稀宇科技近日正式发布其最新研发的通用多模态视频模型——MiniMax H3，并宣布将于8月3日零时在魔搭社区全面开源。这一消息引发了人工智能领域的广泛关注，标志着多模态技术商业化应用迈出重要一步。
该模型突破传统单一模态处理框架，实现了对文本、图像、视频及音频的统一解析能力。其核心技术创新包括Contextual Omni Representation架构、H3-VAE压缩算法、H3-Omni Transformer注意力机制及In-context Regeneration动态生成技术，这些突破使模型在保持2K高清输出的同时，将处理成本压缩至行业主流水平的三分之一以下，768P分辨率下成本优势更为显著。
在功能特性方面，MiniMax H3展现出三大核心优势：其一，多模态融合处理能力可精准识别不同素材中的人物关系、动作轨迹、情感表达及视觉风格，并实现跨模态信息的自然融合；其二，精细化编辑系统支持对人物特征、物体属性、场景布局、音频节奏等要素进行逐帧调控，指令响应精度达到像素级；其三，针对影视制作、广告营销、电商展示、游戏开发等商业场景，模型可同步生成包含动态字幕、品牌元素、特效包装及交互界面的完整内容解决方案。
技术团队透露，该模型采用双声道原生音频输出技术，支持最长15秒的2K分辨率视频生成。在影视后期制作场景测试中，其人物动作连贯性指标较前代产品提升47%，场景转换自然度达到专业级水准。电商领域应用显示，模型生成的3D产品展示视频可使消费者停留时长增加32%。
开源社区负责人表示，此次开放包含模型权重、训练代码及部署工具的全套技术栈，开发者可基于Apache 2.0协议进行二次开发。目前已有超过200家企业提交合作申请，涵盖短视频平台、智能硬件厂商及数字内容服务商等多个领域。
