开源第一天 16 家芯片平台排队适配H3 的朋友圈有多夸张【免费下载链接】MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力能够出色地执行复杂的多模态指令。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-H3开源模型发布后最热闹的时刻往往不在发布会现场而在生态接入的名单里。2026 年 8 月MiniMax 正式开源 H3——一个参数规模达 33B 的全模态生成系统能统一理解文本、图像、视频与音频并输出带原生立体声的 2K 视频。按 36Kr 当天的报道口径H3 开源首日即获得16 家芯片与平台的适配。这个数字在视频生成模型领域几乎是史无前例的它意味着从云端推理框架、芯片厂商到社区工具链都在同一天完成了对 H3 的接入。本文不打算复述发布会通稿而是尝试回答一个问题这 16 家朋友圈究竟由什么构成H3 又凭什么让生态在同一天集体排队适配一、首日适配名单的结构不只是数量更是生态分层16 家这个数字之所以值得拆解是因为它不是一个平面列表而是云厂商、芯片厂与推理框架三类角色的立体组合。先把仓库里可以验证的部分摆出来。在 README.md 的部署章节MiniMax 官方直接推荐了四套推理框架作为 H3 的一等公民SGLang、vLLM、diffusers 与 ComfyUI。这四者代表了适配生态的四种典型路径——SGLang 与 vLLM通用推理引擎意味着 H3 可以像大语言模型一样被标准化服务化部署而不是只能跑在专用代码里diffusersHugging Face 生态的扩散模型标准库H3 被完整实现为MiniMaxH3ModularPipeline开发者用ModularPipeline.from_pretrained(...)一行代码即可拉起全流程ComfyUI社区最活跃的节点式工作流工具官方直接提供了 T2V 与 R2V 两套开箱即用的工作流模板。这四套框架只是16 家的冰山一角。从社区情报中可以拼出更多层昇腾 Ascend 910 NPU 上出现了minimax-h3-int8开源项目把 H3 的 5 个组件全部搬上 NPU消费级 GPU 侧16GB 显存的 RTX 4070 Ti Super 已经能通过 INT4/INT8/NVFP4 量化跑起 2K 带声视频fal 平台把 H3 封装成了托管 APIH3 Max提供自动扩缩容与高可用推理Apple Silicon 用户则通过 MPS 路径在 Mac 上本地部署。云厂商的托管服务、芯片厂商的算力适配、推理框架的官方支持——三个生态位在首日全部到齐这才是16 家真正的含金量。二、排队适配不是运气H3 的开放策略是一次精密的工程布局生态愿意在首日排队前提是官方把被适配的门槛降到了足够低。H3 的工程动作可以归结为四个可验证的细节。第一组件级模块化分发。打开 modular_model_index.json 可以看到H3 不是一个大而不可拆的权重包而是被拆成了text_encoder、vae、audio_vae、transformer、transformer_ref、scheduler、audio_scheduler七个独立组件每个组件都有标准的 diffusers class 声明。其中文本编码器直接复用了 Qwen3-VL-32B 的完整预训练权重VAE 则拆分为视频 VAEFL2VA/video_vae/config.json24 通道 latent、tile size 256与音频 VAEaudio_vae/config.json左右声道独立编解码。这意味着云厂商可以只拉取自己需要的组件推理框架可以按需加载连 53GB 的完整权重都能按组件拆分部署——量化项目能实现文本编码器 扩散主干双卡 NPU 拆分靠的就是这种颗粒度。第二双任务检查点设计。H3 被拆成 FL2VA 与 Ref2VA 两个任务家族前者覆盖文生视频、首尾帧生视频FL2VA/model_index.json后者支持最多 9 张图、3 段视频与 3 段音频的全模态参考输入。任务域分离让推理框架可以针对不同输入模态做针对性优化而不是被迫为万能输入实现一个巨无霸引擎。第三可复现脚本先行。仓库的 scripts/readme/ 目录下躺着十余个可复现脚本T2VA/FL2VA/Ref2VA 的 768p 请求、2K 全流程Context-IR → Base → Regenerate-2K的每一段独立成脚本甚至还有直接调用开放平台 API 的 2K 参考结果脚本。生态伙伴不需要猜测官方工作流长什么样——每个 stage 的请求格式、返回结构包括 Context-IR 输出的结构化 prompt JSON都是公开可复现的。这在视频生成模型的适配史上并不常见。