Die Welt hat schon lange genug unter Closed-Source-Modellen gelitten, und MiniMax will das Deepseek im Bereich der Multimodalität werden.

Am 3. August 2026 notierte die in Hongkong gelistete Aktie MINIMAX-W (00100.HK) bei HK$ 249,4, was einem Anstieg von über 10 % entspricht. Am Vormittag des Handelstages kündigte MiniMax vorbörslich offiziell die Veröffentlichung seiner neuen Generation multimodaler Generationsmodelle H3 an. Der Markt stimmte mit echtem Kapital für diese Produktveröffentlichung.

A

Die Branche leidet schon lange unter geschlossenen Modellen; die Videogenerationsbranche wurde zuvor von führenden Modellen wie Seedance und Keling dominiert, wobei Preis, Rechenleistung und Generierungszeit schon immer Themen mit hoher Aufmerksamkeit in der Branche waren.

Das von MiniMax veröffentlichte H3 ist genau eine neue Wahl auf dem Videogenerationsmarkt.

Im offiziellen Blog heißt es, dass H3 als universelles multimodales Generationsmodell positioniert ist, das die einheitliche Verständnisfähigkeit für multimodale Kontexte aus Text, Bild, Video und Ton unterstützt, Audio- und Videoinhalte mit nativem Zweikanalton ausgeben kann und maximal 15 Sekunden bei 2K-Auflösung unterstützt.

In Bezug auf die Leistung befindet sich MiniMax H3 auf der gleichen Stufe wie Seedance 2.5.

Aus den Demos, die in der frühen Einladungstestphase freigegeben wurden, geht hervor, dass die Wirkung von H3 sehr beeindruckend ist.

Um ein konkretes Beispiel zu nennen: Wenn man H3 ein Referenzbild einer Person + ein Referenzvideo mit Hitchcockscher Kamerabewegung + ein Audiostück mit Referenzgesang gibt, kann es die zusammengesetzte Anweisung verstehen „Lasse die Person auf dem Bild der Kamerabewegung im Referenzvideo folgen und singe mit der Stimme im Referenzaudio“, und erzeugt in einem Durchgang ein fertiges 2K-Video mit nativem Zweikanalton.

Diese Fähigkeit zum crossmodalen zusammengesetzten Referenzieren war zuvor das Markenzeichen von Seedance, jetzt hat MiniMax diese Fähigkeit ebenfalls erworben.

In der maßgeblichen Rangliste der Videomodelle von Artificial Analysis belegt MiniMax H3 am 31. Juli 2026, dem Veröffentlichungstag von H3, den ersten Platz weltweit in der Kategorie Videobearbeitungsfähigkeit, den zweiten bzw. dritten Platz bei den Fähigkeiten zur Text-zu-Video- und Bild-zu-Video-Generierung, und die umfassende Fähigkeit des Modells gehört zur ersten weltweiten Leistungsstufe.

Ein herausragendes Highlight von H3 ist die Fähigkeit zur Erhaltung komplexer Texte.

Zum Beispiel bei chinesischen und englischen Titeln in Filmvorspännen, Markenlogos auf dynamischen Postern und Untertiteln in UI-Dynamikeffekten kann H3 in diesen Szenarien den Text wirklich an der visuellen Komposition beteiligen: Der Text muss der Perspektive des Objekts folgen, der Einstrahlungsrichtung des Szenenlichts entsprechen und sich der Kamerabewegung sowie der Bewegung des Hauptmotivs anpassen.

Wenn ein Markenlogo auf ein Glas gelegt wird, muss das Modell die Brechung des Glases verstehen; wenn es an eine Wand gelegt wird, muss es die Krümmung und Textur der Wand verstehen; wenn es der Kamerazoombewegung folgt, muss die Form der Schrift unverzerrt bleiben. Dies hat bereits die technische Grenze der „Generierung von Schriftarten“ überschritten und ist das Ergebnis des umfassenden Verständnisses des Modells für die gesamte Szene.

