Base UTM para todos os links da Atlas Cloud: ?utm_source=blog&utm_medium=article&utm_campaign=minimax-h3-open-source-weights

---

Pesos Open Source do MiniMax H3: você não precisa de um supercomputador. Talvez precise de um advogado.

Uma mesa às 3h da manhã com um gabinete de PC aberto, um disco externo e um monitor mostrando um grande download em andamento

Os pesos saíram. Então, antes de qualquer outra coisa, deixe-me responder às duas perguntas que mais apareceram nas respostas ao post de lançamento da MiniMax.

Não, você não precisa de um supercomputador. Escolha os arquivos certos e o download é de 42,5 GB, não 123,6 GB. O modelo tem 33B parâmetros, e cerca de 13B deles ficam em ramificações de modulação AdaLN que a inferência nem precisa carregar.

Então abri o arquivo LICENSE. A linha 10, antes mesmo de eu chegar à cláusula de receita de US$ 20M, é uma lista de países. O meu país está nela. Provavelmente o seu também.

Principais pontos

• Os pesos open source do MiniMax H3 estão disponíveis no Hugging Face como MiniMaxAI/MiniMax-H3, além de um espelho reempacotado para ComfyUI em Comfy-Org/MiniMax-H3. O ComfyUI lançou suporte nativo no mesmo dia.
• Não é um único arquivo. Há dois checkpoints específicos por tarefa, fl2va (orientado por texto e imagem) e ref2va (orientado por referência), com 21 GB cada em sua forma menor. Você só baixa aquele de que sua tarefa precisa.
• Transformer denso de fluxo único com 33B. A menor combinação funcional é de 42,5 GB, 66% menor que os 123,6 GB em precisão total. O ComfyUI diz que uma placa de 12 GB mais offloading consegue rodá-lo.
• A geração local é nativamente de 768px na borda curta, não 2K. O 2K vem de uma segunda passagem de regeneração in-context.
• O uso comercial é gratuito, mas você deve exibir "MiniMax H3" na sua interface, e acima de US$ 20M de receita anual você precisa de autorização escrita separada. E o Território Aplicável da licença exclui a UE, o Reino Unido, a Coreia do Sul e os Estados Unidos. Uma API hospedada é uma relação jurídica diferente.

Um personagem, ambos os checkpoints, uma madrugada de 3h. O lado esquerdo é o que fl2va faz. O lado direito é o que ref2va faz. A mesma pessoa, o mesmo quarto, a mesma noite, duas tarefas completamente diferentes, e o zumbido da ventoinha que você ouve é gerado na mesma passagem que a imagem.

Esquerda: image-to-video, a tarefa feita pelo checkpoint fl2va. Direita: reference-to-video, a tarefa feita pelo ref2va. Ambos renderizados no MiniMax H3 com áudio estéreo nativo. Ligue o som.

A primeira coisa que pedi a este modelo para gerar foi um ser humano esperando este modelo terminar de baixar. Pareceu apropriado.

Pesos Open Source do MiniMax H3, pesados: dois checkpoints e um piso de 42,5 GB

Eis por que este lançamento fez barulho. A Artificial Analysis colocou o H3 em #1 em Video Editing e entre os três melhores tanto em text-to-video quanto em image-to-video, e disse que lançar os pesos "o tornaria, de longe, o principal modelo de pesos abertos" (Artificial Analysis, julho de 2026). Isso é um modelo de vídeo de nível frontier com um botão de download.

A outra metade honesta: a mesma rodada de benchmarks mostra o H3 atrás do Gemini Omni Flash, da Google, em text-to-video, e atrás tanto do Seedance 2.0 quanto do Gemini Omni Flash em image-to-video (South China Morning Post, julho de 2026). Ele é #1 em edição, não #1 em tudo.

Agora a parte que quase ninguém conferiu antes de apertar git clone.

A contagem de parâmetros que ninguém colocou em uma manchete. O model card descreve o H3-Omni-Transformer como "um Transformer denso, de fluxo único, com 33B parâmetros, com aproximadamente 13B parâmetros residindo em ramificações relacionadas a AdaLN", e acrescenta que, como essas saídas de modulação podem ser pré-computadas e armazenadas em cache, "esses parâmetros não precisam ser carregados para implantação apenas de inferência." É daí que vêm os checkpoints podados. Cerca de 40% do modelo vira uma tabela de consulta quando você está apenas fazendo inferência.

