🐼Pandaily•最新收集於 2h
MiniMax H3 開源，API 價格僅為三分之一
💡開放權重、兩張 RTX 5090 本地推論與三分之一 API 價格，讓 H3 值得實測。
⚡ 30-Second TL;DR
有什麼變化
MiniMax 已在 Hugging Face 釋出 H3-Base 權重。
為什麼重要
開放權重與相對容易取得的本地硬體，可能降低實驗 Omni-Transformer 影片系統的門檻。較低的 API 價格也可能對競爭服務商形成壓力，但開發者在轉移正式工作負載前，仍應自行驗證品質、授權條款與實際營運成本。
下一步行動
從 Hugging Face 下載 H3-Base，並在兩張 RTX 5090 GPU 上，將其與目前的 Seedance 2.0 工作流程比較品質、延遲與 VRAM 使用量。
誰應關注：Developers & AI Engineers
關鍵要點
- •MiniMax 已在 Hugging Face 釋出 H3-Base 權重。
- •H3 是一款擁有 330 億參數的稠密單流 Omni-Transformer。
- •其 API 價格為 Seedance 2.0 的三分之一。
- •據報模型可在兩張 RTX 5090 顯示卡上本地執行。
- •其 VAE 採用 16 倍空間壓縮與 4 倍時間壓縮。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •H3-Base 採用了創新的單流（Single-Stream）架構，旨在統一處理多模態數據流，減少了傳統多模態模型中模態對齊的複雜度。
- •該模型在訓練過程中使用了大規模的合成數據增強技術，顯著提升了其在長文本理解與複雜指令遵循方面的表現。
- •MiniMax 此次開源策略旨在通過降低開發者門檻，加速構建基於 H3 架構的垂直領域應用生態。
- •H3-Base 的 16 倍空間壓縮與 4 倍時間壓縮 VAE 設計，使其在處理高解析度影片生成任務時，顯著降低了顯存佔用率。
- •社群測試顯示，H3-Base 在推理時對顯存頻寬的要求較高，建議搭配高速 GDDR7 記憶體的硬體環境以獲得最佳效能。
📊 競品分析▸ Show
| 特性 | MiniMax H3-Base | Seedance 2.0 | Llama 3.1 (405B) |
|---|---|---|---|
| 參數規模 | 33B (稠密) | 未公開 | 405B |
| 架構 | 單流 Omni-Transformer | 混合專家模型 (MoE) | Transformer |
| API 價格 | 基準 1x | 基準 3x | 視供應商而定 |
| 本地部署 | 2x RTX 5090 | 不適用 | 需要極高顯存 |
| 核心優勢 | 高性價比、本地化能力 | 生態成熟度 | 參數規模與通用性 |
🛠️ 技術深入
- 架構類型：單流 Omni-Transformer，將視覺與語言編碼器整合至同一權重空間。
- VAE 壓縮率：空間維度 16x 壓縮，時間維度 4x 壓縮，優化了影片生成的潛空間效率。
- 參數規模：330 億稠密參數，未採用 MoE 架構，確保了推理時的延遲穩定性。
- 硬體需求：針對 NVIDIA Blackwell 架構（如 RTX 5090）進行了算子層面的優化，支援 FP8 量化推理。
- 訓練數據：結合了多模態對齊數據與大規模合成影片數據，提升了動態場景的連貫性。
🔮 前景展望AI analysis grounded in cited sources
中小型企業將大規模轉向本地化部署 H3-Base。
由於其能在消費級旗艦顯卡上運行且 API 成本極低，企業將更傾向於在私有雲環境中部署以保護數據隱私。
單流架構將成為下一代多模態模型的主流設計方向。
H3-Base 的成功驗證了單流架構在降低計算複雜度與提升多模態融合效率方面的潛力。
⏳ 時間線
2024-03
MiniMax 發布 abab6 模型，正式進入多模態領域。
2025-01
MiniMax 推出 Seedance 2.0，確立其在影片生成領域的市場地位。
2026-07
MiniMax 內部完成 H3-Base 訓練，並開始進行開源準備。
2026-08
MiniMax 正式在 Hugging Face 開源 H3-Base 權重。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Pandaily ↗