Em 31 de julho, a MiniMax lançou seu novo modelo de geração multimodal de última geração, o MiniMax H3, e anunciou que os pesos do modelo seriam abertos em 3 de agosto. Três sinais se escondem nesse único anúncio: o H3 ocupa o primeiro lugar mundial em edição de vídeo no ranking da Artificial Analysis; a geração de vídeo em 2K custa 0,8 yuans por segundo, menos de um terço dos modelos top de linha; e é o primeiro modelo de geração multimodal aberto da MiniMax, com compatibilidade com múltiplos chips nacionais projetada desde o início.
Os três sinais apontam na mesma direção: a geração de vídeo está saindo do estágio de “consegue produzir um clipe” para o de “consegue carregar uma carga comercial” — e o caminho da MiniMax até lá é uma reconstrução completa das quatro camadas de que todo modelo generativo é feito: como os dados são descritos, como a informação é comprimida, como o computo é organizado e como os resultados são gerados.
Por que o H3 Merece uma Análise Completa
Durante dois anos, os modelos de vídeo evoluíram sempre da mesma forma: acertar uma classe de efeito, embrulhá-la como um recurso e anexá-la ao produto. Os usuários viam um cardápio de capacidades cada vez mais longo — texto-para-vídeo, imagem-para-vídeo, referência de sujeito, referência de movimento, edição, cada uma com seu próprio ponto de entrada — enquanto, no lado do modelo, acumulavam-se modelos especializados e longas cadeias de ramificações de condicionamento.
A MiniMax chama isso de isolamento entre tarefas, capacidades e modalidades. Uma ramificação treinada apenas com dados de imagem-para-vídeo não aprende nada com dados de referência de movimento; quando os dados são triturados em uma dúzia de tarefas, a generalização não tem de onde vir. O H3 volta ao pré-treinamento e modela as tarefas em conjunto, descrevendo suas relações em linguagem natural em vez de treinar um especialista por tarefa.
No fundo, ele responde a uma pergunta: a complexidade de um modelo generativo deve se acumular em sua estrutura ou em sua linguagem?
A Pilha de Quatro Camadas, Mapeada nas Quatro Etapas da Geração
Qualquer modelo generativo se divide, em linhas gerais, em quatro camadas. Os quatro novos componentes do H3 se alinham uma a uma.
1. Descrição dos dados: Contextual Omni Representation
Esta é a parte em que a MiniMax diz ter mais investido. A introdução do contexto multimodal forçou a camada de legendas a generalizar por completo — as legendas não descrevem mais apenas o vídeo alvo, mas também as relações entre os materiais de contexto e entre contexto e alvo, incluindo como vídeo e áudio correspondem entre os cortes. Dentro do pipeline de compreensão omni-modal personalizado, a maior parte do material consome cerca de 100 mil tokens de inferência antes de ser comprimido em uma representação de aproximadamente 4 mil tokens. A percepção-chave: a linguagem funciona como o conector generalizável. Outra tarefa antes significava outro formato de condição, e complexidade embutida na estrutura não se transfere — complexidade expressa em linguagem, sim. A mesma capacidade descritiva cobre combinações jamais vistas no treinamento.
2. Compressão: H3-VAE
O H3 reescreveu por completo o tokenizador de seu antecessor, elevando ao mesmo tempo a qualidade de reconstrução e a aprendabilidade, e alcançou uma compressão de 4× no comprimento da sequência. Isso reduz diretamente o custo de treinamento e inferência — e é a confiança por trás de oferecer 2K nativo como padrão. Por menos de um terço do preço mainstream para 2K, e cerca de metade do preço mainstream de 720p para 768p, a economia fala por si.
3. Organização do computo: H3-Omni Transformer
O contexto multimodal triplicou a variância do comprimento de sequência em relação à geração anterior, e o computo para compreensão e geração tornou-se fortemente heterogêneo. A MiniMax separou as duas cargas em arquiteturas de treinamento distintas, ajustou a utilização de hardware por carga e elevou o throughput de treinamento ponta a ponta em quase 30%.
A parte mais reveladora é o abandono deliberado: a equipe deixou de lado a arquitetura do Hailuo-02, que já havia entregado vantagens reais, porque, sob a meta de generalização de tarefas, ela adicionava complexidade em vez de removê-la. Nas palavras da própria MiniMax, “truques de arquitetura devem ceder à definição do modelo.” É a mesma lógica que os modelos de linguagem têm ensinado repetidamente: truques espertos vencem benchmarks específicos; estruturas limpas vencem tarefas que ninguém viu ainda.
