MiniMax H3（海螺 3.0）开放 33B 单流 DiT 基础权重（约 768p）后，普通人落地关心两件事：多大的卡能跑，以及它与 Wan 3.0、Seedance 2.5、可灵 3.0 的能力差异。
本文是「MiniMax H3（海螺 3.0）实战」系列的第一篇，基于 2026-11-12 调查数据与 Google Colab L4 实测基准，从五个维度分析 MiniMax H3 的实力水平。
MiniMax H3（海螺 3.0）是 MiniMax 于 2026 年夏季发布的多模态音画生成模型。官方开放了 33B 参数的单流 Diffusion Transformer 主干权重 H3-Base（约 768p）1，支持最多 12 个多模态参考文件与原生 32kHz 双声道立体声同出；经 AdaLN 剪枝和 NVFP4/INT8 量化后，可在单张 24 GB 显存显卡（如 Google Colab L4）上离线推理。按其社区协议，适用地区内商业产品与服务年营收不超过 2000 万美元且在界面显著标注 MiniMax H3 即可免版税商用，超过该门槛或位于欧盟、英国、韩国、美国等排除区域需单独联系官方申请授权 2。
视频生成的五个评判标准
在学术界与工业生产实践中，评估一个视频生成系统能否真正落地，主要参照 VBench 评测框架 3 与实际数字资产管线的工程要求，通常可提炼为以下五个维度：
1. 时序与上下文一致性
镜头往前推进或旋转时，主角的五官不能每隔三帧就换张面孔，衣服上的褶皱和纹理不能在转弯时融化消失。
以实际电商鞋靴 360 度环绕展示镜头为例：镜头从正面缓缓推向侧面，如果鞋舌上的品牌字样在旋转时形变成乱码，或者鞋底的气垫结构在第 60 帧突然解体，那是不行的。在模型参数上，这一项直接取决于单流 Diffusion Transformer（DiT）的时空自注意力机制与 3D 因果 VAE 的时间因果压缩比。
2. 多模态参考输入容量
商业制作很少靠纯文字抽卡。大部分工业交付场景需要把特定商品资产、人物定妆照以及动作轨迹一起喂给模型。
以智能手表商业广告为例：制作团队需要同时输入 6 张不同角度的手表实物白底图、1 张代言人手腕定妆图、1 段慢动作运镜参考视频以及 1 段品牌特制音频。单次推理能同时容纳多少多模态参考素材，直接决定了项目能否统一固定外观。在 MiniMax H3 架构中，这项能力由顶层的 H3-Context-IR 编码器承接，支持最高 12 个多模态参考文件。
3. 原生音画同频能力
传统的影视制作流程是画面跑归画面，音频靠后期找调音师在剪辑软件里逐帧对位贴上去。
以市井早市热油生煎包分镜为例：平底锅热油翻滚，伴随着蒸汽升腾。传统做法需要后期人工对位油煎滋滋声、锅盖刮擦声与环境杂音；原生音画生成则是在潜空间去噪的过程中，同步解算出视频画面与 32kHz 双声道立体声波形。
4. 复杂物理模拟与运动幅度
镜头面对大范围肢体动作、重力加速、流体飞溅以及复杂碰撞时，画面能否遵循真实的物理动力学规律，还是只在表面做二维像素扭曲。
以跑酷腾空翻转或武打肢体碰撞为例：模型需要真实还原重心位移、动量守恒与布料跟随惯性，保持四肢连续自然、防止空中粘连或拉丝。在工程参数上，这直接关联到采样算法的步数选择（例如 8 步 Turbo 采样相比 4 步可减少高频动作伪影）。
5. 开源生态与推理成本
方案有没有开放基础权重，能不能在常规消费级显卡上量化运行，单镜头的耗时与算力账单是多少，决定了团队能不能把它做成本地化、可批量运行的生产线。
以日产 500 条素材的资产管线为例：若单条视频完全依赖高价商业 API，单日抽卡成本可能快速累积至万元级；若基于开源剪枝权重在单卡 24 GB 显存显卡上推理，按本仓库 Colab L4 历史面板基线（稳态约 $0.10/min 视频产出）算，比同规格官方 API（$4.80/min）低约 48 倍，比高价闭源 API（$34.12/min）低出上百倍。当然，降分辨率与量化后质量会有折损。
MiniMax H3 架构与 24GB 剪枝
MiniMax 于 2026 年夏季推出海螺 3.0，并开放了 33B 参数的单流 Transformer 基础模型 H3-Base 权重 1。完整的 MiniMax H3 系统在架构上分为三层：
