一、video-01：窗口期抢位#

2024 年 8 月 31 日，首届 MiniMaxLink 伙伴日，video-01 发布，原生高分辨率、高帧率文生视频，一次生成 5 秒。没有技术报告，连发布会都是跟音乐模型拼场开的，但它在 VBench 第三方评测里拿了综合第一（据报道），把海螺AI的网页访问量在 5 周里拉高了 8 倍多。这代的意义是”先上车”，证明普通用户愿意用、用得起 AI 视频。

二、Hailuo-02：算力重分配#

2025 年 6 月 18 日技术发布周第二天，Hailuo-02 带着 NCR（Noise-aware Compute Redistribution，噪声感知算力重分配） 上线，把算力从”省力”的去噪步骤挪到”费力”的步骤，同参数量级下训练和推理效率提升 2.5 倍，省出的预算填进 3 倍参数、4 倍数据，做到原生 1080P。发布当天在 Artificial Analysis Video Arena 图生视频栏目锁定全球第二，压过 Veo 3 和可灵（据报道）。这代的答案是”先算算力账，再谈规模化”。

三、H3 的伏笔：能力清单越拉越长，模式却越隔越远#

但 MiniMax 自己算了一笔更大的账。官方复盘过去两年视频生成行业，一句话概括：把某一类效果做好，封装成一个功能。文生视频、图生视频、参考、编辑，各是各的模块，各是各的微调管道，能力清单越拉越长，模型之间却越来越隔离。MiniMax 称之为”任务、能力、模态的隔离”，并下了两个判断：任务泛化是不可逆转的趋势；语言（或者说广义的智力结构）是泛化的桥梁。H3 的第一纲领就是”任务的统一和泛化”。

一、问题：要商用，先过三关#

视频生成想从”玩具”变成”生产力”，有三道坎。第一道是文字关，AI 视频里的文字经常是乱码，广告、品牌物料根本没法用，而 GPT Image 2、NanoBanana 已经解决了图片里的汉字问题，视频文字难度却是”指数级上升”（据报道）。第二道是声音关，此前多数模型只出画面不出声，或者声音是后期贴的，唇形、音效、BGM 对不上。第三道是控制关，商业拍摄要的是”改这不动那”，换台词、换光线、改节奏、精确到镜头，前代模型要么做不到，要么每个功能单独训一个模型，用户要在一堆开关之间来回切换。

对 MiniMax 来说还有第四道坎，成本关。2K 长视频的 token 量爆炸式增长，硬堆算力，训练和推理成本都会失控，就像 Hailuo-02 遇到的那样，只是这次问题严重了不止一个量级。

二、方法：不做加法做减法，一次预训练，全模态通吃#

H3 的破法不是再列一张更长的能力清单，而是把”任务”这个概念本身干掉。官方博客的表述很直白，预训练阶段就混合图文音视频，任务覆盖文生图、文生视频、带联合音频生成（音频输出均为原生双声道）、原生多镜头建模、文生音频（人声/音效/音乐统一联合建模，不再分开），以及广义参考与编辑（图→图、图→视频、音频→音频、音视频→音视频），并且”不限制在少数预定义任务中”。参考和编辑关系全用自然语言表述，模型结构保持干净，用官方的话说，语言是可泛化的连接层，任务差异变成描述差异，模式隔离自然消解。发布会上演示了一个典型 prompt：参考视频 1 的希区柯克镜头运动，让图 2 中的人物唱歌，歌声参考音频 3——三类素材加一句人话，端到端出片。

一、Contextual Omni Representation：给模型配一个”会读空气”的解说员#

Contextual Omni Representation（上下文全模态表征） 是数据层的新设计。传统 caption（标注）只负责”描述目标视频”，H3 的标注要宽得多，除了描述目标视频，还要描述上下文与目标视频的关系，甚至理清上下文内部各元素之间的关联；视频和音频要联合描述，多镜头下的音画对应关系也要写清楚。MiniMax 为此定制了专门的 caption 模型，搭建了一条全模态理解管线，把大部分素材约 100K Token 的推理压缩成平均约 4K Token 的表征。语言在这里当”胶水”，把参考图、参考视频、参考声音和用户意图粘成一个整体，这是 H3 能”看懂”复杂 prompt 的根源。

