MiniMax 开源 H3 后，为什么更值得看好

前段时间我在 siggraph 2026+ 这场活动见到了 MiniMax 的小伙伴，他们跟我说马上会有一个让他们内部很激动的模型发布，果然看到他们发布了 H3，今天正式开源了。

巧的是，H3 发布当天，正好撞上 Seedance 2.5 同期发布，结果 H3 没被比下去，文字生成、影视后期这些场景里，还更显出长板。价格同样打了下来，2K 下每秒 8 毛，也就 Seedance 的三成。今天 H3 开源，华为、摩尔、沐曦、英特尔，十几家都跟着发了 Day 0 适配，视频模型最近很少有这种热闹了。

效果不差、价格打了下来、开源敢为人先，三件事凑在一起发生，是我觉得值得蛮值得聊的地方。

效果这块，先看实打实的对比

对比这件事，我发现网友们比他们官方还急。这个周末，各种第三方实测就铺开，整体来看 H3 和 Seedance 同一梯队，像复杂文字的生成，还有广告、游戏预告、影视后期这块更厉害。

拿咱们中文这块来说，视频生成里文字乱码一直是老问题，字一多、镜头一动就容易变形错位。H3 能在视频里稳定生成复杂文字，还能把文字当画面里的一个视觉元素处理，而不是简单叠一层字幕，这对广告、品牌这类对文字准确度要求高的场景很关键。英文也不在话下，A16z 合伙人 Justine Moore 过去一年半没有成功在 AI 视频的特定场景里写出过满意的文字，但 H3 满足了她。

再比如后期特效，以前做这类视觉包装，包括游戏 UI 动效、品牌动态视觉、广告电商素材，基本剪映、AE 里一帧一帧调，套模板、对时间线，效率完全看人的手速。H3 的长板正好覆盖这几类商用场景，能围绕同一段素材完成不同元素的编辑，在特效包装和视觉设计上，完全不用人工逐帧对齐。以前我们看视频生成，只能生成一段素材，现在算是真正在参与创作这个方向上推了一步。

价格为啥更便宜，技术上下了功夫

MiniMax 发布、开源，发了两篇技术分享，篇幅都不长，但信息量挺多的。

先说训练范式。以前的视频模型，图片、视频、音频是分开训练的，同一个模态里不同任务也是分开的，文生图、图片编辑、动作参考、风格参考各自都是独立的专家模型。边界是清楚了，但也限制了模型的泛化能力，一个模型只会干一件事，换个任务就得重新训。H3 反过来，从预训练阶段就是打通的，比如文生视频这个任务直接带着联合的音频生成，输出的音频天然就是双声道，各种类型的数据和任务也很早就融合在一起训练。这样做出来的结果是，H3 在预训练阶段就已经具备比较广的多模态上下文理解和生成能力，用起来不用写特别复杂的 prompt，用大白话描述清楚想要什么，模型自己能理解完整的创作意图。

指令理解为什么好，MiniMax 做了一套叫 Contextual Omni Representation 的东西，说白了就是把上下文里所有模态的信息，以及它们之间的关系，用语言重新组织了一遍。因为用的是很广的多模态数据，光一句话描述目标视频不够，还得描述上下文和目标视频之间的关系，甚至上下文内部各个元素之间的关系，视频和音频要联合描述，多镜头的情况音视频关联就更复杂了。为了做到这些，他们专门搭了一套模型和全模态理解的处理管线，大部分素材要经过 10 万 token 量级的推理，最后浓缩成平均 4000 token 左右的描述。语言在这里面起的是一个能泛化的连接和解释作用，这也是 H3 指令理解做得好的根本原因。

Tokenizer 也值得说说，也就是模型把视频压缩成自己能处理的信息单元这一层。H 系列一直在这块持续投入，H3 这一代把上一代整个革新了一遍，取名叫 H3-VAE，压缩率大幅提升，同样内容需要的序列长度缩短到四分之一左右，训练和推理成本跟着降下来，这是为什么能以较低成本支持原生 2K 的关键。在定价上，H3 在 2K 的高清分辨率下的价格是 Seedance 1080p 的 1/3，那更不用和 Seedance 2.5 比，价格差距会更明显。