Die Erhaltung komplexer Texte ist nur ein sichtbarer Beobachtungspunkt der Grundfähigkeit „mehr Verständnis für das Visuelle und die Welt“. Laut dem technischen Blog von MiniMax ist das technische Highlight von H3 die Contextual Omni Representation (Organisation aller modalitätsbezogenen Informationen im Kontext und ihrer Wechselbeziehungen), die gesamte Materialsequenz als einheitlichen Kontext behandelt, dem Modell die Beziehungen zwischen verschiedenen Elementen wie Video und Audio beschreibt und dafür ein spezielles Modell sowie eine vollständige Pipeline für das multimodale Verständnis aufgebaut hat.

B

Neben der Leistung verfolgt H3 zudem das repräsentativste Merkmal von MiniMax – reichhaltige und erschwingliche Nutzung.

Bei der Preisgestaltung ist MiniMax H3 standardmäßig mit 2K-Auflösung ausgestattet, der Preis pro Sekunde beträgt nur 0,8 RMB, was ihm eine starke Preiswettbewerbsfähigkeit unter Produkten mit gleicher Auflösung verleiht.

In den vergangenen sechs Monaten, wenn die Branche über „filmreife“ Videogeneration diskutierte, lag die Standardauflösung der meisten kommerziellen Modelle auf dem Niveau von 1080p. H3 hat die Standard-Ausgabeauflösung direkt auf 2K angehoben und damit einen Schritt in Richtung höherer Bildqualität getan.

Diese Preisvorteile werden durch die technischen Innovationen von MiniMax H3 gestützt.

Beim Training von Videogenerationsmodellen muss jedes Bild in kleine Stücke zerlegt und an das Modell übergeben werden. Je mehr Stücke es gibt, desto teurer sind Training und Inferenz. Das selbstentwickelte VAE von H3 (H3-VAE) erreicht einen branchenführenden Kompressionsgrad für Bilder. Laut dem offiziellen Blog kann dasselbe Videomaterial mit weniger Stücken dargestellt werden, wodurch die Sequenzlänge direkt um das Vierfache reduziert wird. Das Training wird günstiger, und die Inferenz wird ebenfalls günstiger.

Bei hohen Auflösungen verfolgen die meisten Modelle in der Branche den Ansatz, zuerst eine Version mit niedriger Auflösung zu generieren und dann ein spezielles Super-Resolution-Modul zu verwenden, um das Bild zu vergrößern. Dieses Modul erratet im Wesentlichen die fehlenden Details, sodass kleine Schrift, Texturen und Lichteffekte nach der Vergrößerung oft unscharf oder verzerrt sind.

H3 betrachtet das Video mit niedriger Auflösung nicht als einzige Grundlage, sondern als eine Art Referenz, die zusammen mit dem ursprünglichen multimodalen Kontext in das Modell eingegeben wird. Dadurch kann es die vorhandene Generationsfähigkeit von H3 wiederverwenden und Informationen wiederherstellen, die im Video mit niedriger Auflösung nicht mehr sichtbar sind, aber im Kontext noch vorhanden sind.

Das ist auch der grundlegende Grund, warum H3 in komplexen Textszenarien (Vorspann, Logo, Untertitel) keine Fehler macht.

Mit anderen Worten: H3 verfolgt den Weg „Leistung durch Architektureffizienz steigern“ und senkt den Rechenleistungsverbrauch durch technische Innovationen. Die Bedeutung dieses technischen Pfades für die Kommerzialisierung liegt darin: Wenn die Kosten für Rechenleistung in einen Kompressionsprozess eintreten, wird die Obergrenze der Bruttomarge für Videogeneration neu geöffnet.

C

H3 ersetzt allmählich die gesamte nachbearbeitungskette für Videos, die durch Software wie AE und Premiere repräsentiert wird.

Frühere KI-Videomodelle lieferten nur ein „Material“, das Nutzer erhielten oft nur ein Bild ohne Synchronisation, Untertitel und Gestaltung, während die restlichen Schritte selbst in AE, Premiere und Jianying nacheinander ausgeführt werden mussten. Der Unterschied von H3 liegt darin, dass es die „Nachbearbeitung“ in das Modell integriert: Verständnis der kreativen Absicht, Generierung des Hauptbildes, Abgleich von Soundeffekten und Musik, Rendern von Untertiteln, Abschluss der Dynamikeffekt-Gestaltung – alles in einem Durchgang generiert und direkt ausgeliefert.

