所有 Atlas Cloud 連結的 UTM base： ?utm_source=blog&utm_medium=article&utm_campaign=minimax-h3-open-source-weights
MiniMax H3 開源權重：你不需要超級電腦。你可能需要律師。
凌晨 3 點的書桌，上面有打開機殼的 PC、外接硬碟，以及一台顯示大型下載進行中的螢幕
權重已經釋出了。所以在談其他事情之前，我先回答 MiniMax 發布貼文底下最多人回覆的兩個問題。
不，你不需要超級電腦。選對檔案，下載量是 42.5 GB，不是 123.6 GB。這個模型有 33B 參數，其中約 13B 位於 AdaLN modulation branches，而推論時甚至不需要載入它們。
然後我打開了 LICENSE 檔案。第 10 行，在我還沒看到 $20M 營收條款之前，就先看到一串國家名單。我的國家在上面。你的大概也是。
重點摘要
- MiniMax H3 開源權重已在 Hugging Face 以
MiniMaxAI/MiniMax-H3上線，另有 ComfyUI 重新打包的鏡像Comfy-Org/MiniMax-H3。ComfyUI 同一天就推出原生支援。 - 它不是單一檔案。有 兩個針對特定任務的 checkpoint：
fl2va（文字與影像驅動）和ref2va（參考素材驅動），最小版本各 21 GB。你只需要下載工作所需的那一個。 - 33B dense single-stream Transformer。最小可運作組合為 42.5 GB，比 full precision 的 123.6 GB 少 66%。ComfyUI 表示，一張 12 GB 顯卡加上 offloading 就能跑。
- 本機生成原生是 短邊 768px，不是 2K。2K 來自第二次 in-context regeneration pass。
- 商業使用免費，但你必須在 UI 中顯示「MiniMax H3」；若年營收超過 $20M，則需要另行取得書面授權。而授權條款中的 Applicable Territory 排除了歐盟、英國、南韓和美國。託管 API 則是另一種法律關係。
同一個角色，兩個 checkpoint，同一個凌晨 3 點。左邊是 fl2va 做的事。右邊是 ref2va 做的事。同一個人、同一個房間、同一個夜晚，卻是兩種完全不同的工作；你聽到的風扇尖鳴聲，是跟畫面在同一次 pass 中生成的。
左：image-to-video，也就是 fl2va checkpoint 的工作。右：reference-to-video，也就是 ref2va 的工作。兩者都由 MiniMax H3 渲染，並帶有原生立體聲音訊。把聲音打開。
我請這個模型生成的第一個東西，是一個正在等待這個模型下載完成的人類。感覺很合理。
MiniMax H3 開源權重實測：兩個 checkpoint，以及 42.5 GB 的最低門檻
這次發布之所以引起喧嘩，是有原因的。Artificial Analysis 將 H3 評為 Video Editing 第 1 名，並在 text-to-video 與 image-to-video 兩項中都進入前三，並表示如果釋出權重，它「將遠遠成為領先的開源權重模型」(Artificial Analysis, July 2026)。這是一個 frontier-tier 影片模型，而且旁邊有下載按鈕。
誠實的另一半是：同一輪 benchmark 中，H3 在 text-to-video 落後於 Google 的 Gemini Omni Flash，在 image-to-video 則落後於 Seedance 2.0 與 Gemini Omni Flash (South China Morning Post, July 2026)。它是剪輯第 1，不是所有事情都第 1。
接下來是幾乎沒人在按下 git clone 之前檢查的部分。
沒被放進標題的參數量。 model card 將 H3-Omni-Transformer 描述為「一個 33B-parameter dense, single-stream Transformer, with approximately 13B parameters residing in AdaLN-related branches」，並補充說，因為這些 modulation outputs 可以預先計算並快取，所以「these parameters do not need to be loaded for inference-only deployment」。這就是 pruned checkpoints 的來源。當你只做推論時，模型大約 40% 會變成查表。
多數人白白燒掉 80 GB 的地方。 官方 MiniMaxAI/MiniMax-H3 repo 如果全部拉下來是 498 GB。ComfyUI 鏡像是 343 GB。兩者都包含兩個 checkpoint 的所有 precision variant。你需要的是四個檔案，不是四百個。
| File | Size | What it is | You need it for |
|---|---|---|---|
| minimax_h3_fl2va_pruned_int8_convrot.safetensors | 20.97 GB | fl2va checkpoint，pruned + int8 | Text-to-video、image-to-video |
| minimax_h3_fl2va_int8_convrot.safetensors | 34.04 GB | fl2va，int8，未 pruned | 同上，較高 fidelity |
| minimax_h3_fl2va_bf16.safetensors | 66.28 GB | fl2va，full precision | Fine-tuning、研究 |
