MiniMax: H3

MiniMax: H3 to model generowania wideo od MiniMax, wydany 2026-07-29. Dostawca opisuje go jako lekki model z otwartymi wagami, zbudowany do precyzyjnej edycji multimodalnej i kontrolowanego generowania treści. Jego główna kategoria to wideo, a jest skierowany do przepływów pracy, w których wynikiem jest wygenerowany lub edytowany klip wideo, a nie tekst czy nieruchomy obraz.

Model przyjmuje tekst, obraz, wideo i audio jako dane wejściowe, a jako jedyny tryb wyjściowy produkuje wideo. Generowanie jest kontrolowane przez kilka ustawień: rozdzielczości wyjściowe to 2K, a do wyboru są proporcje obrazu 21:9, 16:9, 4:3, 1:1, 3:4 i 9:16. Czasy trwania klipów wynoszą od 5 do 15 sekund w krokach co jedną sekundę. Możesz podać pierwszą klatkę, ostatnią klatkę lub obie, aby zakotwiczyć wynik, a generowanie audio jest obsługiwane. Dla tego modelu nie opublikowano długości kontekstu.

Te możliwości wskazują na dość konkretny zestaw zastosowań. Edycje kierowane instrukcjami pasują tu dobrze, ponieważ model przyjmuje istniejące wideo wraz z instrukcjami tekstowymi. Renderowanie tekstu i marki wewnątrz generowanego materiału to kolejna podana mocna strona, co pasuje do krótkich sekwencji promocyjnych lub tytułowych. Ponieważ przyjmuje jednocześnie dane wejściowe obrazu, wideo i audio, można go użyć do kontrolowanego generowania treści, gdy chcesz sterować wyglądem i tempem klipu, zamiast zostawiać wszystko promptowi. Opcje pierwszej i ostatniej klatki czynią go praktycznym do pracy w stylu interpolacji, wypełniając ruch między dwoma ustalonymi obrazami. Zakres proporcji obrazu obejmuje zarówno dostarczanie poziome, jak i pionowe, a czasy trwania od 5 do 15 sekund pasują do krótkich klipów. Generowanie audio oznacza, że pojedyncze wywołanie może zwrócić klip z dźwiękiem, zamiast wymagać osobnego kroku audio.

Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu "minimax/hailuo-3". Obsługiwane parametry żądania to max_tokens, temperature i top_p, więc zachowanie próbkowania jest kontrolowane w znany sposób. Zwróć uwagę, że maxOutput jest raportowany jako 0, więc nie polegaj na budżecie tokenów wyjściowych jako kontroli długości samego wideo; zamiast tego użyj ustawień czasu trwania i rozdzielczości.

Istnieje kilka przypadków, w których inny model może pasować lepiej. Jeśli twoim zadaniem jest generowanie tekstu, generowanie obrazu lub wyjście tylko audio, ten model tego nie obsłuży, ponieważ wideo jest jego jedynym wyjściem. Jeśli potrzebujesz opublikowanego okna kontekstu, aby rozumować o długich historiach promptów, ta wartość nie jest tu dostępna. A jeśli potrzebujesz klipów dłuższych niż 15 sekund lub rozdzielczości innych niż 2K, wymienione opcje tego nie obejmują.