所有 Atlas Cloud 链接的 UTM 基准： ?utm_source=blog&utm_medium=article&utm_campaign=minimax-h3-open-source-weights
MiniMax H3 开源权重：你不需要超级计算机。你可能需要律师。
凌晨 3 点的书桌，敞开的机箱，外接硬盘，显示器上显示着大型下载进度条
权重已发布。所以，在讨论其他内容之前，先回答 MiniMax 发布帖下回复最多的两个问题。
不，你不需要超级计算机。选对文件，下载量是 42.5 GB，而不是 123.6 GB。该模型有 33B 参数，其中大约 13B 位于 AdaLN 调制分支中，推理时甚至不需要加载。
然后我打开了 LICENSE 文件。第 10 行，在我看到 2000 万美元收入条款之前，是一个国家列表。我的国家在列表上。你的可能也在。
关键要点
- MiniMax H3 开源权重已在 Hugging Face 上发布，名称为
MiniMaxAI/MiniMax-H3，以及 ComfyUI 打包的镜像Comfy-Org/MiniMax-H3。ComfyUI 在同一天提供了原生支持。 - 这不是一个文件。有两个任务特定检查点：
fl2va（文本和图像驱动）和ref2va（参考驱动），最小格式各 21 GB。你只需下载你的任务所需的那一个。 - 33B 密集单流 Transformer。最小可工作组合为 42.5 GB，比全精度的 123.6 GB 减少了 66%。ComfyUI 表示 12 GB 显卡加卸载可以运行。
- 本地生成原生为短边 768px，而非 2K。2K 来自第二次上下文内重新生成过程。
- 商业使用免费，但必须在 UI 中显示“MiniMax H3”，并且年收入超过 2000 万美元需要单独书面授权。此外，许可的适用区域排除欧盟、英国、韩国和美国。托管 API 是另一种法律关系。
一个角色，两个检查点，凌晨 3 点。左侧是 fl2va 的功能，右侧是 ref2va 的功能。同一个人，同一个房间，同一个夜晚，两个完全不同的任务，你听到的风扇噪音与画面在同一次生成中产生。
左：图像到视频，fl2va 检查点的工作。右：参考到视频，ref2va 检查点的工作。两者均使用 MiniMax H3 原生立体声渲染。打开声音。
我让这个模型生成的第一件事是一个正在等待该模型下载完成的人。感觉挺对。
MiniMax H3 开源权重，权衡：两个检查点与 42.5 GB 下限
以下是该版本引起轰动的原因。Artificial Analysis 将 H3 评为视频编辑第一名，并在文本到视频和图像到视频中均位列前三，并表示发布权重“将使其成为迄今为止遥遥领先的领先开源权重模型”（Artificial Analysis，2026 年 7 月）。这是一个前沿级别的视频模型，带有下载按钮。
诚实的另一面：同一基准测试中，H3 在文本到视频方面落后于 Google 的 Gemini Omni Flash，在图像到视频方面落后于 Seedance 2.0 和 Gemini Omni Flash（南华早报，2026 年 7 月）。它在编辑方面排名第一，但并非在所有方面都排名第一。
现在来说几乎没人点击 git clone 之前检查的部分。
没有出现在任何头条中的参数数量。 模型卡将 H3-Omni-Transformer 描述为“一个 33B 参数的密集单流 Transformer，其中约 13B 参数位于 AdaLN 相关分支中”，并补充说，由于这些调制输出可以预计算和缓存，因此“这些参数无需为仅推理部署加载”。这就是修剪过的检查点的来源。当你只进行推理时，大约 40% 的模型变成了查找表。
大多数人在哪里白白浪费了 80 GB。 官方 MiniMaxAI/MiniMax-H3 仓库如果全部拉取，大小为 498 GB。ComfyUI 镜像为 343 GB。两者都包含两个检查点的所有精度变体。你需要四个文件，而不是四百个。
| 文件 | 大小 | 是什么 | 你需要它用于 |
