2026年8月3日，MiniMax正式开源其最新多模态大模型H3。H3是一个通用全模态生成模型，能够同时理解文本、图像、视频和音频，并支持最高2K分辨率、15秒时长、带32kHz原生立体声的视频生成。更重要的是，2K视频生成的API单价仅为行业旗舰产品的三分之一。本文将从本地部署到实战应用，带你快速上手MiniMax H3。
模型架构与核心能力
H3采用统一的Transformer架构处理所有模态。与许多多模态模型不同的是，H3的attention层和FFN层均不包含模态特定结构——与模态相关的参数仅存在于输入/输出层和AdaLN分支中。这种设计最大限度地复用了基础模型的生成能力，同时以较低的额外成本提升不同模态的生成质量。
在位置编码方面，H3引入了三维Multimodal Rotary Position Embeddings（MM-RoPE），同时表达时间维度和两个空间维度上的位置关系。这使模型能够更自然地处理视频中的时空关系——例如理解一段视频中物体在连续帧之间的运动轨迹。此外，模型在训练最后阶段引入了原生稀疏注意力以降低长序列的计算开销，但该模块将在后续更新中单独发布。
MiniMax H3的开源策略相当激进：不仅开放权重，还提供完整的本地部署方案和ComfyUI节点。在全模态视频生成赛道，H3以开源+低价的组合正在改写竞争规则——2K单价仅为行业旗舰的三分之一，这一定价策略可能迫使其他厂商跟进。
本地部署与ComfyUI接入
MiniMax H3以两个task-specific checkpoint的形式发布，开发者可在GitHub获取完整代码和模型权重。官方推荐使用Hugging Face的diffusers库加载模型，最低显存要求为24GB VRAM（建议使用A100或4090）。
对于视频生成爱好者，ComfyUI已提供官方MiniMax H3节点，支持T2V（文本生成视频）、I2V（图像生成视频）和R2V（参考生成视频）三种模式。安装方法：在ComfyUI Manager中搜索"MiniMax-H3"安装节点包，或手动克隆GitHub仓库至custom_nodes目录。配置完成后，拖入"MiniMax H3 Loader"节点选择模型路径即可开始生成。
完整2K工作流验证
MiniMax H3的完整系统由三个模块组成：H3-Context-IR、H3-Base和H3-Regenerate-2K。其中2K输出采用了创新的in-context regeneration方法——使用H3基础模型对其自身生成的低分辨率结果进行重新生成，而非传统的专用超分辨率模块。这种方式能最大限度地复用基础模型已有的生成能力，同时在生成高分辨率输出时再次利用原始多模态上下文，还原传统超分方法只能靠"猜测"来补充的信息——例如小文字和精细细节。
目前2K再生模块尚未开源，开发者可通过MiniMax开放平台API验证完整的2K输出效果。官方提供了两种验证方法：完整2K工作流（结合API与本地H3-Base）和仅本地H3-Base的768p验证。具体步骤和提示词指南已在MiniMax官网上线，建议开发者优先参考官方文档以免踩坑。
粤公网安备44130202001736号