顶部是云端托管的 H3-Context-IR，负责解析多模态输入并序列化为结构化上下文中间表示；中部是核心生成主干 H3-Base，负责生成 768p 分辨率的视频与音频潜变量；底部是闭源的 H3-Regenerate-2K，用于将 768p 结果超分重构为 2K 最终交付成片。
开放权重的是中部的 H3-Base。
在底层特征提取上，H3-Base 采用 Qwen3-VL-32B 提取隐藏状态，配合自定义 Token 捕捉时空关联。自编码器设计上，视觉端采用时间因果 VAE，配合 Patchify 实现等效 32 倍空间与 4 倍时间的压缩；音频端独立处理双声道，将 32kHz 音频压缩为潜 Token。
工程部署上还有一个细节：权重剪枝。H3-Omni-Transformer 虽然标注为 33B 参数，其中约 13B 参数位于 AdaLN 分支。纯推理阶段这部分参数可以预先计算为查找表直接固化，不需要常驻显存。开源社区推出的剪枝版权重体积直接缩减了 40% 4，使得原本全精度约 131 GB+ 的整套权重压缩到约 42.5 GB（主干约 19.5 GB），再配合量化在 24 GB 显存的卡上也能跑起来 5。
对比 Seedance 2.5 与可灵的边界
判断 MiniMax H3 处于什么位置，我们拿它和字节跳动即梦的 Seedance 2.5、快手可灵 3.0 对照。
它的短板主要在两件事：
第一是长镜头编排。Seedance 2.5 内置了叙事规划器（Narrative Planner）和双分支扩散结构 6，给一段剧本会自动拆出全景、中景、特写，还支持最多 3 人的音色克隆和 15 秒长片段。单卡跑的 H3-Base 没有这层自动编排，写多镜头故事得自己一镜一镜卡分镜和时间戳。
第二是大动作物理模拟。遇到打斗、翻滚这类身体重心大范围移动的镜头，快手可灵 3.0 更稳 7；H3-Base 容易出现局部肢体粘连，它的长处还是平稳运镜和日常环境交互。
它的长板则集中在三点：
第一是最多 12 个多模态参考容量（Ref2VA）1。MiniMax H3 允许单次混合输入最多 9 张参考图、3 段参考视频（总时长 15 秒以内）与 3 段参考音频（总时长 15 秒以内），并通过 @媒体N 语法绑定到具体角色、运镜轨迹或声音节奏。这个输入容量在开源模型里处于前列，固定商品外观和人物长相做起来很顺手。
第二是原生 32kHz 立体声音画同出 1。扩散过程直接产出音频潜变量，经由 AudioVAE 解码后就是包含环境声、拟音与基础台词的独立双声道音频，不用再另外找音效库一轨一轨贴。
第三是能装进单张 24 GB 显卡本地跑。配合 NVFP4 或 INT8 量化，个人和小工作室不用长期绑死商业 API，也能自己搭一套可控的本地工作流。
AA 盲测评分与 L4 推理成本对照
评估视频生成模型好不好用，常见有两类办法：
一类是自动化算法指标，比如算特征分布距离的 FVD、算图文匹配度的 CLIP-Score，或者拆成 16 个客观维度的 VBench 测试套件 3。这类方法靠公式跑分，速度快、好复现，适合盯清晰度、抖动和语义一致性；但镜头好不好看、表情自不自然、物理合不合理，公式算不出来，得靠人眼盲测。
另一类就是大规模标准化样本的人类偏好盲测，代表平台是 Artificial Analysis（AA）8。
AA 的视频竞技场主要靠三个机制运转：
第一是标准化题目与分轨对决。AA 维护了一套覆盖人像特写、快速运镜、流体与街景光影的测试提示词，而且文生视频只和文生视频比，图生视频只和图生视频比，带原生声音的模型和静音模型严格分开，不跨赛道混评。
第二是双盲二选一（Pairwise Blind Voting）。评审者并排看同一个提示词下两个匿名模型生成的视频，左右位置随机打乱，看完必须按提示词还原度、动作真实感和连贯性二选一。
第三是背后的概率计分模型。AA 汇总大量盲测结果，用 Bradley-Terry 模型做全局最大似然估计（MLE）：
$$P(A \succ B) = \frac{1}{1 + 10^{(R_B - R_A)/400}}$$
其中 $R_A$ 和 $R_B$ 是两个模型的实力分（Elo 评分）。赢过强手加分多，赢过弱手加分少。平台还会用 Bootstrap 重采样算出 95% 置信区间，防止少数样本把分数拉偏。