|---|---|---|---|
| minimax_h3_fl2va_pruned_int8_convrot.safetensors | 20.97 GB | fl2va 检查点，修剪 + int8 | 文本到视频、图像到视频 |
| minimax_h3_fl2va_int8_convrot.safetensors | 34.04 GB | fl2va，int8，未修剪 | 相同，更高保真度 |
| minimax_h3_fl2va_bf16.safetensors | 66.28 GB | fl2va，全精度 | 微调、研究 |
| minimax_h3_ref2va_pruned_int8_convrot.safetensors | 20.97 GB | ref2va 检查点，修剪 + int8 | 仅参考到视频 |
| minimax_h3_ref2va_int8_convrot.safetensors | 34.04 GB | ref2va，int8，未修剪 | 相同，更高保真度 |
| minimax_h3_ref2va_bf16.safetensors | 66.28 GB | ref2va，全精度 | 微调、研究 |
| qwen3vl_32b_minimax_h3_nvfp4_awq.safetensors | 15.69 GB | 文本编码器，4 位 AWQ | 每个工作流 |
| qwen3vl_32b_minimax_h3_int8_convrot.safetensors | 27.14 GB | 文本编码器，int8 | 每个工作流 |
| qwen3vl_32b_minimax_h3_bf16.safetensors | 51.51 GB | 文本编码器，全精度 | 每个工作流 |
| minimax_h3_video_vae_fp16.safetensors | 5.21 GB | 视频 VAE | 每个工作流 |
| minimax_h3_audio_vae_fp32.safetensors | 0.61 GB | 音频 VAE | 每个工作流（这是声音） |
| 单个任务的最小工作集 | 42.5 GB | 修剪的 fl2va + nvfp4 编码器 + 两个 VAE | 实际下载量 |
| 两个检查点，最小 | 63.4 GB | 添加修剪的 ref2va | 如果你想要所有三种模式 |
| 单个任务，全 bf16 | 123.6 GB | bf16 一切 | 仅限研究机器 |
文件大小直接来自 Comfy-Org/MiniMax-H3 仓库索引，2026 年 8 月。
ComfyUI 自己对同一数字的表述：“总内存占用减少 66%，从全精度的 123.6 GB 降至 42.5 GB”，这“使得下一代 2K 视频模型能够在 RTX 3060 等 GPU 上本地运行”（ComfyUI，2026 年 8 月）。将 12 GB 数字视为他们带有动态卸载的声明，而不是基准测试。我没有在 3060 上运行过，卸载会用系统 RAM 和挂钟时间换取 VRAM。
“本地运行”悄然意味着的另一件事：768px。 根据 ComfyUI 的 H3 教程，H3 的原生画布是短边 768px，上限为 768x1344。时长以 24fps 的 17 帧每块网格对齐。营销材料中的 2K 片段来自 H3-Regenerate-2K，这是一个第二次过程，将 768p 结果加上原始上下文反馈回模型。模型卡明确指出整个系统由三个模块组成：H3-Context-IR、H3-Base 和 H3-Regenerate-2K。本地 ComfyUI 提供的是 H3-Base。
而“开源”这个词在这里承担着三个不同的角色。 可下载，是的。可商业使用，有条件。可在你居住的地方运行，这取决于你住在哪里。Reddit 帖子称其为“实际上是闭源模型”，在第一个点上错了，但在另外两个点上指出了一个真实情况。第 7 节包含条款文本。
本地 MiniMax H3 开源权重 vs 托管 API：选择你的路径
