【CNMO 科技消息】据 CNMO 科技了解，MiniMax 近日正式开源多模态生成模型 MiniMax H3。与此同时，摩尔线程宣布，已基于 AI 训推一体智算卡 MTT S5000 及 MUSA 软件栈，完成对 MiniMax H3 的适配与运行。

MiniMax

MiniMax H3 是一套通用型全模态生成系统，可统一理解文本、图像、视频和音频构成的多模态上下文，并生成最高 2K 分辨率、最长 15 秒、带有原生立体声音频的视频。此次开源内容包括模型权重，同时提供本地部署和完整工作流验证方案。

MiniMax H3

从架构来看，H3 系统由三个核心模块组成。其中，H3-Context-IR 负责理解并提炼用户输入的多模态指令，将其转换为结构化的上下文中间表示，目前通过 API 提供；H3-Base 根据中间表示生成 768p 分辨率音视频内容，是此次开源主体；H3-Regenerate-2K 则将 768p 结果与原始上下文一同送回模型，以 2K 分辨率重新生成更高画质视频，该模块暂未开源，也通过 API 提供。

在模型设计上，H3-Base 采用 330 亿参数的 H3-Omni-Transformer 架构，通过不同模态编码器将文本、图像、视频和音频统一编码为多模态序列后进行联合预测。其下包含 H3-VisualVAE 和 H3-AudioVAE，分别用于视觉和音频信息压缩。官方同时提供两个主要版本，分别面向文生视频、首尾帧生视频，以及多图像、多视频、多音频混合输入等任务，适用于人物与场景保留、动作和嘴型编辑等场景，并支持包括中文、英语、日语、韩语在内的 11 种语言对话。

为方便开发者部署，官方给出 "H3-Base 本地部署 " 和 " 完整 2K 工作流 " 两条验证路径，支持通过 SGLang、vLLM、diffusers、ComfyUI 等框架进行推理。模型目前基于 MiniMax H3 Community License 发布，开发者可通过开源平台下载使用。

版权所有，未经许可不得转载