MiniMax H3 開放權重：33B Transformer 聲畫同生，但完整系統仍未全開（2026）

2026 年 8 月 3 日，MiniMax H3 開放權重正式登上 Hugging Face：官方在 X 宣布 MiniMax-H3 已公開，同時釋出 H3-Base FL2VA 與 Ref2VA 兩組任務權重。它們可在同一條去噪路徑中生成影片與 32kHz 立體聲，讓原生聲畫模型真正進入可下載、可量化與可改造的階段。

但「單一 33B 模型」只對了一半。官方定義的 33B 是同時預測影音 latent 的 H3-Omni-Transformer；完整 H3-Base 還要加上 Qwen3-VL-32B encoder、Visual VAE 與 Audio VAE，單一任務的 BF16 pipeline 權重總量約 144GB。更準確的說法是：H3 把聲音與畫面放進同一個 33B 生成核心，並沒有把整套系統壓成一份 33B checkpoint。

“H3-Omni-Transformer is a 33B-parameter dense, single-stream Transformer.”

中文：H3-Omni-Transformer 是一個 330 億參數的密集單串流 Transformer。

MiniMax H3 官方模型卡

這也是這次發布最重要的分界：目前能完整在本地驗證的是 768p H3-Base；影響指令編排的 Context-IR、2K 再生成器與稀疏注意力推論實作，截至 2026 年 8 月 5 日都沒有隨權重完整開放。

下文先拆解公開權重的實際範圍，再對照部署與授權條件，最後判斷它距離完整本地影音系統還有多遠。

先講結論：33B 生成核心已落地，完整 H3 仍未全開

• 已可下載：官方 Hugging Face repo提供 FL2VA 與 Ref2VA 兩套 BF16 checkpoints，分別服務文字／首尾幀與多模態 reference 任務。
• 33B 只是共用生成核心：完整 pipeline 還有 Qwen3-VL-32B encoder 與影音 VAE，不是一份能直接塞進 32GB VRAM 的 33B checkpoint。
• 本地與雲端仍有落差：截至 2026 年 8 月 5 日，官方可重現的本地核心是 768p H3-Base；Context-IR、Regenerate-2K 與 sparse-attention inference 實作尚未公開。
• 可下載不等於標準開源：H3 採用自訂 Community License，地域、商用規模、產品標示與輸出用途都有明確限制。
• 消費級 GPU 能跑，條件不輕：公開的消費級 GPU recipes 通常以量化、CPU offload、較小畫布或多卡換取可行性；官方單張 RTX 5090 示範未披露完整設定，不能概括成固定配方。

社群熱度解釋了為何點燃本地影音圈。截至 2026 年 8 月 5 日下午（UTC+8），Hugging Face 模型頁約有 2,200 個讚；官方轉發的單張 RTX 5090 示範約 14.5 萬次瀏覽、2,100 個讚；LocalLLaMA 討論淨分數約 570，共 119 則留言。這些都是會持續變動的快照，只證明關注度，不是品質、下載量或商用成熟度的 benchmark。

MiniMax H3 開放權重到底包含什麼？

官方模型卡把生成核心定義為 330 億參數的 dense 單串流 Transformer。它把視覺與音訊 latent 包成同一條 sequence，在同一去噪迴圈裡共同預測；前端則使用完整預訓練的 Qwen3-VL-32B，取第 50 層 hidden state 作為條件。輸出不是影片做完後再外接配音，而是從生成階段就共享內容條件與時間軸。

公開 checkpoint	可做的任務	主要輸入限制
FL2VA	文字生成影音、首幀／尾幀控制生成影音	用於 text-to-audio-video 與 first／last-frame-to-audio-video
Ref2VA	以圖片、影片、音訊作 reference，再生成影音	最多 9 圖、3 段影片、3 段音訊；混合素材合計最多 12 個檔案

音訊 reference 不能單獨使用，必須搭配圖片或影片；影片與音訊各自的總長度上限都是 15 秒。官方模型規格為 4～15 秒、24 fps、預設短邊 768 與 32kHz stereo；目前 Diffusers 配方可用區間為 5～15 秒，顯示 runtime 支援可能晚於模型規格。這裡的「同步」描述聯合生成架構，不等於每次都能完美對嘴、精準對齊音效事件，或保證立體聲空間定位。

硬體門檻也不能只看 33B。從官方檔案大小對帳，單一 FL2VA 或 Ref2VA 的完整 BF16 pipeline 約 144.05GB：Qwen encoder 66.73GB、Omni Transformer 66.28GB、Visual VAE 10.42GB、Audio VAE 0.61GB。官方 SGLang 起始範例用 4 張 GPU；公開的消費級配方多透過量化、CPU／RAM／NVMe offload 重新改寫記憶體算式，速度與品質也要另外實測。