此线以下的所有内容，整个四步演示，都在 Atlas Cloud 的一个浏览器标签页中运行，该站点提供所有三个 H3 端点以及我用于基础帧的图像模型。这与运行权重不同，而且对于这个模型，这种差异比往常更重要。
| 本地权重 | 托管 API | |
|---|---|---|
| 前期成本 | 42.5 GB 下载，12 GB+ GPU，ComfyUI 安装 | API 密钥 |
| 首个片段的时间 | 乐观估计一个晚上 | 大约两分钟 |
| 每 5 秒片段的成本 | GPU 时间和电费 | 0.70 美元，按 0.14 美元/秒 |
| 原生分辨率 | 短边 768px，2K 通过重新生成过程 | 2K 直接，它是唯一的枚举值 |
| 微调、LoRA、改动 | 是的，这就是重点 | 否 |
| 数据永不离开你的网络 | 是 | 否 |
| 许可证风险 | 你接受社区许可证及其区域条款 | 你是托管服务的客户 |
| 如果你在欧盟、英国、韩国或美国 | 第 7 节 | 不受权重许可证影响 |
经验法则：每月大约低于 100 个片段，或者你需要直接输出 2K，或者你位于排除区域，托管在每个方面都胜出。高于此数量，或者你打算在检查点基础上进行训练，或者素材不能离开你的建筑，那么 42.5 GB 值得花一个晚上。
价格从实时模型页面验证，2026 年 8 月。所有 H3 端点按输出秒数计费，没有活跃折扣。
| 模型 | 在这里的作用 | 价格 | 折扣 |
|---|---|---|---|
| MiniMax H3 图像到视频 | 步骤 2，fl2va 任务 | 2K 分辨率下 0.14 美元/秒 | 无 |
| MiniMax H3 参考到视频 | 步骤 3，ref2va 任务 | 2K 分辨率下 0.14 美元/秒 | 无 |
| MiniMax H3 文本到视频 | 步骤 4，无参考基线 | 2K 分辨率下 0.14 美元/秒 | 无 |
| GPT Image 2 文本到图像 | 步骤 1，基础帧 | 列出 0.009 美元/图像；我使用的高质量 16:9 运行报价 0.1745 美元 | 无 |
| Seedance 2.0 / Wan 2.7 / Kling v3.0 Turbo | 每秒参考点 | 0.112 美元 / 0.10 美元 / 0.095 美元每秒 | Kling 15% 折扣 |
在开始编写代码之前，有一个不一致之处值得了解：H3 自述文件仍然记录了 768p 层级，价格为 0.10 美元/秒，时长 5 或 10 秒。实时架构与此不同。resolution 只有一个允许的值 2K，duration 接受从 5 到 15 的任何整数。请根据架构编写。这个差距有一个巧妙的对称性：768p 层级在托管端已关闭，而 768p 正是你自己运行权重时获得的原生画布。
第 1 步：使用 GPT Image 2 生成基础帧
本演示中的所有内容都从一张静态图像开始。这个场景故意很直白：一个开发者在凌晨 3 点看着 21 GB 的检查点下载。
模型：openai/gpt-image-2/text-to-image。设置：质量 high，比例 16:9。
plaintext1一张照片级真实感的广角镜头，凌晨 3 点的杂乱家庭办公室，仅由两台显示器和一个书桌上敞开的机箱的 RGB 灯光照亮。一个疲惫的开发者穿着灰色连帽衫，懒散地坐在网眼椅上，手托着下巴，盯着左边的显示器。左边的显示器显示着一个深色终端，单一下载进度条大约在 78%。右边的显示器显示着一个文件浏览器。书桌上放着一杯冷了一半的咖啡、一个机械键盘和一个小台扇。雨痕划过他身后的窗户。浅景深，35mm，温暖的显示器主光与冷蓝色窗户光形成对比，可见传感器颗粒。没有文字叠加，没有水印。
不要要求图像模型渲染实际的 safetensors 文件名。长带下划线的字符串会变成一团糟。将文件名保留在你的描述中。
Atlas Cloud 上的 GPT Image 2 工作台，输入了凌晨 3 点的提示词，输出面板中显示了完成的基础帧
