据 MiniMax 稀宇科技消息，MiniMax H3 开源首周，技术团队在 Reddit（RDDT） AMA 和 ComfyUI Live 直播中，就模型核心架构、长视频续写、技术局限、推理优化及后续开源策略等开发者关心的问题进行集中回应，并分享了多项技术细节与使用技巧。

H3 的核心架构基于稀疏注意力机制，其策略更接近 MoBA。当前默认仅对视频 token 进行 3D 稀疏化，因为视频 token 在序列中占比最大，图像和文本 token 的稀疏化也在探索中。团队预计近期发布一个相对保守的参考实现版本，目标是在不产生可感知质量损失的前提下提供方案，并期待社区共同参与不同设备上的优化。

在视频 VAE 编码方面，将第一帧作为独立单元是为了统一图像和视频训练，使独立图像与视频首帧在数据侧被同等对待。采用独立的视觉 VAE 和音频 VAE，而非单一联合 VAE，是为了保留对多模态训练过程的控制，避免信息量较少的音频信号过早收敛和过拟合，从而更灵活地管理模态间训练进度。对于 VAE 的评估，团队更关注其潜在表示是否有利于生成建模，而非单纯追求最高重建质量。

关于指令遵循和泛化能力，团队认为关键在于构建广泛多样化的数据与任务集合，并使用通用、可扩展的架构进行训练。一个有趣的观察是，仅训练过 " 根据首帧和 caption 预测末帧 " 简单任务的模型，在零样本情况下也能在多个图像编辑基准上取得良好表现，这显示了原生上下文学习在自然语言引导下的任务泛化潜力。更多细节将在后续的技术报告中公布。

针对长视频续写，团队曾尝试使用扩展 RoPE 位置训练专门的续写任务，但因在多任务设置下泛化能力不足，最终发布模型采用标准的 reference-conditioning 来学习续写。Ref2VA 可将前序内容作为参考条件支持续写，但模型尚未原生训练过由多个递归续写片段组成的长轨迹。有开发者实践发现，通过反复让模型生成 141 帧并将上一段视频和音频的最后 51 帧作为参考，可整合出连贯的 60 秒视频，这印证了预训练中音视频续写任务的能力。

对于 Ref2VA 比 I2V 画质更糊以及纹理、远景人脸模糊等问题，部分原因在于两个模型的后训练策略存在差异，导致视觉质量倾向不同。团队正在推进提升 Ref2VA 的视觉质量，并建议用户提供高质量的参考输入。纹理和远景人脸问题已被列为后续重点，目前分析表明不能简单归因于视觉 VAE 的高压缩比或单一训练阶段，团队正在拆解主要影响因素。

在推理效率方面，当前模型已包含 CFG 蒸馏，具备一定的少步推理能力，但并非针对极端低步数专门蒸馏。团队正在探索步数蒸馏，以在不产生明显质量损失的前提下降低推理成本，并评估 4-NFE 或 8-NFE 版本，但近期无法承诺发布。H3 开放系统部分约有 600 亿参数，BF16 权重约需 120 GB 内存，远超多数消费（883434）级 GPU 容量。团队正在进行量化和权重卸载等优化工（850102）作，并建议用户使用最新版 ComfyUI、官方工作流和正确的低内存模型。

Regenerate-2K 是第二阶段条件生成模块，并非传统的超分技术，目前可通过 API 使用，后续将开源。团队还计划开源一个支持文本到图像和通用图像编辑的统一模型，该模型与 H3 共享基础谱系和同一 VAE 编码器。

在使用技巧上，官方发布过提示词指南并整合为 GitHub Skill。本地部署用户从文生视频模式入手最容易。Comfy 团队建议，输入音频参考时，在提示词中用引号写出角色对白并放在对应镜头描述中，可提升对白生成的稳定性。对于多镜头产品广告工作流，可通过输入参数定义视频时长和镜头数量，并借助 LLM 提示词增强器生成预览提示词。

关于开源计划，团队表示在 H3 发布后，社区已快速迭代出多种量化版本和硬件适配，这体现了开放协作的价值。公司的愿景是 "Intelligence with Everyone"，将持续推动领域发展，并优先考虑在实际可用、资源可接受的前提下提供更强的能力。

原文：一晚两场，H3 技术团队和全球开发者聊了什么？（来源：MiniMax 稀宇科技）