除了综合画质分（Overall Quality Elo），AA 榜单还会细分视频编辑分（Video Editing Elo）、带原生音频的文生视频分（T2V with Audio Elo）以及每分钟商业调用成本。
结合 AA 视频竞技场官方实测数据 8，几款代表模型的盲测分数与商业定价对照如下：
基于 Artificial Analysis AA-Video-T2V v2.1 榜单、公开 API 费率与本仓库 Colab L4 实测基准，主要对比结果如下：
| 模型 | AA-Video-T2V v2.1 Elo (95% CI) | 商业 API 定价 | 本地 / 自建算力参考 |
|---|---|---|---|
| Wan 3.0 | 1175 (±13) |
$12.00/min（$0.20/s） |
闭源商业调用 |
| MiniMax H3（海螺 3.0，768p 开放同源规格） | 1161 (±13) |
$4.80/min（$0.08/s） |
Colab L4 544p 稳态 165.4s / ~0.089 CU/镜（约 $0.0089/镜，视频约 $0.10/min，不含冷启与返工） |
| Dreamina Seedance 2.5 | 1155 (±13) |
$34.12/min（$0.57/s） |
闭源商业调用 |
| MiniMax H3 Max | 1149 (±15) |
$9.60/min（$0.16/s） |
官方托管高规版 |
(注：I2V 与历史快照榜单中各模型相对位次存在差异，例如 I2V 赛道 Seedance 2.5 约 1161、MiniMax H3 约 1115–1133，选型时建议按具体赛道看对应榜单。)
单卡 Colab L4 自建算力基准
在 Google Colab 单卡 L4 上，本仓库历史资源面板记录费率为 1.94 CU/h 5。跑 544p 量化工作流生成 124 帧（24fps，约 5.17s）有声视频时，稳态单镜耗时 165.4 秒，耗损约 0.089 CU（三镜批次含冷启动均摊约 0.103 CU/镜）。按 Colab Pay-As-You-Go 标价 $9.99 / 100 CU（约 $0.10/CU）折算，单镜稳态算力消耗约 $0.0089（视频产出折合约 $0.10/min，不含冷启动、下载、失败返工）。
主流视频模型选型
结合公开文档与 AA 榜单快照，几家主流视频模型的定位和适用场景整理如下：
| 模型 / 套件 | 架构定位与开放形态 | 音频能力与 AA-Video-T2V v2.1 评分 | 公开费率 / 本地门槛 | 典型适用场景 |
|---|---|---|---|---|
| Wan 3.0 (Alibaba) 9 | 商业旗舰 DiT 架构 | 支持原生音频，AA T2V v2.1 1175 (±13) |
公开 API $12.00/min ($0.20/s) |
复杂长镜头、商业主视觉；开源端另见 Wan 系列 FLF/VACE 工具 |
| MiniMax H3（海螺 3.0，768p） 142 | 33B 单流 DiT，开放 ~768p 基础权重（社区协议有营收与地域门槛） | 原生 32kHz 双声道立体声，AA T2V v2.1 1161 (±13) |
公开 API $4.80/min ($0.08/s)；Colab L4 稳态约 0.089 CU/镜 (~$0.10/min 视频) |
商品外观锁定、市井环境声景、24 GB 单卡批量工作流 |
| Dreamina Seedance 2.5 6 | 闭源双分支 DiT 架构 | 音画同步与多角色音色克隆，AA T2V v2.1 1155 (±13) |
公开 API $34.12/min ($0.57/s) |
多镜头叙事短片、需定制人声对白的角色剧集 |
| MiniMax H3 Max 1 | MiniMax 高规格托管版 | 原生立体声景与高规画质，AA T2V v2.1 1149 (±15) |
公开 API $9.60/min ($0.16/s) |
免本地运维的官方托管高规出片 |
| Kling 3.0 Omni (可灵) 7 | 闭源自研 DiT 动力学架构 | 拟真音色对口型 | 按官网分层计费 | 大幅度肢体运动、打斗跳跃等强动力学镜头 |
开源自建还是商业 API：选型建议
走本地开源路线：