Atlas Cloud 上的 GPT Image 2：质量高，16:9，右侧渲染了基础帧。高质量层级此次运行报价 0.1745 美元，远高于 0.009 美元的列表底线，因此按层级预算。
生成的基础帧：凌晨 3 点疲惫的开发者看着左显示器上的下载条
第 1 步输出。此单帧馈入步骤 2 和 3。
第 2 步：图像到视频，fl2va 检查点的工作
这是对应于 minimax_h3_fl2va_pruned_int8_convrot.safetensors 的端点。输入一帧，输出运动和声音。在本地，这是你要加载的文件；在托管模式下，这是一个 API 调用。
模型：minimax/h3/image-to-video。设置：image = 第 1 步帧作为数据 URL 传递，resolution: 2K，duration: 5，ratio: 16:9。
plaintext1开发者保持不动，只有呼吸和眨眼，眼睛盯着左边的显示器。左边显示器上的进度条缓慢前进。机箱风扇加速转动，其 RGB 灯光脉冲变亮。结束前片刻，他呼出一口气，肩膀放松下来。固定机位，无镜头移动，无变焦，无剪切。音频：低沉的机箱风扇噪音，音调升高，窗外微弱的雨声，接近结束时一声轻柔的两音完成提示音。
将图像作为 base64 数据 URL 传递，而不是新生成的存储 URL。全新的对象 URL 可能无法通过上游下载检查。另外请注意，H3 实际上遵循“固定机位”的要求，这在该类视频模型中并非普遍成立。
Atlas Cloud 上的 MiniMax H3 图像到视频工作台，已加载基础帧，输出面板中有完成的 2K 片段
MiniMax H3 图像到视频：已加载基础帧，2K，运行完成。此截图使用了端点默认的 8 秒时长，因此报价为 1.12 美元。我嵌入的下面是 5 秒版本，价格为 0.70 美元。
fl2va 任务：输入一帧，输出五秒运动加上立体声风扇噪音。
第 3 步：参考到视频，ref2va 检查点的工作
不同的检查点，不同的文件，不同的任务。ref2va 不会扩展第一帧。它接受参考材料并构建一个新的镜头，保持身份和对象的一致性。这就是为什么仓库提供两个 21 GB 文件而不是一个的原因。
我给了它两个参考：第 1 步帧用于人物和房间，以及一张显卡的微距照片用于硬件。
模型：minimax/h3/reference-to-video。设置：refers = 两张图像，resolution: 2K，duration: 8，ratio: 16:9。
plaintext1同一个人，同一件灰色连帽衫，同一张脸，在同一个黑暗的家庭办公室。新镜头：从侧面中近景，他向后靠在椅子上，长长地呼出一口气，嘴角微微上扬。第二张参考图像中的显卡在他肩膀上方可见，风扇正在减速，RGB 灯光稳定成一种颜色。保持其身份、连帽衫、头发和房间的灯光与参考图像一致。固定机位。音频：风扇噪音逐渐减弱，一次键盘按键声，雨声继续。
refers 接受图像、视频和音频的混合数组，至少一张图像或视频。仅音频会被拒绝。此端点也接受最长 15 秒的时长。
此端点的一个陷阱：明确设置 ratio。保留为 adaptive 时会返回 400 invalid params, ratio is required for t2va (text-only) and cannot be 'adaptive'，连续四次，包括在明确附加了两个参考的工作台中也是如此。在 API 调用中使用 ratio: "16:9" 后，第一次就成功了。这也是为什么下面的截图是参考图像而不是工作台截图：我无法将工作台的长宽比控制从 adaptive 切换掉，所以你看到的片段来自 API，使用了上述设置，而不是工作台运行。
第二张参考图像：夜间敞开机箱内三风扇显卡的微距照片
参考图像 2，与基础帧在同一批次中生成，与第 1 步帧一起传递。
ref2va 任务：一个全新的镜头，而不是延续。同一个人，同一件连帽衫，同一个房间，来自参考 2 的显卡现在出现在画面中，风扇正在减速。注意它松散地解释了“中近景”，保持得相当宽。
