MiniMax 的模型与产品动态：M 系列大模型、语音与多模态能力、开源与商业化进展。
fal 的 H3 Max Live 在生成 5 秒短片时，推理时间压到了 2.53 秒，比视频本身播完还快，观众在聊天框发句话就能改画面。但 15 秒片段仍需 16 秒生成，跨片段的人物和场景一致性也没解决。按 768p 算，一条视频流连续跑一小时成本在 144 到 288 美元，需要 1,400 到 2,900 人同时在线才能打平。这笔账决定了业务形...
推荐理由：这篇把 fal 的实时视频生成拆成了两笔账：速度账和成本账。5 秒短片确实比播放还快，但 15 秒就慢了，跨片段一致性也没解决，这点先别太激动。一小时视频流要 144 到 288 美元，得 1400 到 2900 人同时在线才回本——这个盈亏线是全文最硬的信息，直接决定业务能不能跑。正文没提人物和场景一致性具体怎么修，也没给更高分辨率的成本，但现有数字已经够从业者做初步测算。
Fal 拿了 Minimax 上个月发布的 H3 视频模型，先做了一轮后续训练来压成本和提画质，再放到自家推理引擎上跑，速度是官方接口的 35 倍。结果就是 H3 Max Live：你还没看完一段视频，下一段已经生成好了。Ethan Mollick 最先注意到这个节点，Fal 的员工接着把它做成了一个无限循环的 Twitch 直播，Pieter Lev...
推荐理由：Fal 把 Minimax H3 的速度拉到官方接口的 35 倍，让视频生成比播放还快，这确实是个工程里程碑。没给更高分是因为目前只有 Fal 自己的数据和一场 Twitch 直播，没有第三方复现或更广的画质对比，我会先打个折。
Modular 在 ModCon 2026 上宣布了几件事。Mojo 1.0 编程语言完全开源了，用 Apache 2.0 协议，意思是你可以自由使用、修改和商用。Modular Cloud 推理平台也正式对外开放，MiniMax 已经是他们的客户。硬件支持上，现在能跑在 AWS Trainium、Google TPU、以及高通 Cloud AI 10...
推荐理由：Mojo 开源是基础设施层面的真动作，Apache 2.0 把商用最大的顾虑拿掉了。没给更高分是因为现在还只是宣布，社区有没有人真用、有没有项目迁移过来，都还没数据，78 分先观望。
MiniMax 今天放出了 Music 3.0，一个开源权重的音乐生成模型。你给它一个创意方向和可选的歌词，它就能一次性把编曲、演奏和人声全搞定，最长能到 5 分钟。这次升级主要想解决三个老问题：准确理解你想表达什么、把这种感觉撑满整首歌、让人声和乐器听起来像真人实录而不是机器合成的。技术上换了一套新架构，叫 Hybrid-LM，用一个 80 亿参数的...
推荐理由：MiniMax 这次把 Music 3.0 开源权重放出来，一次生成最长 5 分钟的带人声完整歌曲，直接对标 Suno/Udio。我会先打个折：正文没披露训练数据规模和具体推理延迟，但公开的 Hybrid-LM 架构和 80 亿参数已经比多数闭源模型透明，对想自己部署和调参的团队来说，上手门槛低了不少。
MiniMax H3 放出了权重，是这一代唯一开源的旗舰视频模型。ComfyUI 第一天就原生支持，社区插件把生成时间从 500 多秒压到 200 多秒。群友盲测下来，H3 观感追平了 Seedance 2.0，但比 2.5 还是差一档；意外加分项是手部物理正确，画面里人都用右手拿笔。硬件门槛不低，最低要两张 RTX 4090 加 384GB 内存，生...
