开发社区已经有了不同量化版本、ComfyUI 适配和 MLX 等硬件支持。对 MiniMax 来说,这种快速迭代和探索,正是开放协作能够带来的价值。

我们的愿景是 Intelligence with Everyone,推动这一领域的发展是我们的核心使命之一。我们会持续认真思考,如何作出最有意义的贡献,同时密切关注社区反馈,并在共同前进的过程中保持开放。对于后续模型,我们当前的优先级仍然是,在实际可用、资源可接受的前提下持续提供更强的能力。

跳转微信打开

❌