| minimax_h3_ref2va_pruned_int8_convrot.safetensors | 20.97 GB | ref2va checkpoint，pruned + int8 | 僅 reference-to-video |
| minimax_h3_ref2va_int8_convrot.safetensors | 34.04 GB | ref2va，int8，未 pruned | 同上，較高 fidelity |
| minimax_h3_ref2va_bf16.safetensors | 66.28 GB | ref2va，full precision | Fine-tuning、研究 |
| qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors | 15.69 GB | Text encoder，4-bit AWQ | 每個 workflow |
| qwen3vl_32b_minimax_h3_int8_convrot.safetensors | 27.14 GB | Text encoder，int8 | 每個 workflow |
| qwen3vl_32b_minimax_h3_bf16.safetensors | 51.51 GB | Text encoder，full precision | 每個 workflow |
| minimax_h3_video_vae_fp16.safetensors | 5.21 GB | Video VAE | 每個 workflow |
| minimax_h3_audio_vae_fp32.safetensors | 0.61 GB | Audio VAE | 每個 workflow（這就是聲音） |
| 最小可運作組合，單一任務 | 42.5 GB | pruned fl2va + nvfp4 encoder + 兩個 VAE | 實際合理的下載量 |
| 兩個 checkpoint，最小組合 | 63.4 GB | 加上 pruned ref2va | 如果你想要全部三種模式 |
| 單一任務 full bf16 | 123.6 GB | bf16 全套 | 僅研究級設備 |
檔案大小直接讀自 Comfy-Org/MiniMax-H3 repository index，August 2026。
ComfyUI 對同一個數字的說法是：「total memory footprint reduced by 66%, from 123.6 GB in full precision to 42.5 GB」，也就是所謂「enables a next-generation 2K video model to run locally on a GPU like the RTX 3060」(ComfyUI, August 2026)。請把 12 GB 這個數字視為他們對 dynamic offloading 的主張，而不是 benchmark。我沒有在 3060 上跑過；offloading 是用系統 RAM 與實際等待時間來換取 VRAM。
「本機執行」其實悄悄意味著一件事：768px。 根據 ComfyUI 的 H3 教學，H3 的原生畫布是短邊 768px，上限 768x1344。影片長度會以 24fps 下每個區塊 17 幀的網格對齊。行銷中的 2K 片段來自 H3-Regenerate-2K，也就是第二次 pass，將 768p 結果加上原始 context 再送回模型。model card 明確說明完整系統由三個模組構成：H3-Context-IR、H3-Base，以及 H3-Regenerate-2K。本機 ComfyUI 給你的是 H3-Base。
而「open」這個字在這裡同時做了三件不同的事。 可下載，沒錯。可商用，有條件。能不能在你所在的地方跑，取決於你住哪裡。Reddit 上說這是「actually a closed source model」的討論，在第一點上是錯的，但在另外兩點上指向了真問題。第 7 節有條款文字。
本機 MiniMax H3 開源權重 vs 託管 API：選你的路線
以下這條線之後的所有內容，整個四步 demo，都在 Atlas Cloud 的一個瀏覽器分頁中執行；它提供全部三個 H3 endpoint，加上我用來生成基礎畫面的 image model。這不等於執行權重，而對這個模型來說，這個差異比平常更重要。
| 本機權重 | 託管 API | |
|---|---|---|
| 前期成本 | 42.5 GB 下載、一張 12 GB+ GPU、一套 ComfyUI 安裝 | 一把 API key |
| 第一支 clip 出來前的時間 | 樂觀估計一個晚上 | 約兩分鐘 |
| 每支 5s clip 成本 | GPU 時間與電費 | $0.70，按 $0.14/sec |
| 原生解析度 | 短邊 768px，2K 需透過 regeneration pass | 直接 2K，而且是唯一 enum value |
| Fine-tune、LoRA、手術式修改 | 可以，這正是重點 | 不行 |
| 資料永不離開你的網路 | 是 | 否 |
| 授權曝險 | 你接受 Community License 及其地域條款 | 你是託管服務的客戶 |
| 如果你在歐盟、英國、韓國或美國 | 第 7 節 | 不受權重授權條款影響 |
經驗法則：每月不到約 100 支 clip，或你需要直接輸出 2K，或你身處 Excluded Territory，那麼託管在每個面向都勝出。超過這個數量，或你打算在 checkpoint 上繼續訓練，或素材不能離開你的大樓，42.5 GB 就值得花那個晚上。
