MiniMax H3多模态能力表现如何？
7月31日MiniMax发布H3，首个开源全模态生成模型，能理解文本+图像+视频+声音，一次生成带原生双声道的2K视频。港股当天涨超10%。我试了早期邀测，跨模态复合参考是真强：给一张人物图+一段镜头运动参考视频+一条歌声音频，它能读懂"让图里的人按参考视频运动、用参考音频唱歌"，直接生成2K成片。深度学习在多模态统一理解上的算法突破到位了，不再是简单拼接，而是Contextual Omni Representation把所有模态放一个上下文里。视频编辑能力Artificial Analysis全球第一，文生视频第二、图生视频第三。最实用的是复杂文本保持——品牌logo贴玻璃杯上能理解折射，贴墙上能理解纹理。机器学习对场景的整体理解已经超出"生成字体"的边界。定价0.8元/秒（2K），同类旗舰的三分之一。推理优化用高压缩Tokenizer控制系统成本。开源权重也是头一个，之前Sora、可灵全是闭源。你们觉得H3能做视频生成领域的DeepSeek吗？
发布于 上海
分享
评论
赞
未登录
友善发言
评论
加载中