推荐理由：MiniMax H3 开源权重是本周视频生成领域最实在的一条消息。盲测结论清晰，没吹牛，直接说比 Seedance 2.5 还差一档，但手部物理正确是个意外亮点。硬件门槛不低，两张 4090 加 384GB 内存劝退普通玩家，但社区优化已经把生成时间压了一半，对能跑得动的人来说省时间就是省钱。我会先打个折：正文没披露推理显存占用和 batch size，实际部署前还得自己测一下。
Simon Willison 把 MiniMax 两天前发布的全模态生成模型 H3 搬到了苹果芯片上。这个模型能吃文字、图片、音频和视频，吐出来的是带声音的 15 秒视频。他下载了约 115 GB 的模型文件，用一句“彩虹臭鼬在超市跳过苔藓木头”的提示词，在 M5 Max MacBook Pro 上跑了不到 45 分钟生成了一段视频。画面看着不错，但音...
推荐理由：Simon Willison 的 MLX 移植给出了 MiniMax H3 第一个本地推理实测：M5 Max 上 45 分钟出 15 秒视频。数据很实在，但模型本身不是旗舰发布，而且 45 分钟的推理时间完全谈不上可用，所以重要性卡在 78 分。
MiniMax 今天把 H3 模型的权重开源了，这是他们第三代视频模型，之前两代叫 Hailuo 01 和 02。H3 能根据文字、图片、视频或音频直接生成最长 15 秒、分辨率到 2K 的视频，而且音频是跟画面一起生成的立体声，不是后期贴上去的。它把文生视频、图生视频、首尾帧控制、动作迁移这些功能合在一个模型里了。动作迁移比较实用，你可以拿一段参考视...
推荐理由：这是 MiniMax 第一次把视频模型开源，而且上来就给权重、给 ComfyUI 节点，姿态比之前开放不少。我会先打个折，因为目前只有官方博客和社区适配信息，没有第三方跑分或画质对比，实际生成质量和硬件门槛还不清楚。正文没披露训练数据规模和具体推理成本，所以先当一条高关注度的开放动态来处理，分数卡在 82。
MiniMax 推出了一个叫 H3 的多模态生成模型，把文字、图片、视频和音频的理解都塞进了一个模型里。它能直接生成最长 15 秒、带原生立体声的 2K 视频。公司给出的价格挺有竞争力：2K 视频每秒的价格不到主流模型的三分之一，768p 的价格也比主流 720p 便宜一半以上。模型权重计划在几天内开源，但公告没提具体用哪种开源协议，也没说确切日期，只...
推荐理由：MiniMax 发了 H3，一个把文、图、视频、音频塞进同一个模型的多模态生成模型，能直接出最长 15 秒、带原生立体声的 2K 视频。定价上，2K 每秒不到主流模型的三分之一，768p 也比主流 720p 便宜一半以上，省钱信号很明确。权重计划几天内开源，但公告没写具体协议和确切日期，这点先别太激动。整体看，一个模型打通多模态生成，加上激进定价和开源动作，对做视频生成的人来说是值得马上看一眼的更新。
MiniMax 在 Product Hunt 上发布了 H3，一个开源的多模态视频生成模型。它能把文字、图片和音频拼在一起，直接输出带原生立体声的 2K 视频。H3 主打商业内容制作，比如动态设计和品牌包装，强项是准确渲染文字、做视觉包装和理解复杂指令。不过正文没披露参数量、推理延迟和具体的开源协议，所以它自称的“世界领先”先别太当真，等技术报告出来再说。
推荐理由：MiniMax 在 Product Hunt 发了 H3，一个开源多模态视频模型，能把文字、图片和音频拼在一起出 2K 立体声视频，主打商业内容制作，文字渲染和视觉包装是它自己强调的强项。但正文没披露参数量、推理延迟和具体开源协议，所以“世界领先”这个说法我会先打个折，等技术报告出来再看。
Z.ai 的 GLM-5.2 在 Artificial Analysis 的 Intelligence Index v4.1 上拿了 51 分，超过 MiniMax-M3 和 DeepSeek V4 Pro（都是 44 分），成了目前最强的开源权重模型。模型体量没变，还是 744B 总参数、40B 活跃参数，但科学推理和智能体任务进步明显：HLE 涨了...