二、H3-VAE：4 倍压缩的”视频压缩包”#

H3-VAE 是 tokenizer 层的重构，目标是同时优化三件事：压缩率、重建质量、以及 latent 空间对生成主干的友好度。官方给出的收益是4 倍序列长度压缩，直接砍掉四分之三的训练和推理成本，这是 H3 敢默认输出 2K 的关键底气。可以类比成视频压缩包，同样的画质，包越小，传输越快越便宜；反过来，同样的预算，可以装更长的视频。

三、H3-Omni Transformer：异构训练，吞吐 +30%#

H3-Omni Transformer 是主干架构。全模态上下文让序列长度方差比前代大了 3 倍，理解任务和生成任务的 workload 高度异质化，一个”一刀切”的并行策略必然浪费算力。H3 的做法是理解/生成异构训练架构，精细调优不同 workload 的硬件利用率，联合考虑”每样本异构计算 × 样本间负载均衡”，端到端训练吞吐提升近 30%。更值得注意的是它做了什么减法，H3 直接抛弃了 Hailuo-02 的架构。官方原话，“架构技巧应为模型定义让路”，在任务泛化这个核心定义面前，前代引以为傲的设计变成了”不合时宜的复杂性”。一个模型团队主动扔掉自己最得意的架构，这在国内并不常见（据报道）。

四、In-context Regeneration：不用超分模块，让模型自己重画#

In-context Regeneration（上下文内再生） 是输出层的设计。2K 输出不用专门的超分模块，而是让基模对自己的低分辨率结果做一次 in-context 重新生成。好处有两条：一是最大程度复用基模自己的生成能力，不用为超分单独养一个模型；二是重新生成时能再次利用原始多模态上下文，把传统超分”猜”不出来的小文字、精细纹理恢复出来。官方强调，这本身就是任务泛化的体现——“重画一遍”和”从零画一张”用的是同一套能力，不是两套系统。

五、训练：借文本模型的作业#

据多方报道，H3 把文本模型上的经验搬到了多模态训练里，包括复杂问题拆解、Reasoning、Scaling Context 和 Muon 优化器，并在异构训练、负载均衡、GPU 利用效率上做系统优化。这条”文本模型反哺视频模型”的路线，是 MiniMax 全模态布局里比较隐蔽的一手。

一、榜单：编辑能力全球第一#

据第三方评测平台 Artificial Analysis 数据，H3 在视频编辑能力项排名全球第一（据报道）；在文生视频有声榜单中排名第二，Elo 得分 1242，仅低于谷歌 Gemini Omni Flash 的 1245（据智东西）。社区实测里，给范志毅采访视频换台词，能保留音色、适配嘴形，还能正确替换画面原有文字而不是叠新横幅；长提示词要求烛光→硬光→彩虹折射→红蓝对打→金色逆光依次变化，光照变化是物理性的，墙上受光区、面部阴影、金属球高光全都跟着光源走。这类”精准编辑 + 指令遵循”正是商业场景最缺的能力。官方承认的局限也写在博客里，多模态上下文理解仍有巨大提升空间、模型规模限制完成度、部分场景画面精细度还要打磨。

二、价格：0.8 元/秒，砍到三分之一#

定价是 H3 的另一张王牌。2K 分辨率 0.8 元/秒，不到主流同类旗舰模型的三分之一；768P 约为主流模型 720P 的一半，API 最低价据报道低至 0.23 元/秒。按这个口径算，生成一条 15 秒 2K 视频约 10 元（据报道；0.8 元/秒 × 15 秒约 12 元，各家测算口径略有出入），有报道称”约 10 元制作一支广告视频，约 20 元完成一集短剧”。对照参考线，2025 年 3 月时海螺一条 5 秒视频成本已经不到 0.5 元，这次 H3 是把”商业级成片”直接拉到了”随手生成不心疼”的价格带。

三、市场：股价涨超 13%，悲喜同框#

发布当日，MiniMax 港股（MINIMAX-W，00100.HK）应声上涨，截至发稿涨 13.64%，报 231.6 港元，成交额 6.91 亿港元（据智通财经），市场还预期其 8 月初纳入港股通。但硬币的另一面是，据报道公司市值已从高点蒸发 3000 多亿港元，只剩 800 亿港元左右；6 月发布的文本模型 M3（4280 亿参数）市场表现不及预期，CEO 闫俊杰在复盘会上向全员道歉，并宣布停薪至 AGI，未来四年拿出个人名下 4% 股份激励员工、1% 股份设立专项基金支持开源社区。7 月 10 日刚完成的 160 亿港元融资，八成投向 AI 基础设施和模型研发。H3 这场发布会，是背水一战里的关键一局。