Onde a maioria das pessoas queima 80 GB à toa. O repositório oficial MiniMaxAI/MiniMax-H3 tem 498 GB se você baixar tudo. O espelho do ComfyUI tem 343 GB. Ambos guardam todas as variantes de precisão de ambos os checkpoints. Você precisa de quatro arquivos, não quatrocentos.

Tamanhos de arquivo lidos diretamente do índice do repositório Comfy-Org/MiniMax-H3, agosto de 2026.

A própria forma como o ComfyUI apresenta o mesmo número: "pegada total de memória reduzida em 66%, de 123,6 GB em precisão total para 42,5 GB", que é o que "permite que um modelo de vídeo 2K de próxima geração rode localmente em uma GPU como a RTX 3060" (ComfyUI, agosto de 2026). Trate o número de 12 GB como uma afirmação deles com offloading dinâmico, não como um benchmark. Eu não o rodei em uma 3060, e o offloading compra VRAM com RAM do sistema e tempo de relógio.

Uma coisa que "rodar localmente" quer dizer discretamente: 768px. A tela nativa do H3 é uma borda curta de 768px, limitada a 768x1344, segundo o tutorial de H3 do ComfyUI. A duração se encaixa em uma grade de 17 frames por bloco a 24fps. Os clipes em 2K do marketing vêm do H3-Regenerate-2K, uma segunda passagem que alimenta o resultado em 768p mais o contexto original de volta no modelo. O model card é explícito ao dizer que o sistema completo tem três módulos: H3-Context-IR, H3-Base e H3-Regenerate-2K. O ComfyUI local entrega o H3-Base.

E a palavra "open" está fazendo três trabalhos separados aqui. Baixável, sim. Comercialmente utilizável, com condições. Executável onde você mora, isso depende de onde você mora. A thread do Reddit chamando isto de "na verdade, um modelo de código fechado" está errada no primeiro ponto e apontando para algo real nos outros dois. A Seção 7 traz o texto da cláusula.

Pesos Open Source do MiniMax H3 locais vs uma API hospedada: escolha seu caminho

Tudo abaixo desta linha, a demonstração inteira em quatro etapas, roda em uma aba do navegador na Atlas Cloud, que serve os três endpoints do H3 mais o modelo de imagem que usei para o frame base. Isso não é a mesma coisa que rodar os pesos, e a diferença importa mais que o normal com este modelo.

Regra prática: abaixo de cerca de 100 clipes por mês, ou se você precisa de 2K logo de saída, ou se está em um Território Excluído, o hospedado vence em todos os eixos. Acima disso, ou se pretende treinar em cima do checkpoint, ou se o material não pode sair do seu prédio, os 42,5 GB valem a noite.

Preços verificados nas páginas de modelo ao vivo, agosto de 2026. Todos os endpoints do H3 cobram por segundo de saída, sem desconto ativo.

Uma inconsistência que vale saber antes de escrever código contra ele: o readme do H3 ainda documenta uma faixa de 768p a US$ 0,10/s e duração de 5 ou 10 segundos. O schema ao vivo discorda. resolution tem exatamente um valor permitido, 2K, e duration aceita qualquer inteiro de 5 a 15. Programe contra o schema. Há uma simetria interessante nessa lacuna: a faixa 768p está desligada no lado hospedado, e 768p é exatamente a tela nativa que você recebe ao rodar os pesos por conta própria.

Etapa 1: gere o frame base com GPT Image 2

Tudo nesta demonstração começa com uma imagem estática. A cena é deliberadamente direta: um desenvolvedor às 3h da manhã assistindo ao download de um checkpoint de 21 GB.

Modelo: openai/gpt-image-2/text-to-image. Configurações: qualidade high, proporção 16:9.

textCopy
1A photorealistic wide shot of a cluttered home office at 3 a.m., lit only by two monitors and the RGB glow from an open PC case on the desk. A tired developer in a gray hoodie sits slouched in a mesh chair, chin on hand, staring at the left monitor. The left monitor shows a dark terminal with a single visible download progress bar at about 78 percent. The right monitor shows a file browser. A cold half-full mug of coffee, a mechanical keyboard, and a small desk fan sit on the desk. Rain streaks the window behind him. Shallow depth of field, 35mm, warm monitor key light against cool blue window light, visible sensor grain. No text overlays, no watermarks.
2

Não peça ao modelo de imagem para renderizar os nomes reais dos arquivos safetensors. Strings longas com underscores voltam como uma pasta indistinta. Deixe os nomes de arquivo nas legendas.