第四开放的许可与透明的边界。docs/QA-about-License.md 里有一段值得玩味的话The current limitation means not yet, not not ever.当前的限制是尚未而非永不。MiniMax 在开放权重暂限部分地区的背景下选择先发布、再逐步评估扩展同时对未开源部分Context-IR 托管系统、2K 再生成模块、稀疏注意力实现明确公告了 API 与后续发布计划。这种哪些能拿、哪些要等、用什么方式等的透明披露本质上是在降低生态伙伴的决策风险——适配方不必担心投入之后出现黑箱变更。三、适配速度的含金量从 200 秒到 76 秒背后的硬功夫排队适配如果只是发布当天发几条兼容声明含金量有限。真正能说明问题的是首日之后社区交出的优化成果——这些动作的前提是 H3 本身的架构复杂度被生态真正吃透了。先看 H3 的规模。打开 transformer/config.json50 层 Transformer、hidden size 5376、56 个注意力头、FFN 维度 14336——这是一个约 33B 参数的稠密单流 Transformer且约 13B 参数集中在 AdaLN 分支。AdaLN 调制输出可以被预计算缓存推理部署时无需加载这 13B 参数这是官方为推理友好埋下的设计。与此同时H3 采用三维多模态 RoPEMM-RoPE表示时空位置关系视频 token 有效空间下采样 32 倍、时间下采样 4 倍见 README.md 的 H3-VAE 章节。这套架构在全模态生成里相当重但架构图已经把设计逻辑摊开——assets/full-arch.png 展示了 H3-Base 从多模态编码、packed sequence 到 Omni-Transformer 联合预测音视频 latent 的完整链路。社区在首日之后交出的成绩单是实打实的昇腾 NPU 方向的minimax-h3-int8项目通过 INT8 量化 双卡拆分把端到端推理耗时从 200 秒压到 76 秒实现 53GB 权重完整加载并产出带音轨视频消费级市场端INT4/INT8/NVFP4 多版本量化让 16GB 显存显卡也能跑通 2K 工作流480P 生成被压到 5–10 分钟量级。这些优化之所以能快速落地正是因为官方把模型、工作流、复现脚本全部铺开——生态的第一波适配是官方姿态第二波优化才是生态真实力的验证。四、横向看16 家首日适配在视频模型领域意味着什么把16 家首日适配放到同期开源模型的坐标系里看才能真正读出它的分量。视频生成模型的适配难度和文本模型不在一个量级。一个全模态生成系统要跑起来推理框架需要同时实现多模态文本编码Qwen3-VL-32B 级别的视觉语言模型只是 H3 的一个编码器、视频 VAE 与音频 VAE 两套编解码、diffusion transformer 的音视频联合预测、双调度器视频与音频各一个 scheduler见 modular_model_index.json——任何一个环节缺失模型都跑不出完整结果。对比之下文本大模型的首日适配只需解决一个自回归解码器加 KV Cache门槛低得多。因此16 家在 H3 身上的意义远大于它在文本模型身上的意义它意味着整个视频生成技术栈的各个层级——芯片指令集、量化工具链、推理引擎、工作流平台——都在同一天接受了一个全模态系统的存在。另一个值得注意的信号是角色组成。翻看首日适配的公开信息与后续社区动态名单里既有通用云平台的托管服务fal 等也有芯片厂商的 NPU 移植昇腾方向更有 ComfyUI 这类社区基础设施的官方模板支持。当托管平台、芯片厂商和社区工具链在同一天为一个视频模型站台时说明市场已经把它当作长期基础设施而非短期热点来押注——这恰恰是 33B 全模态系统最难获得的东西生态信心。回到标题的问题16 家首日适配有多夸张答案藏在适配的深度里。名单的规模反映了 MiniMax 开源策略的成熟度——模块化分发、双任务检查点、可复现脚本、透明许可每一项都在降低生态的接入成本名单的构成则反映了行业对全模态生成赛道的判断——视频生成正在从跑通 demo走向生产级基础设施而 H3 恰好站在了这个转折点上。首日适配是起点接下来真正值得观察的是这 16 家之后还会有多少家带着优化后的推理速度、量化精度和部署方案走进来——就像昇腾社区把 200 秒变成 76 秒那样。【免费下载链接】MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力能够出色地执行复杂的多模态指令。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-H3创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