價格已於 live model pages 驗證，August 2026\。所有 H3 endpoint 都按輸出秒數計費，沒有啟用中的折扣。
| Model | 這裡的用途 | Price | Discount |
|---|---|---|---|
| MiniMax H3 image-to-video | Step 2，fl2va 工作 | 2K 為 $0.14 / sec | 無 |
| MiniMax H3 reference-to-video | Step 3，ref2va 工作 | 2K 為 $0.14 / sec | 無 |
| MiniMax H3 text-to-video | Step 4，無參考 baseline | 2K 為 $0.14 / sec | 無 |
| GPT Image 2 text-to-image | Step 1，base frame | 標示 $0.009 / image；我使用的 high quality 16:9 run 報價 $0.1745 | 無 |
| Seedance 2.0 / Wan 2.7 / Kling v3.0 Turbo | 每秒價格參考點 | $0.112 / $0.10 / $0.095 per sec | Kling 15% off |
在你開始寫程式對接之前，有一個值得知道的不一致：H3 readme 仍記載 768p tier 為 $0.10/sec，duration 為 5 或 10 秒。但 live schema 不同。resolution 只有一個允許值：2K，而 duration 接受 5 到 15 的任意整數。請以 schema 為準。這個落差有種巧妙的對稱：託管端的 768p tier 被關閉，而 768p 正是你自己跑權重時取得的原生畫布。
Step 1：用 GPT Image 2 生成 Base Frame
這個 demo 的一切都從一張 still 開始。場景刻意直白：凌晨 3 點，一位開發者看著 21 GB checkpoint 下載。
Model: openai/gpt-image-2/text-to-image. Settings: quality high, ratio 16:9.
text1A 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
不要要求 image model 真的渲染 safetensors 檔名。帶長底線的字串回來會變成糊掉的亂碼。檔名請留在 captions 裡。
Atlas Cloud 上的 GPT Image 2 playground，已輸入凌晨 3 點的 prompt，右側 output panel 顯示完成的 base frame
Atlas Cloud 上的 GPT Image 2：quality high，16:9，右側渲染出 base frame。high quality tier 對這次 run 報價 $0.1745，遠高於 $0.009 的標示底價，所以請按 tier 編列預算。
生成的 base frame：凌晨 3 點，一位疲憊的開發者看著左側螢幕上的下載進度條
Step 1 的輸出。這張單一 frame 會送進 Steps 2 和 3。
Step 2：Image to Video，也就是 fl2va Checkpoint 的工作
這個 endpoint 對應 minimax_h3_fl2va_pruned_int8_convrot.safetensors。一張 first frame 輸入，輸出 motion 與 sound。本機端這就是你會載入的檔案；託管端則是一個 API call。
Model: minimax/h3/image-to-video. Settings: image = the Step 1 frame passed as a data URL, resolution: 2K, duration: 5, ratio: 16:9.
text1The 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
請把圖片作為 base64 data URL 傳入，而不是剛生成的 storage URL。全新的 object URL 可能無法通過 upstream download check。另請注意，H3 真的會遵守「locked-off camera」，而這在同級影片模型中並不是普遍現象。
Atlas Cloud 上的 MiniMax H3 image-to-video playground，已載入 base frame，output panel 顯示完成的 2K clip
MiniMax H3 image-to-video：已載入 base frame，2K，run completed。這張截圖使用 endpoint 預設的 8 秒，所以報價顯示 $1.12\。下方內嵌 clip 是 5 秒版本，價格 $0.70。
fl2va 工作：一張 frame 輸入，輸出五秒 motion 加上立體聲風扇尖鳴。
Step 3：Reference to Video，也就是 ref2va Checkpoint 的工作
不同 checkpoint、不同檔案、不同任務。ref2va 不是延伸 first frame。它接收參考素材，建立一個新的 shot，同時維持身份與物件一致。這就是 repository 會提供兩個 21 GB 檔案而不是一個的原因。
我給了它兩個 references：Step 1 frame 作為人物與房間，另一張 graphics card macro shot 作為硬體。
Model: minimax/h3/reference-to-video. Settings: refers = both images, resolution: 2K, duration: 8, ratio: 16:9.
