近日，MiniMax（稀宇科技）正式发布全模态生成模型 MiniMax H3，支持对文本、图像、视频、声音组成的多模态上下文进行统一理解，并可生成具备原生双声道的音视频内容，最高支持 15 秒、2K 分辨率的视频输出。据官方透露，MiniMax H3 将在未来几天开放模型权重。

据了解，MiniMax H3 面向广告、电商、品牌、产品设计、UI/UX、游戏等内容创作场景，可实现多模态内容的编辑与生成。官方公布的信息显示，该模型在指令遵循、文字及品牌信息呈现、视频到视频动作迁移（V2V Motion Transfer）等方面进行了优化。

技术层面，MiniMax H3 此次新增 Caption 能力，并配备专属模型和全模态理解管线，大部分素材需要约 100K Token 进行推理，并最终压缩至约 4K Token。此外，其 2K 视频输出并未采用传统超分模块，而是借助 H3 基础模型对低分辨率结果进行重新生成，以完成高分辨率视频输出。

近年来，MiniMax 持续推进大模型能力的建设。此前在 2025 年，其发布并开源 MiniMax-01 系列模型，覆盖基础语言模型和视觉多模态模型，参数量高达 4560 亿，其中单次激活 459 亿。该模型的综合性能比肩海外顶尖模型，同时能够高效处理全球最长 400 万 token 的上下文，是 GPT-4o 的 32 倍，Claude-3.5-Sonnet 的 20 倍。

随后 MiniMax 相继推出 image-01 图像生成模型、Hailuo 02 视频生成模型、speech-02 语音模型以及推理模型 MiniMax-M1，进一步完善文本、图像、视频、语音等多模态产品的布局。

今年 6 月，MiniMax 发布并开源推理模型 MiniMax-M3，其基于自研 MSA（MiniMax Sparse Attention）架构，可将上下文窗口扩展至 1M 级别，并在 BrowseComp、SWE-Bench Pro 等国际权威评测中达到前沿水平。作为原生多模态模型，M3 重构了整个数据管线，从第零步开始多模态训练，使文本和视觉语义空间高度对齐。

【本文图片来自网络】

加入收藏 点赞 ( 0 ) 踩 ( 0 )