你给 AI 一段商品视频、一张品牌图和几句修改要求，希望它照着原片动作换掉主角，再配好声音。过去，这往往要在多个工具之间来回传递素材。MiniMax H3 想把这些步骤收进一个模型：让它同时理解文字、图片、视频和音频，再完成生成或编辑。
这次发布值得关注，不只因为它能生成视频，而是因为 MiniMax 把 H3 定位为“通用多模态生成模型”。换句话说，视频不再只是一次生成的成品，而是可以和其他素材一起进入上下文、继续被理解和修改的内容。本文信息来自一篇 Reddit 帖子对 MiniMax 官方文章及 X 帖子的转述，底层只有 MiniMax 一个信源，尚无论文、第三方测试或实际产品页面交叉印证。
它想统一什么？
H3 所说的“统一多模态上下文”，是把文字、图片、视频和音频放进同一个任务环境共同理解，而不是分别交给几个彼此割裂的工具。这样一来，生成和编辑就能同时参考多种材料。
按照 MiniMax 的说法，H3 可以生成最长 15 秒、最高 2K 分辨率并带原生立体声的视频，也支持多模态生成与编辑。这里的“原生立体声”，指声音直接作为视频生成结果的一部分，而不是事后再用另一个工具补上。官方称默认提供 2K，但没有说明“2K”的准确像素尺寸、宽高比，以及不同时长和模式下的限制。
它还支持 V2V motion transfer。V2V 是 Video-to-Video，即把一段现有视频作为输入，生成另一段视频；motion transfer 则是迁移动作。比如保留参考视频中的动作结构，同时更换人物或画面表现。它连接了两类过去常被分开的任务：从提示词或参考素材创建新片段，以及在已有片段上继续修改。
名字很多，细节还少
MiniMax 列出了 Contextual Omni Representation、H3-VAE、H3-Omni Transformer 和 In-Context Regeneration 等技术名称。仅从本次材料看，可以确认这些技术被用于 H3，却无法进一步说明各自怎样工作、如何配合，也没有实验来判断哪一项真正带来了提升。
这也是本次发布最需要克制之处。官方把 H3 描述为适合商业内容创作，并称它擅长遵循指令、准确呈现文字和品牌元素。但材料没有提供基准、样本、评测方法或第三方结果。这些目前应视为官方早期测试与产品表述，而不是已经验证的结论。
为什么值得现在看？
视频模型正在从“输入一句话，输出一段片子”转向通用多模态创作系统。关键变化是：模型不仅负责生成，还要看懂已有视频，参考图片和文字要求，处理声音，并允许用户在同一上下文里继续编辑。H3 的发布方向正落在这条路线上。
更值得留意的是开放权重计划。开放权重意味着外界可以下载模型参数，自行运行或研究；但它不自动等于训练代码、数据和完整方法全部开源。MiniMax 表示计划在未来几天内开放 H3 权重，以方便社区适配更多 AI 硬件并开发定制版本，同时强调此事须遵守适用法律法规。因此，H3 目前只能说“预告开放”，不能写成已经开源。
官方还宣称，H3 在 2K 下的每秒价格低于主流模型的三分之一，768p 下则低于主流模型 720p 价格的一半。不过，“主流模型”具体指谁、计费口径、生成时长和质量设置都未披露。这组数字只能反映 MiniMax 给出的定价比较，暂时不能支持严格的横向结论。
局限与未知
- 尚无论文、第三方测试或产品页面交叉验证，实际画质、指令遵循和编辑稳定性仍待观察。
- 权重尚未确认开放，具体日期、许可证和开放范围都未公布。
- 15 秒、2K、立体声及价格优势在不同模式下有哪些限制，目前材料没有说明。
H3 真正重要的地方，暂时不是某个未经验证的性能冠军头衔，而是它提出了一种更完整的视频模型形态：素材可以被共同理解，生成结果可以继续编辑，视频、声音和其他输入共享同一段上下文。若权重如期开放，这一方向才会获得更充分的外部检验。