text1Same 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 接受圖片、影片與音訊的混合陣列，且至少要有一張圖片或一段影片。只有音訊會被拒絕。這個 endpoint 也接受最長 15 秒的 duration。
這個 endpoint 有一個特別的陷阱：請明確設定 ratio。若留在 adaptive，會回傳 400 invalid params, ratio is required for t2va (text-only) and cannot be 'adaptive'，我連續遇到四次，包括在 playground 中兩個 references 明明都已附上的情況。API call 裡設定 ratio: "16:9" 後，第一次就跑成功。這也是為什麼下面的截圖是 reference image，而不是 playground capture：我無法把 playground 的 Aspect Ratio 控制從 adaptive 切走，所以你在這裡看到的 clip 是用上述設定透過 API 產生，而不是從 playground run 出來的。
第二張 reference image：夜晚開放式 PC 機殼內一張三風扇 graphics card 的 macro shot
Reference image 2，與 base frame 同一批生成，和 Step 1 frame 一起傳入。
ref2va 工作：不是接續，而是一個全新的 take。同一個男人、同一件帽T、同一個房間，而且 reference 2 裡的 graphics card 現在出現在畫面中，風扇正在降速。注意它對「medium close-up」的理解較寬鬆，畫面仍然相當 wide。
Step 4：Text to Video，MiniMax H3 開源權重的 Baseline
同一個場景，用文字描述，完全沒有 reference。這個步驟存在的目的，是讓你看見兩個 checkpoint 實際上是為了什麼而存在。
Model: minimax/h3/text-to-video. Settings: ratio is required here and cannot be adaptive, so 16:9. resolution: 2K, duration: 5.
text1A 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
Atlas Cloud 上的 MiniMax H3 text-to-video playground，已輸入 prompt，output panel 顯示完成的 clip
MiniMax H3 text-to-video：沒有 reference material，2K，Aspect Ratio 設為 16:9，因為這裡會拒絕 adaptive，run completed。同樣的 prompt，臉已經和 Step 2 那個人不同。
同樣的文字，不同的人。房間很不錯，但人錯了。這個落差，就是 fl2va 與 ref2va 需要以獨立 checkpoint 存在的完整理由。
如果你把三者都寫成腳本，有一個操作提醒：upstream concurrency 大約是一個 task。重疊 job 會回傳 429 rate limit exceeded (task concurrency)。請依序執行。每次生成一支 5 秒 2K clip 大約需要兩分鐘。
MiniMax H3 開源權重的成本，以及授權條款實際說了什麼
成本問題有兩種貨幣。託管端，一支 5 秒 2K clip 是 $0.70，一支 15 秒是 $2.10，按秒計費，沒有 tiers、沒有折扣。本機端，貨幣是 gigabytes 和 hours：42.5 GB 下載、一張能裝得下它的顯卡，以及 768p 畫布，除非你也執行 regeneration pass。每月幾百支 clip 以上，算術才會翻轉。在那以下，大多不會。
然後還有第三種貨幣，也就是法律審查時間。我讀完了整份 LICENSE。裡面是這樣寫的。
桌燈照著一台顯示密集文字文件的筆電，旁邊有劃線標記的列印稿、老花眼鏡和一杯水
開源權重發布中，沒有人會為 launch thread 截圖的那一部分。
| Clause | Section | What it says | What it means for you |
|---|---|---|---|
| Applicable Territory | I.3, I.5 | 全球，但「excluding the Excluded Territories」，其定義為「the European Union, the United Kingdom, the Republic of Korea and the United States of America」 | community license 不授予你在本文多數讀者所在區域的權利 |
| Territorial use ban | V.4 | 你不得在 Applicable Territory 以外「use, reproduce, modify, distribute, or display the MiniMax H3 Works or any of their Outputs or results」 | 它觸及 Outputs，不只是權重 |
| Separate licensing channel | II | MiniMax 會「continuously evaluate the applicable laws」，並邀請 excluded regions 的各方聯絡他們申請授權 | 這是「not yet」，不是「not ever」。repo 隨附 application form |
| Attribution | IV.2 | 任何使用它的商業產品，都「shall prominently display 'MiniMax H3' on the user interface」 | 這是 UI 變更，不是註腳 |
| Revenue threshold | IV.1 | 年營收超過 $20 million 時，需先取得 [email protected] 的書面授權 | 免費商用有上限 |
| No model laundering | V.3 | 你不得使用 H3 或其 Outputs「to improve any other artificial intelligence model」 | 排除了把它 distill 到你自己的模型中 |