开源第一天 16 家芯片平台排队适配H3 的朋友圈有多夸张【免费下载链接】MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力能够出色地执行复杂的多模态指令。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-H3开源模型发布后最热闹的时刻往往不在发布会现场而在生态接入的名单里。2026 年 8 月MiniMax 正式开源 H3——一个参数规模达 33B 的全模态生成系统能统一理解文本、图像、视频与音频并输出带原生立体声的 2K 视频。按 36Kr 当天的报道口径H3 开源首日即获得16 家芯片与平台的适配。这个数字在视频生成模型领域几乎是史无前例的它意味着从云端推理框架、芯片厂商到社区工具链都在同一天完成了对 H3 的接入。本文不打算复述发布会通稿而是尝试回答一个问题这 16 家朋友圈究竟由什么构成H3 又凭什么让生态在同一天集体排队适配一、首日适配名单的结构不只是数量更是生态分层16 家这个数字之所以值得拆解是因为它不是一个平面列表而是云厂商、芯片厂与推理框架三类角色的立体组合。先把仓库里可以验证的部分摆出来。在 README.md 的部署章节MiniMax 官方直接推荐了四套推理框架作为 H3 的一等公民SGLang、vLLM、diffusers 与 ComfyUI。这四者代表了适配生态的四种典型路径——SGLang 与 vLLM通用推理引擎意味着 H3 可以像大语言模型一样被标准化服务化部署而不是只能跑在专用代码里diffusersHugging Face 生态的扩散模型标准库H3 被完整实现为MiniMaxH3ModularPipeline开发者用ModularPipeline.from_pretrained(...)一行代码即可拉起全流程ComfyUI社区最活跃的节点式工作流工具官方直接提供了 T2V 与 R2V 两套开箱即用的工作流模板。这四套框架只是16 家的冰山一角。从社区情报中可以拼出更多层昇腾 Ascend 910 NPU 上出现了minimax-h3-int8开源项目把 H3 的 5 个组件全部搬上 NPU消费级 GPU 侧16GB 显存的 RTX 4070 Ti Super 已经能通过 INT4/INT8/NVFP4 量化跑起 2K 带声视频fal 平台把 H3 封装成了托管 APIH3 Max提供自动扩缩容与高可用推理Apple Silicon 用户则通过 MPS 路径在 Mac 上本地部署。云厂商的托管服务、芯片厂商的算力适配、推理框架的官方支持——三个生态位在首日全部到齐这才是16 家真正的含金量。二、排队适配不是运气H3 的开放策略是一次精密的工程布局生态愿意在首日排队前提是官方把被适配的门槛降到了足够低。H3 的工程动作可以归结为四个可验证的细节。第一组件级模块化分发。打开 modular_model_index.json 可以看到H3 不是一个大而不可拆的权重包而是被拆成了text_encoder、vae、audio_vae、transformer、transformer_ref、scheduler、audio_scheduler七个独立组件每个组件都有标准的 diffusers class 声明。其中文本编码器直接复用了 Qwen3-VL-32B 的完整预训练权重VAE 则拆分为视频 VAEFL2VA/video_vae/config.json24 通道 latent、tile size 256与音频 VAEaudio_vae/config.json左右声道独立编解码。这意味着云厂商可以只拉取自己需要的组件推理框架可以按需加载连 53GB 的完整权重都能按组件拆分部署——量化项目能实现文本编码器 扩散主干双卡 NPU 拆分靠的就是这种颗粒度。第二双任务检查点设计。H3 被拆成 FL2VA 与 Ref2VA 两个任务家族前者覆盖文生视频、首尾帧生视频FL2VA/model_index.json后者支持最多 9 张图、3 段视频与 3 段音频的全模态参考输入。任务域分离让推理框架可以针对不同输入模态做针对性优化而不是被迫为万能输入实现一个巨无霸引擎。第三可复现脚本先行。仓库的 scripts/readme/ 目录下躺着十余个可复现脚本T2VA/FL2VA/Ref2VA 的 768p 请求、2K 全流程Context-IR → Base → Regenerate-2K的每一段独立成脚本甚至还有直接调用开放平台 API 的 2K 参考结果脚本。生态伙伴不需要猜测官方工作流长什么样——每个 stage 的请求格式、返回结构包括 Context-IR 输出的结构化 prompt JSON都是公开可复现的。这在视频生成模型的适配史上并不常见。