推荐理由：GLM-5.2 在 Artificial Analysis 的 Intelligence Index 上拿了 51 分，超过 MiniMax-M3 和 DeepSeek V4 Pro，成了最强开源权重模型。参数没变，分数涨了 11 分，科学推理和智能体任务有实打实的提升。但这是单一评测机构的单榜成绩，没有其他来源交叉验证，所以重要性给到 82 分，先打个折。
MiniMax 把 M3 模型权重放出来了，总参数 428B，每次推理只激活 23B，同时发了 MSA 稀疏注意力论文，专门降长上下文推理成本。M3 是第一个从预训练阶段就用图文交错数据练出来的开源模型。发布两周后，它在 Artificial Analysis 综合智能指数和 GDPval-AA 上拿了开源第一，Code Arena WebDev 进了...
推荐理由：MiniMax 把 428B 的 M3 模型权重和 MSA 稀疏注意力论文一起放出来，主打长上下文推理省钱，两周内拿了两个开源第一。我会先打个折，因为这是官方公告，没有第三方基准或具体的 MSA 成本数字，但架构稀缺性和开源排名已经够上 featured。
MiniMax 在 HuggingFace 上放出了 M3 模型的权重，帖子用了一句“M3 would never”，暗讽 Anthropic 的 Fable 5 和 Mythos 5 因为美国出口管制被强制禁用、连外国员工都不能碰。正文没披露 M3 的参数量、跑分成绩和具体开源协议，所以模型到底多大、性能怎么样、能不能商用，这些关键信息都还不清楚。
推荐理由：MiniMax 在 HuggingFace 放出 M3 权重，帖子用了一句暗讽 Anthropic 被出口管制卡脖子的事，冲突和话题性都够。但正文没披露参数量、跑分和协议，模型实力和商用条件全悬着，所以分数只能给到 72。
MiniMax 发了一篇论文，提出一种叫 MSA 的稀疏注意力方法，专门解决超长上下文推理时注意力计算太贵的问题。它的做法是在 GQA（分组查询注意力）基础上加一个轻量的“索引分支”，先给每块 KV 缓存打分，每个查询组只挑分数最高的一小部分块，主分支再对这些挑出来的块做精确注意力计算。配合专门写的 GPU 内核，一个 109B 参数的多模态模型在 H...
推荐理由：这篇不是纯理论，有具体机制和实测数字，对搞推理加速的人是真干货。但内容偏底层 CUDA 优化，一般读者上手门槛高，所以推荐度上我稍微收了一点，整体还是值得放进精选。
MiniMax 把 M3 的权重传上了 HuggingFace，技术报告和完整权重大概还要等 10 天。这是个混合模型，总参数量 428B，但每次只激活 23B，靠 MiniMax 自研的稀疏注意力把上下文窗口撑到 100 万 token，还原生支持多模态。跑分方面：SWE-Bench Pro 59.0%、Terminal Bench 2.1 66.0...
推荐理由：MiniMax 第一次把旗舰模型权重开源，428B 的混合专家模型，激活 23B，百万 token 上下文，代码和智能体跑分能跟 DeepSeek、Qwen 掰手腕。技术报告还没出，权重刚上传，信息缺口明显，但开源这个动作本身对开发者生态有直接价值。
MiniMax 在 Hugging Face 上放出了 M3 的权重。这是一个混合专家模型，总参数量约 4280 亿，但每次推理只调用其中约 230 亿参数，相当于用 23B 模型的算力撬动一个超大规模模型的知识。帖子没提训练数据、跑分成绩，也没说本地运行最低要多少显存，想自己部署的话得先做好硬件摸底。
推荐理由：MiniMax 把 M3 的完整权重扔上了 Hugging Face，一个 4280 亿参数的 MoE 模型，每次只叫醒 230 亿参数干活，在开源权重里属于效率很能打的那一档。帖子没给跑分、没提训练数据、也没说本地跑要多少显存，这些信息缺口把分拉下来了一点，但光凭权重公开这件事就值得看一眼。
MiniMax 的新模型 M3 在第三方评测平台 Artificial Analysis 的开源榜单上排到了第一。文章说它支持一次性处理 100 万 token 的上下文，预训练用了百 T 级别的数据，并承诺在 10 天内开源模型权重和完整技术报告。不过，这篇微信文章本身因为环境验证问题无法看到正文，所以具体的评测细节、中文社区到底在吵什么、以及硅谷 ...
