人工智能企业MiniMax近日发布全模态生成模型MiniMax H3，并承诺将在数日内开源模型权重。该模型支持文本、图像、视频、声音等多模态上下文组合输入，可生成带原生双声道音频的高清视频。技术上，H3将文生图、文生视频、图到视频及音频处理整合至统一预训练框架，采用H3-Omni Transformer架构，使端到端训练吞吐量提升近30%；其H3-VAE架构通过重写Tokenizer降低高分辨率推理成本。MiniMax称，H3在2K分辨率下每秒价格低于主流同类模型三分之一，并兼容国产芯片。
人工智能企业MiniMax近日发布全模态生成模型MiniMax H3，并承诺将在数日内开源模型权重。该模型支持文本、图像、视频、声音等多模态上下文组合输入，可生成带原生双声道音频的高清视频。技术上，H3将文生图、文生视频、图到视频及音频处理整合至统一预训练框架，采用H3-Omni Transformer架构，使端到端训练吞吐量提升近30%；其H3-VAE架构通过重写Tokenizer降低高分辨率推理成本。MiniMax称，H3在2K分辨率下每秒价格低于主流同类模型三分之一，并兼容国产芯片。