MiniMax åpner H3: 33 milliarder parametere, 15 sekunder video med stereolyd

33 milliarder parametere ligger nå åpent tilgjengelig. MiniMax skriver i lanseringsposten sin at H3 er selskapets neste generasjons generelle videomodell, og at vektene slippes under en egen community-lisens. Modellen tar tekst, bilder, video og lyd inn i samme kontekst, og skriver ut video med stereolyd i ett jafs.

Spesifikasjonene er konkrete: 4 til 15 sekunder klipp, 24 bilder i sekundet, 32 kHz stereolyd og stabil dialogstøtte på 11 språk, deriblant engelsk, tysk og fransk. Standard oppløsning er 768 piksler på korteste side. Kjernen er H3-Omni-Transformer, en tett enkeltstrøms-transformer der rundt 13 milliarder av parameterne ligger i AdaLN-grenene og kan hoppes over ved ren inferens. Tekstkoderen er de fulle vektene til Qwen3-VL-32B.

Det du ikke får, er like viktig som det du får. To av tre moduler holdes tilbake: H3-Context-IR, som tolker og strukturerer de multimodale instruksjonene før generering, og H3-Regenerate-2K, som løfter resultatet til 2K. Begge er kun tilgjengelige som API.

«Because H3-Context-IR relies on a multi-stage workflow and multiple hosted models and services, it is not included in this open-source release.» MiniMax, lanseringsposten

Sparse attention er i samme kategori: modellen er trent med det, men den åpne utgivelsen støtter bare full attention ved inferens. Implementasjonen kommer senere.

Praktisk betyr det at «lokalt» her forutsetter et lite GPU-rack. MiniMax sitt eget SGLang-eksempel starter tjenesten med fire GPU-er og ulysses-degree 4. Vektene kommer som to sjekkpunkter i BF16: FL2VA for tekst-til-video og første/siste-bilde, og Ref2VA for referansebasert generering med inntil ni bilder, tre videoklipp og tre lydklipp. vLLM, diffusers og ComfyUI er støttet fra start.

Hva bør du gjøre?

1. Last ned bare det sjekkpunktet du trenger: hf download MiniMaxAI/MiniMax-H3 --include "FL2VA/*" sparer deg for halve nedlastingen hvis du ikke skal bruke referansemodus.
2. Test 768p-veien først med lokal H3-Base alene. Full 2K krever at du kobler på MiniMax sitt API, og da er ikke oppsettet lenger selvhostet.
3. Regn med full attention i minnebudsjettet inntil sparse-implementasjonen slippes.