- 如果主要做电商静物展示、工业品渲染，或者带现场环境音的街景空镜，MiniMax H3 是划算的底座。它的多图参考能锁住商品外观，32kHz 原生声景能直接出环境音和拟音，量化后在单张 24 GB 显卡上就能跑（商用时对照社区协议里的地区与 2000 万美元年营收上限）。
- 如果要做两端画面平滑变形的转场，可以搭一套通义万相开源分支的 FLF2V / VACE 工作流。
走商业 API 路线：
- 遇到大幅度武打动作或翻滚镜头，交给可灵这类强动力学模型处理。
- 要做多镜头剧本拆解和角色音色克隆的短片，可以上 Seedance 2.5，同时算好
$34.12/min带来的抽卡预算。 - 直接追求文生视频盲测上限且预算充裕，可以对标 Wan 3.0（
$12.00/min）。
搞清 MiniMax H3（海螺 3.0）的技术定位后，你可以直接看本项目的 工程仓库总览、v2.0 Colab L4 生产笔记本模板 与 2026-11-12 核验数据记录，或者继续看第二篇和第三篇仓库文章，拆解 24 GB 单卡工作流参数与图像修图流程。
MiniMax H3 选型常见问题
MiniMax H3（海螺 3.0）开源权重能在 24GB 显卡上跑吗？
可以，但需要剪枝与量化权重，并把分辨率和步数控制住。H3-Base 原版全套全精度权重约 131 GB+，经社区剪枝剥离约 13B AdaLN 分支并量化后，全套权重压到约 42.5 GB（主干约 19.5 GB），即可在 24 GB 单卡上加载；按本仓库 Colab L4（约 22 GB 可用显存）实测，以 960×544、124 帧、8 步 Turbo 与单路 BasicGuider (CFG=1.0) 运行，稳态单镜约 165.4 秒。
开源版 H3-Base 和官方云端完整版差在哪里？
开源的是中间生成主干 H3-Base（约 768p 基础权重），云端托管的 H3-Context-IR 多模态自动编排与 H3-Regenerate-2K 超分重构模块并没有开源。本地跑离线可控、算力便宜，但长剧情分镜拆解和时间线提示词要自己或靠本地脚本提前写清楚。
MiniMax H3 开源权重可以商用吗？
在适用地区内，商业产品或服务年营收不超过 2000 万美元、并在界面显著标注 MiniMax H3 即可按社区协议免版税商用 2。如果年营收超过 2000 万美元，或者位于欧盟、英国、韩国、美国等排除区域，需要发邮件至 [email protected] 单独申请书面授权；协议同时禁止将权重直接转售、包装为 API 服务对外提供，或用于训练其他非 H3 衍生模型。
「MiniMax H3（海螺 3.0）实战」全系列导航
- 第一篇：MiniMax H3（海螺 3.0），开源视频生成模型，技术定位与选型对比（本文）
- 第二篇：流程落地：我们跑通的基准工作流，与关键参数的决定性影响（博客版整理中，源码见 GitHub 仓库）
- 第三篇：图像与指令编辑：
MiniMax-H3-Image纯开源架构拆解与 Colabsd.cpp实战（博客版整理中，源码见 GitHub 仓库）
项目开源仓库
本文对应的 Colab L4 生产模板、ComfyUI 工作流与实测日志均已开源：
原文对照与参考文献
(文中外部榜单分数、商业 API 定价与 Colab 资费均核对自 2026-11-12 公开信息，实际以各官网及实时计费面板为准。)
-
MiniMax 官方 GitHub 技术文档：
MiniMax-AI/MiniMax-H333B 单流 DiT 与 12 模态输入规范 ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ -
MiniMax H3 官方开源协议：
MiniMax H3 Community License Agreement↩︎ ↩︎ ↩︎ -
Comfy-Org 官方技术模型卡：
Comfy-Org/MiniMax-H3剪枝模型与 13B 参数剥离机理 ↩︎ ↩︎ -
本仓库核验数据记录与 L4 实测基准：
docs/minimax-h3-facts-2026-11-12.md&docs/RESEARCH_SUMMARY.md↩︎ ↩︎ -
Artificial Analysis 官方视频模型竞技场（AA-Video-T2V v2.1 核对日期：2026-11-12） ↩︎ ↩︎