第 4 步：文本到视频，MiniMax H3 开源权重基线
相同的场景，用文字描述，没有参考。此步骤旨在向你展示两个检查点实际上用于什么。
模型：minimax/h3/text-to-video。设置：ratio 在此处是必需的，不能是 adaptive，因此 16:9。resolution: 2K，duration: 5。
plaintext1凌晨 3 点，一个疲惫的开发者穿着灰色连帽衫在杂乱的家庭办公室，由两台显示器和敞开的机箱的 RGB 灯光照亮，看着下载进度条在左屏幕上缓慢移动。雨后窗外的窗户。固定机位 35mm 镜头，浅景深，温暖显示器光与冷窗户光形成对比，胶片颗粒。音频：上升的机箱风扇噪音，微弱的雨声，结束时轻柔的完成提示音。
Atlas Cloud 上的 MiniMax H3 文本到视频工作台，输入了提示词，输出面板中显示了完成的片段
MiniMax H3 文本到视频：无参考材料，2K，长宽比设置为 16:9，因为此处拒绝 adaptive，运行完成。相同的提示词，但已经与第 2 步中的人脸不同。
相同的文字，不同的人。不错的房间，错误的人。这个差距正是 fl2va 和 ref2va 作为单独检查点存在的全部理由。
如果你脚本化所有三个，一个操作注意事项：上游并发大约为一个任务。重叠的作业会返回 429 rate limit exceeded (task concurrency)。请串行运行它们。一个 5 秒的 2K 片段每次大约需要两分钟。
MiniMax H3 开源权重需要多少成本，以及许可证实际说了什么
成本问题有两种货币。托管模式下，一个 5 秒的 2K 片段是 0.70 美元，一个 15 秒的是 2.10 美元，按秒计费，没有层级，没有折扣。本地模式下，货币是吉字节和小时：42.5 GB 下载，一张能容纳它的显卡，以及 768p 画布，除非你也运行重新生成过程。每月数百个片段以上，计算方式会翻转。低于此数量，基本不需要关心。
然后是第三种货币，即法律审查时间。我阅读了整个 LICENSE。以下是内容。
台灯照亮了显示密集文本文档的笔记本电脑，旁边是重点打印件、老花镜和一杯水
开源权重发布中没有人会在发布帖中截图的部分。
| 条款 | 章节 | 内容 | 对你意味着什么 |
|---|---|---|---|
| 适用区域 | I.3, I.5 | 全球范围，“排除区域除外”，定义为“欧盟、英国、大韩民国和美利坚合众国” | 社区许可证不授予你权利，而本文大多数读者居住在这些区域 |
| 区域使用禁令 | V.4 | 你不得“在适用区域之外使用、复制、修改、分发或展示 MiniMax H3 作品或其任何输出或结果” | 它影响到输出，而不仅仅是权重 |
| 单独许可渠道 | II | MiniMax 将“持续评估适用法律”，并邀请排除区域的各方联系他们获取许可 | 是“尚未”，而不是“永不”。仓库中附带申请表 |
| 署名 | IV.2 | 在任何使用它的商业产品中，你“必须在用户界面上显著显示‘MiniMax H3’” | UI 更改，而非脚注 |
| 收入门槛 | IV.1 | 年收入超过 2000 万美元，你需要从 [email protected] 获得事先书面授权 | 免费商业使用有上限 |
| 禁止模型清洗 | V.3 | 你不得使用 H3 或其输出“改进任何其他人工智能模型” | 排除蒸馏到你自己的模型 |
| 再分发 | III.1, III.4 | 随附协议，包含 NOTICE 文件，标记修改过的文件 | 标准，但也会约束下游用户 |
| 文本编码器 | 附加说明 | 编码器是 Qwen3-VL-32B，基于 Apache 2.0 | 堆栈中有一个组件是真正 OSI 开放的 |
| 管辖法律 | IX | 香港特别行政区法律，香港专属管辖权 | 值得在你的风险登记册中记一笔 |
协议生效日期为 2026 年 8 月 2 日（Hugging Face，2026 年 8 月）。