Playground do GPT Image 2 na Atlas Cloud com o prompt das 3h digitado e o frame base final no painel de saída

GPT Image 2 na Atlas Cloud: qualidade high, 16:9, o frame base renderizado à direita. A faixa de alta qualidade cota US$ 0,1745 para esta execução, bem acima do piso listado de US$ 0,009, então faça o orçamento por faixa.

O frame base gerado: um desenvolvedor cansado às 3h da manhã observando uma barra de download no monitor esquerdo

A saída da Etapa 1. Este único frame alimenta as Etapas 2 e 3.

Etapa 2: Image to Video, a tarefa que o checkpoint fl2va faz

Este é o endpoint que corresponde a minimax_h3_fl2va_pruned_int8_convrot.safetensors. Um primeiro frame entra, movimento e som saem. Localmente, este é o arquivo que você carregaria; hospedado, é uma única chamada de API.

Modelo: minimax/h3/image-to-video. Configurações: image = o frame da Etapa 1 passado como uma data URL, resolution: 2K, duration: 5, ratio: 16:9.

textCopy
1The developer stays still, only breathing and blinking, eyes fixed on the left monitor. The progress bar on the left monitor creeps forward. The case fans spool up and their RGB glow pulses brighter. A moment before the end he exhales and his shoulders drop. Locked-off camera, no camera movement, no zoom, no cuts. Audio: a low case-fan whine that rises in pitch, faint rain against the window, one soft two-note completion chime near the end.
2

Passe a imagem como uma data URL base64 em vez de uma URL de armazenamento recém-gerada. Uma URL de objeto novinha pode falhar na verificação de download upstream. Observe também que o H3 realmente obedece a "locked-off camera", o que não é universalmente verdadeiro em modelos de vídeo desta classe.

Playground do MiniMax H3 image-to-video na Atlas Cloud com o frame base carregado e um clipe 2K concluído no painel de saída

MiniMax H3 image-to-video: frame base carregado, 2K, execução concluída. Esta captura usou o padrão do endpoint de 8 segundos, por isso a cotação mostra US$ 1,12. Meu clipe incorporado abaixo é a versão de 5 segundos a US$ 0,70.

A tarefa fl2va: um frame entra, cinco segundos de movimento mais zumbido estéreo de ventoinha saem.

Etapa 3: Reference to Video, a tarefa que o checkpoint ref2va faz

Checkpoint diferente, arquivo diferente, tarefa diferente. ref2va não estende um primeiro frame. Ele pega material de referência e constrói uma nova tomada que mantém a identidade e os objetos consistentes. É por isso que o repositório traz dois arquivos de 21 GB em vez de um.

Dei a ele duas referências: o frame da Etapa 1 para a pessoa e o quarto, e uma tomada macro de uma placa de vídeo para o hardware.

Modelo: minimax/h3/reference-to-video. Configurações: refers = ambas as imagens, resolution: 2K, duration: 8, ratio: 16:9.

textCopy
1Same man, same gray hoodie, same face, in the same dark home office. New shot: a medium close-up from the side as he leans back in the chair and lets out a long breath, the corner of his mouth lifting slightly. The graphics card in the second reference image is visible over his shoulder, its fans slowing down, RGB settling to a steady color. Keep his identity, hoodie, hair and the room's lighting consistent with the reference images. Locked-off camera. Audio: fan whine winding down, one keyboard keypress, rain continuing.
2

refers recebe um array misto de imagens, vídeos e áudio, com pelo menos uma imagem ou vídeo. Áudio sozinho é rejeitado. Este endpoint também aceita durações de até 15 segundos.

Uma armadilha específica deste endpoint: defina ratio explicitamente. Deixá-lo em adaptive voltou como 400 invalid params, ratio is required for t2va (text-only) and cannot be 'adaptive', quatro vezes seguidas, inclusive a partir do playground com ambas as referências claramente anexadas. Com ratio: "16:9" na chamada da API, rodou de primeira. É também por isso que a captura abaixo é a imagem de referência, e não uma captura do playground: não consegui tirar o controle Aspect Ratio do playground de adaptive, então o clipe que você vê aqui veio da API com as configurações acima, não de uma execução no playground.

