稀宇科技は本日、MiniMax H3 全モーダル生成モデルを発表した。テキスト、画像、動画、音声で構成されるマルチモーダルコンテキストを統一的に理解でき、ネイティブのステレオ音声付き動画を出力可能で、最大15秒・2K解像度に対応する。
事前の招待テストのフィードバックによると、MiniMax H3は商用レベルの多シーン向けコンテンツ生成能力を備え、指示への忠実度、テキストやブランド情報の表現、V2V Motion Transfer（動画から動画へのモーション転送）などで優れた性能を示した。高精度かつ制御可能なマルチモーダルコンテンツの編集・生成を実現するとされ、広告、EC、ブランド、プロダクトデザイン、UI / UX、ゲームなどの分野に適している。
コア技術面では、MiniMax H3にCaption機能を追加し、専用モデルと全モーダル理解パイプラインを構築した。素材の大部分では100K Tokenの推論を消費し、最終的に平均約4K Tokenを得る。
また、MiniMax H3の2K動画出力機能では一般的な超解像モジュールを使用せず、H3基盤モデルを使って自身の低解像度の結果をin-contextで再生成する。これにより、H3基盤モデルがすでに備えている生成能力を最大限に再利用できるほか、従来の超解像ソリューションでは「推測」に頼って復元できなかった情報も保持できる。
さらに、MiniMax H3は今後数日以内にモデルの重みを公開する予定だ。IT之家は引き続き注目し、最新情報をいち早くお届けする。