Bei dem Aufmerksam erregenden Einstellungsbild einer E-Commerce-Produktwerbung gab es früher eine ganze Reihe von Abläufen: „Text-zu-Video zur Erzeugung des dynamischen Bildes des Produkts im Regal → TTS zur Synthese des Kommentars „50 % Rabatt für begrenzte Zeit“ → Vorlagen für Untertitel in Jianying → Beleuchtungshervorhebung für das Produkt und Sprungdynamikeffekt der Preiszahl in AE“.

Mit H3 geben Sie nur ein Produktbild und ein Werbeskript ein, und das fertige Video, das es in einem Durchgang ausgibt, verfügt über Kamerabewegung im Regal, Synchronstimme, Untertitel, Preissprung und Lichtatmosphäre – jedes visuelle Element ist auf den Raum, das Licht und den Rhythmus des Bildes abgestimmt, nicht einfach überlagert.

Laut dem Feedback der frühen Einladungstests verfügt MiniMax H3 über eine kommerzielle Fähigkeit zur Generierung von Inhalten in mehreren Szenarien, zeigt hervorragende Leistungen bei der Einhaltung von Anweisungen, der Darstellung von Text- und Markeninformationen sowie V2V Motion Transfer (Video-zu-Video-Bewegungsübertragung), und kann präzise, steuerbare multimodale Inhaltsbearbeitung und -generierung realisieren, die weit verbreitet in kommerziellen Szenarien wie Werbung, Markenbetrieb, E-Commerce, Produktdesign, UI/UX und Spielen angewendet werden kann.

Was bedeutet diese Fähigkeit für die Marktgröße?

Bezogen auf den Finanzbericht von Adobe für das Geschäftsjahr 2025 beträgt der weltweite Umsatz des Creative Cloud-Geschäfts etwa 14,5 Milliarden US-Dollar, wobei Tools für Videonachbearbeitung (wie AE und Premiere) einen beträchtlichen Anteil ausmachen; der inländische Markt für ausgelagerte Videonachbearbeitung wird auf etwa 300 bis 500 Milliarden RMB geschätzt.

Wenn die KI-native Nachbearbeitungsfähigkeit von H3 im B2B-Bereich kontinuierlich umgesetzt wird, kann es 10–30 % der traditionellen Nachbearbeitungsvorgänge ersetzen.

Im offiziellen Blog von MiniMax heißt es: „Videomodelle werden in der Lage sein, eine vollständigere kreative Absicht zu verstehen, komplexere Inhaltsanforderungen zu verarbeiten und schrittweise von der „Generierung eines Videos“ zur echten Teilnahme am gesamten Prozess der Inhaltsproduktion überzugehen.“

In den zehn Jahren nach 2011 ersetzte Netflix Blockbuster, Uber ersetzte Taxigesellschaften und Airbnb ersetzte Hotelketten: Die quantitative Anhäufung technischer Fähigkeiten erreicht einen Punkt, an dem plötzlich ein qualitativer Sprung stattfindet. Software ersetzt Branchen, die nicht softwarebasiert sind. Jetzt wird KI die Software ersetzen, die nicht KI-gestützt ist.

D

Die Videogeneration erlebt zum ersten Mal den Flaggschiff-Moment der Open-Source-Entwicklung: Am selben Tag der Veröffentlichung von H3 kündigte MiniMax an, dass die Modellgewichte von H3 innerhalb weniger Tage freigegeben werden.

Früher war die Standardoption im Bereich der Videogeneration geschlossene Modelle, Seedance, Keling, Sora, Veo – alle Hauptmodelle bilden keine Ausnahme. Der Grund ist direkt: Die Trainingskosten von Videomodellen sind hoch, der Rechenleistungsverbrauch ist groß, und die geschlossene Bereitstellung mit Abrechnung über API ist das direkteste Geschäftsmodell.