2K 分辨率这块也没走常规路子。一般的超分模型是把低分辨率画面直接放大、锐化、补细节，问题是容易丢失原始信息，甚至生成错误的文字或假细节。H3 的做法叫 In-context Regeneration，不把低清视频当成唯一依据，而是把它当参考，连同原本的多模态上下文一起重新丢给模型生成。这样能复用 H3 已经具备的生成能力，也能把低清视频里肉眼看不清、但上下文信息里还在的东西找回来，比如一些小字。这套思路本质上还是任务泛化这个理念的延伸。

视频生成，将有自己的 Coding 时刻了

这几年 AI 写代码这件事走过一个挺明显的过程，一开始是能生成几行能跑的代码，属于能唬人但离真正干活还差点意思的阶段，后来慢慢变成工程师真的会每天用、离了它反而觉得慢的工具。这个变化不是某一天突然发生的，是效果、成本、可控性几件事同时跨过一个门槛之后自然发生的。

视频生成现在有点像走到了类似的门槛前面。以前这个领域拼的是谁能做出一段让人惊叹的演示视频，效果好不好看是唯一的评判标准。H3 这次给出的信号是，效果打平第一梯队，价格压下来了，还能精准控制画面里的文字、动作、背景这些细节，这三件事一起发生，意味着企业真的可以把它接进日常生产流程里，而不只是拿来做一次性的效果展示。这个信号比单看某一项参数更值得关注。

那有人说，H3 开源了，公司还赚钱吗？其实不是，好的文本模型不也开源吗。开源和商业化之间不是二选一的关系，而是有一条分层的收入体系。比如 H3 来说，MiniMax 用开源的 H3-Base 扩大开发者覆盖，用户也能通过云端的 Context-IR、2K 生成功能享受到更好的输出内容，也是值得买单的。只要视频模型切准了商用场景，云服务+底层部署的组合能把蛋糕做的更大，把蛋糕做大就能有机会看到下一个 Coding 时刻。

开源这个决定，背后是公司一贯的路子

在视频生成这个赛道，把模型开放出来并不是主流选择。H3 开源等于把模型能力这一层的差异化让出去，企业拿去 finetune 也能用，按理说会蚕食自己未来的产品空间。

但这种让出去的逻辑，恰恰是国产模型一直以来的判断，只是 MiniMax 在多模态这块又先走了一步。从文本模型一路看下来，我们判断是模型本身的护城河会越来越薄，真正能形成壁垒的是围绕模型的生态密度。比如芯片、比如创作平台、推理框架，还有应用方，一起围绕这些开源模型搭建工作流，这种粘性比权重本身更难复制。

这次 H3 的开源也印证了这点。芯片企业，推理平台，国内国外的应用厂商几乎在同步跟进。这种开源刚一落地，生态已经铺好的节奏，在全球的视频模型里是第一次。

技术分享里，H3 负责人讲了这样一句话，说语言、图片、视频、音频本来就是人和世界打交道的基本媒介，信息能不能被顺畅地表达和传递，本身就是一种生产力。MiniMax 这家公司一直在把，让 AI 实打实提升生产效率这件事从口号变成行动，H3 开源只是这条线上的最新一步。

开源会怎样改写竞争规则？

短期内不太可能出现闭源全面转向开源这种事，更可能的情况是两条路线长期并存。闭源阵营继续在效果天花板上死磕，追求那种能让人当场惊叹的极致效果；开源阵营拼的是生态，能不能让足够多的芯片、平台、工具一起围绕这个模型搭建工作流，且谁能让更多企业真正把模型、真正把工作流用进日常生产流程。这两条路未必是对着干，一家做广告素材的公司完全可以日常用私有部署的开源模型，遇到极限场景再去调用闭源 API，混着用。

H3 开源之后能走多远，还要看这些芯片企业、开源社区怎么真的把它用起来、改起来。开源这件事本身只是给了一个可能性，真正决定它成不成的，是后面有没有人接着往上盖房子。但无论 H3 之后跑成什么样，至少有一件事值得被记住：在闭源同行还在死磕收费方案的时候，敢把看家的好模型放出来这件事本身需要的笃定，比把它训出来还要稀缺。

结尾

也欢迎大家留言讨论，分享你的观点！

觉得内容不错的朋友能够帮忙右下角点个赞，分享一下。您的每次分享，都是在激励我不断产出更好的内容。

欢迎关注深思圈，一起探索更大的世界。

- END -

两个“特别坑”的AI产品创业方向，你知道吗

速度将成为AI时代唯一的护城河

a16z重磅预测：Vibe coding赢者通吃？错了，垂直专业化才是未来