| Redistribution | III.1, III.4 | 隨附 agreement、包含 NOTICE file、標記 modified files | 標準做法，但也會綁住 downstream users |
| Text encoder | Additional Note | encoder 是 Qwen3-VL-32B，採 Apache 2.0 | stack 中有一個 component 真正符合 OSI-open |
| Governing law | IX | Hong Kong SAR law，exclusive Hong Kong jurisdiction | 值得在你的 risk register 裡寫一行 |
agreement 的 effective date 是 August 2, 2026 (Hugging Face, August 2026)。
多數發布報導以「open weights」開頭，也停在那裡。公平地說，MiniMax 並沒有把它藏起來：repo 內有自己的 docs/QA-about-License.md，解釋影片模型面對比文字模型變動更快的監管情勢，點名 EU AI Act、英國與韓國規則，以及美國關於生成式影片的持續版權訴訟，並直白表示「the current limitation means 'not yet', not 'not ever'.」同一份文件也確認了對實務操作很重要的切分：API 仍全球可用，因為 MiniMax 控制 serving infrastructure；而 open weights 一旦離開，就失去這種控制。
所以如果你在 San Francisco、Berlin、London 或 Seoul，務實的解讀不是「你永遠不能碰 H3」。而是「這份特定授權，不是讓你在自己機器上跑這些權重的法律工具。」請申請 separate license，或使用 hosted endpoint；在後者中，你是服務的客戶，而不是權重的 licensee。
我不是律師，這不是法律意見。上面的條款文字被引用出來，是為了讓你真正的法律顧問可以在約十分鐘內讀完原文。
MiniMax H3 開源權重：常見問題
MiniMax H3 開源權重真的釋出了嗎？我要去哪裡下載？
是的，截至 2026 年 8 月初已釋出。有兩個地方。MiniMaxAI/MiniMax-H3 是官方 repository，約 498 GB，包含 diffusers-format pipeline、兩個 transformers、text encoder、兩個 VAE、docs 與 reproducible scripts。Comfy-Org/MiniMax-H3 是重新打包的 ComfyUI build，總量約 343 GB，包含多數人真正想要的 quantized single-file checkpoints。如果你要跑 ComfyUI，請用第二個，並下載四個檔案。
MiniMax H3 有多少參數？我需要超級電腦嗎？
33B，採用 dense single-stream Transformer。其中約 13B 位於 AdaLN-related branches，而其 outputs 可以預先計算並快取，因此 inference-only deployments 不需要載入它們。這就是「pruned」checkpoints。你不需要超級電腦。你需要的是 42.5 GB 下載量，以及一張夠認真的 consumer GPU。
我可以用 12 GB 或 16 GB VRAM 跑 MiniMax H3 開源權重嗎？
ComfyUI 團隊表示，一張 12 GB 顯卡可搭配 dynamic offloading 執行，使用 pruned int8 fl2va checkpoint 加上 nvfp4 AWQ text encoder。這是他們的主張，不是我跑過的 benchmark。兩個 caveats：offloading 是用系統 RAM 交換 VRAM，所以請準備 64 GB RAM，並預期較長的 render times；另外你的本機畫布是短邊 768px，不是 2K。
MiniMax H3 開源權重真的 open source，還是只是 open weights？
精確地說，是 open weights。權重可下載且可修改，這已經比一年前任何 frontier video model 提供的更多。但授權不是 OSI-approved，訓練 recipe 與資料沒有發布，商業使用帶有 attribution 與 revenue 條件，地域條款也限制 grant 適用範圍。唯一真正開放的 component，是採 Apache 2.0 的 Qwen3-VL-32B encoder。三個不同層次，而「open」只乾淨地描述第一層。
我可以商用 MiniMax H3 開源權重嗎？$20M 那條線是什麼意思？
可以，但有兩個條件。你必須在商業產品的 user interface 上醒目顯示「MiniMax H3」（Section IV.2）。而如果你的商業產品與服務年營收超過 $20 million，使用前需要先向 MiniMax 取得另行書面授權，可寄至 [email protected]（Section IV.1）。這個門檻看的是你的營收，不是你的 H3 使用量。
為什麼 MiniMax H3 授權排除美國與歐盟？我的選項是什麼？
根據 MiniMax 自己的 license Q&A，原因是影片生成所處的監管環境比文字變動更快，特別是 EU AI Act、演進中的英國與南韓規則，以及美國針對生成式影片的進行中版權訴訟。權重一旦公開，他們無法在 downstream 強制執行 safeguards，所以選擇縮小 grant 範圍，而不是延後發布。若你在 excluded region，選項是：透過 repository 裡的表單申請 separate license，或使用 hosted API；後者是不同法律關係，且仍全球可用。部署前請讓你的法律顧問確認哪一種適合你。
已於 August 3, 2026 驗證\。後續清單上有三件事：community GGUF 與 lower-bit quantizations（H3 目前都還沒有）、Excluded Territories list 是否有任何變更，以及 readme 仍記載的 hosted 768p tier 是否會回來。