推荐理由：MiniMax M3在Artificial Analysis上冲到了开源模型第一，但中文社区对评测含金量吵得很凶。我会先打个折：权重和完整报告还没放出来，现在只能看官方给的数据。1M上下文和100T预训练规模听着挺猛，但正文没披露具体架构和训练成本，这点先别太激动。10天内开源这个承诺如果兑现，对开发者是实打实的利好；如果跳票，那现在的排名就先当个热闹看。
阶跃星辰发了个新模型 Step 3.7 Flash，把权重开放了，你可以直接下载用。它的定位是给智能体编程场景用，强调工具调用可靠，还能处理多模态输入。同一天 MiniMax 也开源了 M3，两家模型都已经能在 Kilo 平台上跑。正文没披露具体的跑分、参数量或硬件门槛，所以实际快不快、省不省资源还得自己测。
推荐理由：这条消息的钩子在于“开放权重”和“智能体编程”两个点，不是常规发个新版本。我会先打个折：正文没给模型尺寸、跑分、许可证和定价，所以只能算有信息增量但缺关键验证。对开发者来说，能直接下载权重、能调工具、能看懂多模态输入，这几个能力放在一起确实有吸引力，尤其现在大家都在抢智能体编程这条赛道。Kilo 上线也让想试的人有个现成入口。不过没披露性能对比和实际成本，这点先别太激动，等后续数据出来再看值不值得切过去。
MiniMax 放出了一个叫 M3 的开源模型，把代码能力、一次能读 100 万 token 的长上下文和原生多模态（能直接处理图像、音频）做在了一起。在 SWE-Bench Pro 这个代码基准上拿了 59.0%，比 GPT-5.5 的 58.6% 和 Gemini 3.1 Pro 的 54.2% 都高一点；在 BrowseComp 自主浏览任务上 ...
推荐理由：我会先打个折：目前只有一条 X 帖子，没看到官方技术报告或第三方独立评测，所以分数压在 78–84 区间。但 M3 确实把编码、超长上下文和多模态打包开源，SWE-Bench Pro 59.0% 不算顶尖但够用，成本只有 GPT-5.5 的约 1/12，对想省钱又有长上下文需求的团队是个实在选项。这点先别太激动，等正式文档和更多实测出来再调判断。
MiniMax 把 M3 模型开源了，权重公开可下载。它把三个能力塞进了一个模型里：编程水平摸到了 GPT-5.5 和 Gemini 3.1 Pro 的边（SWE-Bench Pro 得分 59.0%），能处理 100 万 token 的超长上下文，还原生支持图片和视频输入。长上下文不卡顿的关键是他们自研的 MSA 稀疏注意力机制——在 100 万 t...
推荐理由：MiniMax M3开源了一个把文本、图像、音频塞进同一个模型的一体方案，上下文窗口拉到100万token。最实在的点是MSA注意力机制，每token计算成本降到前代的1/20，长文本推理能省不少钱。编码和Agent跑分看着不错，但正文没给出具体对比对象和测试细节，这点先别太激动。整体是一次有诚意的开源发布，信息量够，但验证还缺一环，所以放在featured而不是P1。
Reddit 用户 thibautrey 分享了一个三步走的方法：编辑 Codex Desktop 的 config.toml 配置文件，存好 API 密钥，再用一个叫 multicodex 的代理别名把 gpt-5.3-codex 这个模型名映射到 MiniMax-Latest。代理跑在本地 127.0.0.1:1455，会把返回的模型名伪装成 gp...
推荐理由：这是一条可复现的开发者操作流，不是官方发布。我会先打个折：正文没披露 MiniMax-Latest 的具体成本和延迟，也没说 proxy 稳定性如何，所以别急着在生产环境照搬。但 hook 很直接——不改代码就能在 Codex 桌面端用别的模型，配置细节也够落地，对想省钱或换模型的人有实际参考价值。