Open Source bedeutet, dass die Branche nicht mehr von geschlossenen Modellen dominiert wird.

In der letzten Zeit wurde die gesamte Videogenerationsbranche von wenigen geschlossenen Modellen angeführt, und die Kommerzialisierungspfade drehen sich im Wesentlichen um „API-Abrechnung + Abonnement für Mitgliedschaften“.

In diesem Prozess sind einige bemerkenswerte Phänomene aufgetreten: Einige führende Produkte haben das Preissystem innerhalb kurzer Zeit mehrmals angepasst, was zu großen Schwankungen der Nutzungskosten für Nutzer geführt hat; es gibt Preisumkehrungen zwischen C-End-Produkten und B-End-APIs; die Zugangshürden für Unternehmen sind hoch, kleine und mittlere Teams können oft keine direkten offiziellen API-Berechtigungen erhalten, was zu grauen Zwischen Diensten wie Sammelbestellung und Weiterverkauf geführt hat.

Hinter diesen Phänomenen spiegelt sich die Kommerzialisierungslogik unter dem Closed-Source-Modell wider – wenn wenige Modelle technische Vorteile einnehmen, hat die Anbieterseite eine starke Preismacht. Das Auftauchen von Open-Source-Modellen kann dieses Muster verändern und den Wettbewerb in der Branche von einem reinen Techniewettbewerb zu einem offeneren Ökosystemwettbewerb lenken.

Hochwertige B2B-Szenarien, die von geschlossenen Modellen nicht bedient werden können, werden ebenfalls geöffnet.

Filmunternehmen werden die Bildmarken ihrer Charaktere und unveröffentlichten Serienmaterialien nicht in öffentliche Cloud-APIs hochladen; Werbetreibende akzeptieren keine zufälligen Abweichungen der Markenvisualisierung bei jeder Generierung; die Kern-IP von Spieleunternehmen darf nicht auf Drittmodellen ausgeführt werden. Diese Kundengruppe wurde früher durch das „Problem der Datenhoheit“ von geschlossenen Modellen ausgeschlossen, sie sind die teuerste, am stärksten gebundene und am wenigsten bediente Gruppe in der Kommerzialisierung der Videogenerierung.

Die Open-Source-Bereitstellung von H3 + die lokale private Bereitstellung erfüllen genau die Anforderungen dieser Kundengruppe.

Die Videogenerationsbranche wurde in den vergangenen sechs Monaten durch Arroganz definiert: Preiserhöhungen, Warteschlangen, Whitelists, Sammelbestellungen, Zwischenhändler und Account-Weiterverkäufe. Nutzer beschweren sich, der Markt schweigt, kleine und mittlere Unternehmen werden ausgeschlossen, B2B-Kunden zögern bei ihren Daten und Vermögenswerten. Das ist kein gesunder Markt, sondern ein unausgeglichener Markt. H3 löst diese Spannung auf. Flaggschiff-Niveau, 2K-Auflösung, Open Source, Einheitspreis von 0,8 RMB pro Sekunde – der Einstiegspreis für kommerzielle Nutzung wird auf ein Drittel des Preises der meisten Mainstream-Modelle gedrückt. All dies wird der gesamten Entwickler-Ökosystem und kleinen sowie mittleren Unternehmen zur Verfügung gestellt: Die Open-Source-Ära der Videogeneration beginnt am 31. Juli.

Für das in Hongkong gelistete Unternehmen MiniMax bedeutet die Veröffentlichung von H3 nicht nur die Einführung eines weiteren Modells. Seit dem Börsengang im Januar hat sich der Bewertungsanker des Marktes für dieses Unternehmen verändert, und die Stimmung des Marktes hat sich von „hoher Erwartung“ zu „vorsichtiger Bewertung“ gewandelt. H3 ist der erste aktive Schritt dieses Unternehmens nach einer turbulenten Phase. Der Spieltisch wird nicht durch ein einzelnes Modell neu geordnet, aber es