第四开放的许可与透明的边界。docs/QA-about-License.md 里有一段值得玩味的话The current limitation means not yet, not not ever.当前的限制是尚未而非永不。MiniMax 在开放权重暂限部分地区的背景下选择先发布、再逐步评估扩展同时对未开源部分Context-IR 托管系统、2K 再生成模块、稀疏注意力实现明确公告了 API 与后续发布计划。这种哪些能拿、哪些要等、用什么方式等的透明披露本质上是在降低生态伙伴的决策风险——适配方不必担心投入之后出现黑箱变更。三、适配速度的含金量从 200 秒到 76 秒背后的硬功夫排队适配如果只是发布当天发几条兼容声明含金量有限。真正能说明问题的是首日之后社区交出的优化成果——这些动作的前提是 H3 本身的架构复杂度被生态真正吃透了。先看 H3 的规模。打开 transformer/config.json50 层 Transformer、hidden size 5376、56 个注意力头、FFN 维度 14336——这是一个约 33B 参数的稠密单流 Transformer且约 13B 参数集中在 AdaLN 分支。AdaLN 调制输出可以被预计算缓存推理部署时无需加载这 13B 参数这是官方为推理友好埋下的设计。与此同时H3 采用三维多模态 RoPEMM-RoPE表示时空位置关系视频 token 有效空间下采样 32 倍、时间下采样 4 倍见 README.md 的 H3-VAE 章节。这套架构在全模态生成里相当重但架构图已经把设计逻辑摊开——assets/full-arch.png 展示了 H3-Base 从多模态编码、packed sequence 到 Omni-Transformer 联合预测音视频 latent 的完整链路。社区在首日之后交出的成绩单是实打实的昇腾 NPU 方向的minimax-h3-int8项目通过 INT8 量化 双卡拆分把端到端推理耗时从 200 秒压到 76 秒实现 53GB 权重完整加载并产出带音轨视频消费级市场端INT4/INT8/NVFP4 多版本量化让 16GB 显存显卡也能跑通 2K 工作流480P 生成被压到 5–10 分钟量级。这些优化之所以能快速落地正是因为官方把模型、工作流、复现脚本全部铺开——生态的第一波适配是官方姿态第二波优化才是生态真实力的验证。四、横向看16 家首日适配在视频模型领域意味着什么把16 家首日适配放到同期开源模型的坐标系里看才能真正读出它的分量。视频生成模型的适配难度和文本模型不在一个量级。一个全模态生成系统要跑起来推理框架需要同时实现多模态文本编码Qwen3-VL-32B 级别的视觉语言模型只是 H3 的一个编码器、视频 VAE 与音频 VAE 两套编解码、diffusion transformer 的音视频联合预测、双调度器视频与音频各一个 scheduler见 modular_model_index.json——任何一个环节缺失模型都跑不出完整结果。对比之下文本大模型的首日适配只需解决一个自回归解码器加 KV Cache门槛低得多。因此16 家在 H3 身上的意义远大于它在文本模型身上的意义它意味着整个视频生成技术栈的各个层级——芯片指令集、量化工具链、推理引擎、工作流平台——都在同一天接受了一个全模态系统的存在。另一个值得注意的信号是角色组成。翻看首日适配的公开信息与后续社区动态名单里既有通用云平台的托管服务fal 等也有芯片厂商的 NPU 移植昇腾方向更有 ComfyUI 这类社区基础设施的官方模板支持。当托管平台、芯片厂商和社区工具链在同一天为一个视频模型站台时说明市场已经把它当作长期基础设施而非短期热点来押注——这恰恰是 33B 全模态系统最难获得的东西生态信心。回到标题的问题16 家首日适配有多夸张答案藏在适配的深度里。名单的规模反映了 MiniMax 开源策略的成熟度——模块化分发、双任务检查点、可复现脚本、透明许可每一项都在降低生态的接入成本名单的构成则反映了行业对全模态生成赛道的判断——视频生成正在从跑通 demo走向生产级基础设施而 H3 恰好站在了这个转折点上。首日适配是起点接下来真正值得观察的是这 16 家之后还会有多少家带着优化后的推理速度、量化精度和部署方案走进来——就像昇腾社区把 200 秒变成 76 秒那样。【免费下载链接】MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力能够出色地执行复杂的多模态指令。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-H3创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