完整 2K H3 仍然是三段式系統

H3-Context-IR先把文字、圖片、影片與音訊整理成結構化 context；H3-Base 生成 768p 影音；H3-Regenerate-2K 再根據原始條件與 Base 輸出重建高解析版本。官方把 Context-IR 稱為影響最終輸出品質的關鍵模組，卻只透過 API 提供；模型卡也明確標示最後一個模組未開放。公開 repo 的這兩段範例仍然是呼叫雲端 endpoint 的 shell scripts，不是可在本地重建的原始碼或權重。截至 2026 年 8 月 5 日，該 Hugging Face repo 與模型卡也還沒有附上完整 technical report 或可供外部重現的聲畫同步比較表。

因此，MiniMax H3 開放權重不等於把 7 月 31 日的 API 產品完整複製到本地。截至 2026 年 8 月 5 日，公開 repo 裡的 Context-IR 與 Regenerate-2K shell scripts 仍然呼叫 MiniMax API，沒有附上可下載的對應權重。官方託管系統可選 4～15 秒、最高 2K、24 fps 與 32kHz 立體聲；官方提供的自包含本地驗證流程則以 768p Base 為準。這不代表技術上永遠只能輸出 768p，而是 2K 官方流程在這個時點仍依賴未公開模組。

ComfyUI day-zero 支援：能跑，不代表輕

權重一上線，本地社群之所以立刻有反應，是因為工具早已準備好。ComfyUI v0.30.0在 8 月 3 日內建 H3，官方工作流程原生支援 T2V、I2V、R2V，不需要第三方 custom node。Comfy-Org 模型庫也提供 H3 INT8、pruned INT8 與 NVFP4-AWQ Qwen 等量化組合。

這是重要的採用訊號，但要把「能啟動」與「適合日常製作」分開。Diffusers 文件對 24～32GB 顯卡的配方依賴 INT8 與 CPU block streaming；12～16GB 版本還要 offload video VAE、縮小畫布，文件估計 INT8 權重約占 75GB host RAM。SGLang 文件的 2×RTX 5090 案例還需 layerwise CPU offload 與約 384GiB 主機記憶體，生成 5 秒、1344×768、50 steps 約花 560 秒。官方轉發的單張 RTX 5090 影片沒有披露 checkpoint、量化格式、offload、解析度與 steps，因此是可行性示範，不是可重現的效能 benchmark。

對實作者更有用的問題是：固定解析度、幀數與 steps 後，生成一支可交付影片需要多久、多少 RAM 與 NVMe 讀寫、多少重跑，以及量化後品質比 BF16 掉多少。「單卡能跑」只是部署問題的起點。

MiniMax H3 開放權重的授權界線

Hugging Face 頁面把 license 標成 other，實際適用的是 MiniMax H3 Community License Agreement。授權將 Materials 定義為 MiniMax 的專有材料，提供的是附條件權利。Qwen3-VL encoder 自身採 Apache-2.0，也不會讓整套 H3 自動變成 Apache 開源模型。官方 Q&A 說明可申請 formal license，但這是另行授權通道，不是自動獲准。

• 地域不是只限制商用：授權的 Applicable Territory 排除美國、歐盟、英國與韓國；條文對排除地區的研究、非商用也沒有自動授權。
• 輸出也被納入：操作性條文連對 Outputs 在排除地區的使用、散布與公開顯示都寫入限制。
• 大型商用需另談：在適用地域內，若使用 H3 的 commercial products and services 產生超過 US$2,000 萬年度營收，需預先取得 MiniMax 書面授權。
• 所有商業產品都要標示：產品或服務介面必須顯著顯示「MiniMax H3」，不只限於超過營收門檻的公司。
• 公開內容要揭露機器生成：Acceptable Use Policy 要求在公開環境顯示生成內容時，清楚且顯著說明是由機器產生。
• 不能拿去養其他模型：不得用 H3 或其 Outputs 改進 H3／衍生模型以外的其他 AI 模型。

依 OSI 的 Open Source AI Definition，開源 AI 必須允許任何人為任何目的使用、研究、修改與分享。H3 的地域與用途條件顯然比這更窄，所以最準確的描述是：採專有 Community License 的 open weights，而非 OSI 意義的 open source。這也延續了開放權重模型的產業戰線所揭示的核心問題：下載按鈕不是開放性的全部。

外部證據：託管版偏好測試位於領先群，本地仍要對帳

Artificial Analysis 已把 H3 納入匿名成對偏好測試。截至 2026 年 8 月 5 日查核，H3 在有聲影片編輯榜的 Elo 點估計排第一；有聲文字生影片位於第 1～2 名的統計範圍，有聲圖片生影片則位於第 1～3 名範圍。這比只看官方精選 demo 多一組外部偏好訊號，但它不是本地 H3-Base 與託管版本的等價性測試。