4. Saída: In-Context Regeneration
A saída 2K do H3 dispensa o usual módulo dedicado de super-resolução. O modelo base regenera seu próprio resultado em baixa resolução em contexto, o que reutiliza a capacidade de geração que ele já possui e relê o contexto multimodal original para restaurar detalhes — textos pequenos, texturas finas — que os upscalers só conseguem fabricar um palpite.
A Geração de Vídeo Está Refazendo o Caminho dos LLMs
Coloque o H3 em uma linha do tempo maior e ele parece a própria trajetória da série GPT: de sistemas especializados multi-experto e multi-ramificação para um único modelo base geral com a linguagem como interface. O H3 aceita qualquer mistura de texto, imagem, áudio e vídeo, gera vídeo com áudio estéreo nativo de até 15 segundos e, no modo de referência, compõe até 9 imagens, 3 vídeos e 3 clipes de áudio — 12 arquivos de mídia — coordenados por uma única frase: “o movimento de câmera à la Hitchcock do vídeo 1, o personagem da imagem 2 cantando, com vocais referenciando o áudio 3.”
No lado comercial, o H3 enfatiza o seguimento de instruções, a renderização de textos e informações de marca e a transferência de movimento V2V — a “editabilidade” que a produção real em publicidade, branding, e-commerce, UI/UX e games realmente exige, em oposição ao espetáculo visual bruto. Alguns no setor já o chamam do momento “coding” da geração de vídeo: a passagem de peça de demonstração a ferramenta de produção que entrega em cenários reais.
Três Variáveis Remodelando o Mercado
-
A guerra de preços arrasta a geração de vídeo para a faixa comercial. 0,8 yuan por segundo em 2K, somado a uma estrutura de custos construída pelo tokenizador de alta compressão, permite que setores sensíveis a custos, como publicidade e e-commerce, finalmente façam as contas a sério. As ações da MiniMax em Hong Kong subiram mais de 14% na sessão — o primeiro endosso do mercado de capitais.
-
Pesos abertos mais suporte a chips nacionais replicam o caminho do ecossistema dos LLMs. Modelos fechados dominaram a geração de vídeo, e tanto a velocidade de iteração quanto a abertura do ecossistema ficaram atrás do mundo dos LLMs. O H3 foi projetado para compatibilidade com chips nacionais desde o início; após a abertura em 3 de agosto, empresas poderão implantar localmente e customizar com dados próprios, enquanto fabricantes de chips e desenvolvedores se juntam ao trabalho de adaptação. O ecossistema aberto de vídeo pode realmente se incendiar aqui.
-
A generalização de tarefas substitui o inchaço de parâmetros como eixo principal da competição. Enquanto rivais comparam contagens de parâmetros e rankings de efeitos isolados, a MiniMax está jogando outro jogo — um modelo para todas as tarefas de modalidade, com preço agressivo. O Seedance 2.5 da ByteDance, lançado na mesma janela, empurra a saída de plano único de 30 segundos; os dois se choam simultaneamente em capacidade e preço. A corrida multimodal saiu da exibição de força e entrou na engenharia e no custo.
O Que Você Pode Fazer nas Próximas 72 Horas
-
Desenvolvedores: baixem os pesos do ModelScope assim que forem abertos, à meia-noite de 3 de agosto (horário de Pequim), e testem primeiro a transferência de movimento V2V e a controlabilidade das referências multimodais. O relatório técnico não é público — confie nas suas próprias medições, não em suposições.
-
Criadores e marcas: usem o modo de referência para combinar ativos existentes — fotos de produtos, áudio de locução, imagens de referência — em cortes finalizados e depois calculem o custo de um vídeo de ponta a ponta contra a terceirização e os pipelines legados.
-
Empresas: acompanhem a implantação local e a adaptação a chips nacionais e avaliem o caso de conformidade e custo da geração de vídeo autônoma. Este pode ser o nó de código aberto mais vale a pena acompanhar este ano para adoção real.
-
Observadores: acompanhem os remixes da comunidade e os benchmarks independentes de terceiros para ver se o “1º lugar mundial em edição” se sustenta dentro de fluxos de trabalho reais.
“Truques de arquitetura devem ceder à definição do modelo” — essa frase merece estar numa parede para qualquer pessoa que constrói produtos de IA. O limite de um modelo, no fim, é decidido por quem o define.