A segunda imagem de referência: uma tomada macro de uma placa de vídeo com três ventoinhas dentro de um gabinete de PC aberto à noite

Imagem de referência 2, gerada no mesmo lote que o frame base, passada junto com o frame da Etapa 1.

A tarefa ref2va: uma nova tomada em vez de uma continuação. O mesmo homem, o mesmo moletom, o mesmo quarto, e a placa de vídeo da referência 2 agora no enquadramento com suas ventoinhas desacelerando. Note que ele interpretou "medium close-up" de forma solta e ficou bastante aberto.

Etapa 4: Text to Video, a linha de base dos pesos open source do MiniMax H3

A mesma cena, descrita em palavras, sem nenhuma referência. Esta etapa existe para mostrar a você para que os dois checkpoints de fato servem.

Modelo: minimax/h3/text-to-video. Configurações: ratio é obrigatório aqui e não pode ser adaptive, então 16:9. resolution: 2K, duration: 5.

textCopy
1A tired developer in a gray hoodie at 3 a.m. in a cluttered home office, lit by two monitors and the RGB glow of an open PC case, watching a download progress bar crawl across the left screen. Rain on the window behind him. Locked-off 35mm shot, shallow depth of field, warm monitor light against cool window light, film grain. Audio: rising case-fan whine, faint rain, a soft completion chime at the end.
2

Playground do MiniMax H3 text-to-video na Atlas Cloud com o prompt digitado e um clipe concluído no painel de saída

MiniMax H3 text-to-video: sem material de referência, 2K, Aspect Ratio definido como 16:9 porque adaptive é rejeitado aqui, execução concluída. Mesmo prompt, e já um rosto diferente daquele da Etapa 2.

Mesmas palavras, humano diferente. Quarto bonito, cara errado. Essa lacuna é todo o argumento para fl2va e ref2va existirem como checkpoints separados.

Uma observação operacional se você automatizar os três: a concorrência upstream é de aproximadamente uma tarefa. Jobs sobrepostos voltam como 429 rate limit exceeded (task concurrency). Rode em série. Um clipe 2K de 5 segundos levou cerca de dois minutos a cada vez.

Quanto custam os pesos open source do MiniMax H3, e o que a licença realmente diz

A pergunta sobre custo tem duas moedas. Hospedado, um clipe 2K de 5 segundos custa US$ 0,70 e um de 15 segundos custa US$ 2,10, por segundo, sem faixas, sem desconto. Localmente, a moeda são gigabytes e horas: 42,5 GB pelo cano, uma placa que consiga comportá-lo e uma tela 768p, a menos que você também rode a passagem de regeneração. Em algum ponto acima de algumas centenas de clipes por mês, a conta vira. Abaixo disso, na maior parte das vezes não.

Então há a terceira moeda, que é tempo de revisão jurídica. Li o LICENSE inteiro. Aqui está o que há nele.

Uma luminária de mesa iluminando um laptop que mostra um documento de texto denso, ao lado de uma impressão destacada, óculos de leitura e um copo de água

A parte de um lançamento de pesos abertos que ninguém captura em screenshot para a thread de lançamento.

Data de vigência do acordo: 2 de agosto de 2026 (Hugging Face, agosto de 2026).

A maior parte da cobertura de lançamento abriu com "open weights" e parou ali. Para crédito da MiniMax, eles não esconderam isso: o repositório traz seu próprio docs/QA-about-License.md explicando que modelos de vídeo enfrentam um cenário regulatório que se move mais rápido que o de modelos de texto, citando o EU AI Act, regras do Reino Unido e da Coreia, e litígios de copyright em andamento nos EUA sobre vídeo generativo, e declarando claramente que "a limitação atual significa 'ainda não', não 'nunca'." O mesmo documento confirma a divisão que importa operacionalmente: a API permanece disponível globalmente porque a MiniMax controla a infraestrutura de serving, enquanto pesos abertos deixam esse controle para trás.

Então, se você está em San Francisco, Berlim, Londres ou Seul, a leitura prática não é "você nunca pode tocar no H3." É "esta licença específica não é o instrumento que permite rodar esses pesos na sua própria máquina." Solicite a licença separada, ou use um endpoint hospedado, em que você é cliente de um serviço em vez de licenciado dos pesos.