大多数发布报道以“开源权重”开头，然后就此打住。值得称赞的是，MiniMax 并没有隐藏它：仓库附带了自己的 docs/QA-about-License.md，解释视频模型面临的监管环境比文本模型更快变化，提到了欧盟 AI 法案、英国和韩国的规则，以及正在进行的美国关于生成式视频的版权诉讼，并明确说明“目前的限制意味着‘尚未’，而不是‘永不’”。同一份文件确认了操作上重要的划分：API 保持全球可用，因为 MiniMax 控制服务基础设施，而开源权重则放弃了这种控制。
所以，如果你在旧金山、柏林、伦敦或首尔，实际的解读不是“你永远不能碰 H3”。而是“这个特定的许可证不是让你在自己机器上运行这些权重的工具”。申请单独的许可证，或者使用托管端点，在那里你是服务的客户，而不是权重的被许可人。
我不是律师，这不是法律建议。上述条款文本已引用，你的实际法律顾问可以在大约十分钟内阅读原文。
MiniMax H3 开源权重：常见问题解答
MiniMax H3 开源权重真的发布了吗？我在哪里下载？
是的，截至 2026 年 8 月初。两个地方。MiniMaxAI/MiniMax-H3 是官方仓库，大约 498 GB，包含 diffusers 格式的管道、两个 transformer、文本编码器、两个 VAE、文档和可重现脚本。Comfy-Org/MiniMax-H3 是打包的 ComfyUI 构建，总共约 343 GB，包含大多数人实际想要的量化单文件检查点。如果你正在运行 ComfyUI，请使用第二个并下载四个文件。
MiniMax H3 有多少参数？我需要超级计算机吗？
33B，密集单流 Transformer。其中大约 13B 位于 AdaLN 相关分支中，其输出可以预计算和缓存，因此仅推理部署无需加载它们。这就是“修剪”检查点所指的内容。不需要超级计算机。42.5 GB 下载和一块严肃的消费级 GPU。
我能在 12 GB 或 16 GB 的 VRAM 上运行 MiniMax H3 开源权重吗？
ComfyUI 团队表示，使用修剪过的 int8 fl2va 检查点加上 nvfp4 AWQ 文本编码器，12 GB 显卡可以通过动态卸载运行。这是他们的声明，不是我运行的基准测试。两个注意事项：卸载用系统 RAM 换取 VRAM，因此请预算 64 GB RAM 并预期较长的渲染时间，并且你的本地画布是短边 768px，而不是 2K。
MiniMax H3 开源权重真的是开源的吗？还是仅仅是开源权重？
精确地说，是开源权重。权重可下载且可修改，这比一年前任何前沿视频模型提供的都要多。但许可证未经 OSI 批准，训练配方和数据未发布，商业使用带有署名和收入条件，并且区域条款限制了授权的适用范围。唯一真正开源的部分是 Qwen3-VL-32B 编码器，基于 Apache 2.0。三个不同的层面，“开源”仅清晰地描述了第一个。
我可以商业使用 MiniMax H3 开源权重吗？2000 万美元的线是什么意思？
可以，有两个条件。你必须在商业产品的用户界面上显著显示“MiniMax H3”（第 IV.2 节）。如果你的商业产品和服务年收入超过 2000 万美元，你需要在使用前获得 MiniMax 的单独事先书面授权，请求发送至 [email protected]（第 IV.1 节）。门槛是你的收入，而不是你的 H3 使用量。
为什么 MiniMax H3 许可证排除美国和欧盟？我的选择是什么？
根据 MiniMax 自己的许可证问答，因为视频生成处于比文本更快的监管环境中，特别是欧盟 AI 法案、不断发展的英国和韩国规则，以及正在进行的美国关于生成式视频的版权诉讼。一旦权重公开，他们无法在下游执行保障措施，因此他们限制了授权范围，而不是推迟发布。在排除区域的选择：通过仓库中的表格申请单独许可证，或者使用托管 API，这是一种不同的法律关系，并保持全球可用。让你的法律顾问确认哪一种适合你，然后再部署。
2026 年 8 月 3 日验证。后续清单上的三件事：社区 GGUF 和更低比特量化（H3 尚不存在）、排除区域列表的任何变化，以及自述文件中仍然记录的托管 768p 层级是否还会回来。
