MiniMax H3 开源权重：你实际拿到的是什么

MiniMax 在 2026 年 7 月 31 日以 API 产品的形式发布 H3，三天后把权重传上了 Hugging Face。这是一个 33B 参数、原生出音频的系统，目前 SGLang、vLLM、diffusers 和 ComfyUI 都能跑。

但"开源权重"这四个字承担得有点多。H3 是一个三模块系统，真正开源的只有中间那一块。下面讲清楚三件事：哪些能在你自己的机器上跑，哪些仍然要调 MiniMax 的服务器，以及那条决定你到底能不能用的许可条款。

H3 是什么

H3 是一个全模态生成系统：文本、图像、视频、音频作为一整段多模态上下文输入，输出带原生立体声的视频——视频与音频的 latent 由同一个 transformer 联合预测，而不是生成完再配上去。

参数	规格
时长	4–15 秒
帧率	24 fps
分辨率	默认 768p；2K 需经 H3-Regenerate-2K
音频	32 kHz 立体声，与画面同时生成
画幅	21:9、16:9、4:3、1:1、3:4、9:16 等
对白语言	11 种稳定支持，含中文、英语、日语、韩语、阿拉伯语、西班牙语

输入分为两种互斥形态，这是大多数简介会漏掉的细节：

• H3-Base-FL2VA——首尾帧模式。零张、一张或两张图：不传图是文生视频，传一张是首帧或尾帧，传两张是首尾帧。
• H3-Base-Ref2VA——全参考模式。最多 9 张图、3 段视频、3 段音频；每段素材必须 2–15 秒，所有类型加起来不超过 12 个文件。

二选一。首尾帧和参考素材不能出现在同一次请求里——它们是两个模型变体，跑在两个独立的服务上。

三个模块，你拿到的是哪一个

一次 H3 API 请求会经过三段：

1. H3-Context-IR 读取你自由形式的输入——prompt、图、片段、音频——理解它们彼此之间以及与目标视频之间的关系，再序列化成一份结构化的 Context 中间表示。
2. H3-Base 依据这份 IR 生成 768p 的视频与音频。这才是开源的那部分。
3. H3-Regenerate-2K 把 768p 结果连同原始上下文一起送回去，重新生成 2K。

模块 1 和 3 不在开源范围内。MiniMax 明确说明了模块 1 缺席的原因——它"依赖多阶段工作流以及多个托管模型与服务"——也同样明确地说了代价：H3-Context-IR"对最终输出质量至关重要，我们强烈建议把它纳入你的生成管线"。

这句建议不是客套。那份 IR 不是"改写过的 prompt"，而是一份结构化文档：命名主体、说明每个参考素材哪些部分必须保留的 retention analysis、逐镜头描述（对白内嵌其中）、以及整段声场说明。官方公开的一个示例里，五秒片段的 prompt token 数超过 33,000。你当然可以照着 MiniMax 给的两份 prompt 编写指南自建一套，但那等于在重造一个被原作者认定为"决定输出质量的主要因素"的部件。

分辨率同理。模型卡自己的"Full 2K Workflow"，是在本地 SGLang 部署的外面套两个 MiniMax 托管 API。纯自托管、完全离线的情况下，H3 是一个 768p 模型。

许可排除了四个市场——规划之前先读这条

这一节决定了前面那些内容对你是否成立。MiniMax H3 Community License Agreement 原文：

"Applicable Territory" means worldwide, excluding the Excluded Territories. … "Excluded Territories" means the European Union, the United Kingdom, the Republic of Korea and the United States of America.

（"适用地区"指全球，但不包括"排除地区"；"排除地区"指欧盟、英国、韩国和美国。）

开源权重的授权不覆盖这四个地区。有三点需要说准：

• 限制及于产出，而不只是权重。协议禁止在适用地区之外使用、复制、修改、分发或展示这些作品"或其任何产出或结果"。在别处合法生成的视频，拿到排除地区使用，仍不在授权范围内。
• 年收入超过 2000 万美元需要书面授权——须事先通过邮件向 MiniMax 单独申请并获批。
• 有申请通道。排除地区的组织可以申请正式许可，MiniMax 会审核部署场景与配套管控措施。他们给出的理由是监管而非商业——欧盟 AI 法案、英国与韩国关于 AI 生成内容的规则、以及美国正在进行的生成式视频版权诉讼——并把这个限制描述为"现在还不行，而不是永远不行"。

API 则是全球可用的。MiniMax 划的线是分发方式而不是地理位置：服务由他们自己运行时，安全管控可以强制执行，所以在权重不可用的地区，托管模型依然可用。

跑起来要什么

H3-Omni-Transformer 是一个 33B 稠密单流 transformer。有两个细节让实际数字比 33B 小：

• 其中约 13B 参数位于 AdaLN 分支，其调制输出可以预计算并缓存。纯推理部署不需要加载这部分。完整权重照样发布，所以微调仍然可行。
• H3 原生支持稀疏注意力，但首个开源版本的推理只有全注意力。稀疏实现承诺后续更新——在那之前，长多模态序列要按平方复杂度付账。

MiniMax 给出的 SGLang 参考配置是每个变体跑在四张 GPU 上，采用 Ulysses 序列并行，两个变体作为两个服务跑在不同端口。SGLang、vLLM、diffusers、ComfyUI 都有官方文档路径；仓库同时提供原始 checkpoint 和 diffusers 格式，按框架只下需要的那份即可。

那么：自托管还是走 API

自托管的前提是：你不在排除地区，每个变体能拿出四张 GPU，并且 768p 确实够用，或者你愿意自建上下文处理层。微调是最有说服力的理由——完整权重，且许可在适用地区内允许衍生模型。

走 API 的情形是：你在欧盟、英国、韩国或美国且未申请许可；你需要 2K；你想要官方 IR 的质量但不想重造它；或者你的量还撑不起常驻 GPU。它也是唯一一个"就是一个模型"而不是"一个模型加一个集成项目"的 H3。

Imgo 上的 H3

H3 已经在 Imgo 的视频生成器里，名字是 MiniMax H3，走 MiniMax 官方 v2 API——完整三模块链路，2K 和官方 IR 都包含在内，地区问题也不存在。我们的模型注册表强制两条约束，都来自模型本身而非我们附加：

• 首尾帧不能与参考图、参考视频、参考音频组合使用。这就是上面 FL2VA / Ref2VA 的分野，我们把它变成一个校验错误，而不是一次失败的生成。
• 参考视频的时长，以及第五张之后的参考图，会产生上游输入计费。

H3 没有随机种子，所以当你需要某个镜头下个季度还能渲染出同样结果时，它不是那个选择——三个主力模型里只有 Veo 3.1 给种子。H3 给你的是我们路由到的所有模型里最宽的输入面：一次请求里 9 张参考图 + 3 段参考视频 + 3 段参考音频，而且声音和画面一起生成。

如果想在接管线之前先跟 Seedance 2.5、Veo 3.1 比一比：三者只隔一个下拉框，共用同一套请求结构和同一个积分余额。