Não sou advogado e isto não é aconselhamento jurídico. O texto da cláusula acima está citado para que seu advogado de verdade possa ler o original em cerca de dez minutos.

Pesos Open Source do MiniMax H3: perguntas frequentes

Os pesos open source do MiniMax H3 realmente saíram, e onde faço o download?

Sim, desde o início de agosto de 2026. Em dois lugares. MiniMaxAI/MiniMax-H3 é o repositório oficial, com cerca de 498 GB, contendo o pipeline em formato diffusers, ambos os transformers, o codificador de texto, ambos os VAEs, docs e scripts reproduzíveis. Comfy-Org/MiniMax-H3 é a build reempacotada para ComfyUI, com cerca de 343 GB no total, com os checkpoints quantizados em arquivo único que a maioria das pessoas realmente quer. Se você está rodando ComfyUI, use o segundo e baixe quatro arquivos.

Quantos parâmetros o MiniMax H3 tem, e preciso de um supercomputador?

33B, em um Transformer denso de fluxo único. Cerca de 13B disso fica em ramificações relacionadas a AdaLN cujas saídas podem ser pré-computadas e armazenadas em cache, então implantações apenas de inferência não precisam carregá-las. É isso que são os checkpoints "pruned". Nada de supercomputador. Um download de 42,5 GB e uma GPU de consumo séria.

Posso rodar os pesos open source do MiniMax H3 em 12 GB ou 16 GB de VRAM?

A equipe do ComfyUI diz que uma placa de 12 GB consegue fazer isso com offloading dinâmico, usando o checkpoint fl2va int8 podado mais o codificador de texto nvfp4 AWQ. Essa é a afirmação deles, não um benchmark que eu rodei. Duas ressalvas: offloading troca VRAM por RAM do sistema, então reserve 64 GB de RAM e espere tempos de renderização longos, e sua tela local é de borda curta 768px, não 2K.

Os pesos open source do MiniMax H3 são realmente open source, ou apenas pesos abertos?

Pesos abertos, precisamente. Os pesos são baixáveis e modificáveis, o que é mais do que qualquer modelo de vídeo frontier oferecia há um ano. Mas a licença não é aprovada pela OSI, a receita de treinamento e os dados não são publicados, o uso comercial traz condições de atribuição e receita, e a cláusula territorial restringe onde a concessão se aplica. O único componente genuinamente aberto é o codificador Qwen3-VL-32B sob Apache 2.0. Três camadas separadas, e "open" só descreve claramente a primeira.

Posso usar os pesos open source do MiniMax H3 comercialmente, e o que significa a linha dos US$ 20M?

Sim, com duas condições. Você deve exibir "MiniMax H3" de forma destacada na interface de usuário do produto comercial (Seção IV.2). E se seus produtos e serviços comerciais gerarem mais de US$ 20 milhões de receita anual, você precisa de autorização prévia por escrito separada da MiniMax antes de usá-lo, solicitada em [email protected] (Seção IV.1). O limite é sobre a sua receita, não sobre o seu uso do H3.

Por que a licença do MiniMax H3 exclui os EUA e a UE, e quais são minhas opções?

Segundo o próprio Q&A de licença da MiniMax, porque a geração de vídeo está em um ambiente regulatório que se move mais rápido que o texto, especificamente o EU AI Act, regras em evolução no Reino Unido e na Coreia do Sul, e litígios ativos de copyright nos EUA sobre vídeo generativo. Uma vez que os pesos são públicos, eles não conseguem impor salvaguardas downstream, então delimitaram a concessão em vez de adiar o lançamento. Opções em uma região excluída: solicitar uma licença separada pelo formulário no repositório, ou usar uma API hospedada, que é uma relação jurídica diferente e permanece disponível globalmente. Peça ao seu jurídico que confirme qual se encaixa antes de fazer deploy.

---

Verificado em 3 de agosto de 2026. Três coisas na lista de acompanhamento: GGUF da comunidade e quantizações de menor número de bits (ainda não existe nenhuma para o H3), qualquer mudança na lista de Territórios Excluídos, e se a faixa 768p hospedada que o readme ainda documenta algum dia volta.