有聲榜單	H3 Elo（8／5 快照）	樣本數	可以支持的結論
文字生影片	1,238 ± 9	6,557	rank range 1～2，位於領先群
圖片生影片	1,187 ± 10	5,414	rank range 1～3，位於前段
影片編輯	1,130 ± 6	8,240	點估計第一，信賴區間仍重疊

這份外部資料顯示 H3 在三種受測任務的偏好分數位於前段，仍無法回答本地量化版的 reference fidelity、聲畫錯位率、失敗重跑率、生成速度與長期穩定性。缺少的 Context-IR 和 Regenerate-2K，恰好又會影響指令整理與最終畫質；因此這些榜單是託管版品質的參考，不是 MiniMax H3 開放權重的重現性證書。

US$0.13／秒有競爭力，但不是全面最低

MiniMax 官方定價列出 H3 2K 每秒 US$0.13、768P 每秒 US$0.08；15 秒 2K 的 US$1.95 只計輸出，不含 Context-IR token 與輸入素材費。Context-IR 另收每百萬 input tokens US$0.90、每百萬 output tokens US$3.60。初次生成的圖片 reference 前 5 張免費，第 6～9 張每張 US$0.04，影片 reference 則按輸入影片長度與輸出解析度收費。從 768P 重新生成 2K 另收每秒 US$0.05，原始 input materials 也會重計：額外圖片每張 US$0.025，輸入影片每秒 US$0.05。

單看每秒輸出牌價，「不到主流模型三分之一」只對部分比較成立。LTX-2.3 Fast 的 2560×1440 公開價格是每秒 US$0.12；Veo 3.1 Preview 的 1080p Lite 是 US$0.08、Fast 是 US$0.12，Standard 為 US$0.40。H3 對昂貴的 Standard 檔確實接近三分之一，對 Lite 或 Fast 檔則沒有；解析度、功能與素材計費也不完全相同。合理的賣點是它以接近低價檔的費率提供 2K 託管輸出與廣泛 reference，不是市場最低價。

AlphaLab 判讀：落地的是可改造底座，不是 API 複製品

值得興奮：承諾已變成可檢查的 artifact

權重檔、config、推理程式與授權文本都已出現，研究者可以檢查架構、做量化、改 sampler，或建立自己的 workflow。截至 2026 年 8 月 5 日，該官方 repo 未提供現成 LoRA 訓練 pipeline；但與只能使用 API 相比，它已多出一條能驗證、量測與改造的路。ComfyUI core 同日接上，也大幅縮短了模型從研究 repo 走向創作者節點圖的距離。

仍要保留懷疑：本地 Base 不等於雲端完整體

最關鍵的 context 整理與 2K regeneration 還留在雲端。若兩者對指令遵循、reference fidelity 與高解析細節的貢獻很大，本地版就可能與 API 榜單存在顯著差距。MiniMax 接下來是否公開這兩段，以及社群能否用替代流程補上，會比「單卡能出片」更能決定 H3 的長期價值。

它很少見，但不是第一個

同步生成影音的 open-weight 模型已有 LTX-2、Ovi、MOVA與 NAVA；LTX-2 採 community license，Ovi 與 MOVA 採 Apache-2.0。NAVA 的主模型／程式標示 Apache-2.0，但其必需的 LTX Audio VAE 另受 LTX-2 Community License 約束，不宜把整套可部署套件概括為純 Apache-2.0。H3 比較突出的地方，是把多張圖片、影片、音訊 reference、4～15 秒生成與託管 2K 流程放到同一產品裡。真正稀缺的不是「有一個能下載的影音模型」，而是多種 reference 能否在同一 context 中穩定協作。

真正的邊界是系統開放度

影片模型的能力越依賴前處理、context compiler、專用 attention、再生成與部署 runtime，單一 checkpoint 就越不能代表整個產品。這和開源與封閉 AI 的市場分工一樣：競爭單位正在從「一份權重」變成「權重加上整套可重現系統」。H3 這次向開放前進了一大步，也同時畫出了尚未跨過的界線。

現在怎麼測，才不會只重播官方 demo？

1. 先選對版本：首尾幀與文字生成用 FL2VA；多模態 reference 用 Ref2VA。不要一次下載兩套，再把儲存空間當成 VRAM 需求。
2. 固定輸入做 API／本地對照：使用相同素材與 prompt，各跑多次，分別記錄角色一致、動作完成、聲畫同步與可交付比例。
3. 完整記錄部署成本：除了 VRAM，也記錄 RAM、NVMe 讀寫、量化格式、解析度、幀數、steps、耗時與峰值記憶體。
4. 商用前逐條讀授權：先確認所在地、營收門檻、介面標示、散布方式與模型改進用途；不要把「Hugging Face 可下載」當成全球無條件商用。