分类导航4
Minimax H3
MiniMax 于 2026年8月3日 正式开源的通用视频模型，开源版本支持 4-15s 768P 音视频生成。提供 FL2VA（文本/首尾帧生成）和 Ref2VA（全模态参考生成）两种变体。完整的 H3 系统由 H3-Context-IR（多阶段工作流，未开源）、H3-Base（核心，开源）、H3-Regenerate-2K（生成 2K 分辨率，尚未开源，后续可能会）组成。其核心 H3-Omni-Transformer 采用 33B 参数的稠密单流 Transformer 架构。借助社区量化模型和加速 LoRA，可进一步降低消费级显卡的本地部署门槛。
介绍
1 项内容H3 提示词写作技巧
4 项内容基础知识
MiniMax H3 提示词基础知识，包括 T2VA、I2VA、FL2VA、L2VA 和 Full-Reference 任务模式、提示词字段结构以及多模态描述的基本写作原则。
- H3-Base-FL2VA 对应 Base Model 的 4 种模式： T2VA、I2VA、FL2VA、L2VA，H3-Base-Ref2VA 对应 Full-Reference Mode 全参考模式；
- 提示词需要使用英文，对话、歌词、场景可见文字等保留原始语言；
- 优先使用具体的视觉和音频细节进行描述，避免使用“cinematic（电影感）”或“beautiful（唯美）”等抽象词汇。
SKILL.md
MiniMax H3 官方 SKILL.md 的中英文对照翻译，调整了部分格式，便于阅读和理解，Agent 实际使用时以原文为准。
- 整个 skills 有3个文件，SKILL.md、base-en.txt、ref-en.txt；
- 视频生成长度为 4-15秒；
- 可移植到任何能够读取本地文件的 Agent，无需调用外部 API、MiniMax Hub 工具或专有运行时；
base-en.txt
MiniMax H3 官方提供，适用于 Base Model 类型任务的规范 base-en.txt， 包含中文对照翻译，调整了部分格式，便于阅读和理解，Agent 实际使用时以原文为准。
- Base Model 模式有 4 种任务类型；
- 有3个核心字段，分别是：整体内容描述、环境声景、背景音乐；
- 镜头运动有3个维度：运动类型 + 幅度 + 速度；
ref-en.txt
MiniMax H3 官方提供，适用于 Full-Reference 全参考模式任务的规范 ref-en.txt，包含中文对照翻译，调整了部分格式，便于阅读和理解，Agent 实际使用时以原文为准。
- 全参考改写由六个部分组成，顺序为：主体定义、概述、保留分析、详细描述、整体声景、非画面内音乐；
- 四种参考标签：<Subject N> 是可复用可见内容，<Picture N> 是帧锚点，<Video N> 是视频结构来源，<Audio N> 是音频信号；
- 仅存在于直接复用 BGM 或完整音轨中的语言用 <Audio N>，由具体人物、角色或旁白实际发出的声音用 (Sx)；
部署
2 项内容AutoDL 4090D 通过 ComfyUI 部署 MiniMax H3
在 AutoDL RTX 4090D 上通过 ComfyUI 部署 MiniMax H3，跑通 T2V、I2V、R2V 三个基础工作流，并说明 FL2VA/Ref2VA 模型关系、Comfy-Org 剪枝量化权重与部署步骤。
- T2V、I2V 共用 H3-Base-FL2VA，R2V 使用 H3-Base-Ref2VA；ComfyUI 实际加载的是 AdaLN Pruned + INT8 量化权重，不是官方完整 BF16；
- Video VAE、Audio VAE 和 Text Encoder 可共用，全部模型约 69.4GB，统一放在数据盘 /root/autodl-tmp；
- 无 GPU 需求时用无卡模式下载；优先 ModelScope，pip 安装依赖时需取消学术加速；
推理成本估算
通过 API 调用成本与 GPU 推理时间，快速估算 AI 模型的单次推理成本，并比较 API 与独立部署的成本差异。
- GPU 成本公式：每小时单价 * 推理时间 / 60；
- API 成本由调用量与计费单价决定；独立部署则可以根据 GPU 单价与实际推理时间快速估算单次任务成本；
- 对于文生图、文生视频等生成式 AI 模型，除了单次生成成本，还应关注生成一个合格产物所需的平均尝试次数；