Компания MiniMax представила веса модели H3-Base с открытым исходным кодом на платформе HuggingFace. Эта модель представляет собой плотный однопоточный Omni-Transformer с 33 миллиардами параметров, оснащенный VAE с 16-кратным пространственным и 4-кратным временным сжатием. При этом стоимость использования через API составляет одну треть от цены Seedance 2.0.
Модель H3 является универсальной системой генерации всех модальностей, в отличие от моделей, предназначенных только для преобразования текста в видео или изображения в видео. Она способна понимать контексты текста, изображений, видео и аудио, а затем генерировать видео с нативным стереозвуком. Архитектурно H3 не представляет собой последовательное соединение видео- и аудиомоделей.
Основная сеть, H3-Omni-Transformer, реализована как плотный однопоточный Трансформер с 33 миллиардами параметров, причем около 13 миллиардов параметров находятся в ветви AdaLN, результаты модуляции которой могут быть предварительно рассчитаны и сохранены для более легкого инференса. Кодирование текста выполняет H3-Encoder, визуальные данные — H3-Encoder и H3-VisualVAE, а аудио — H3-AudioVAE; все эти элементы интегрированы в единую последовательность, которая совместно предсказывается для латентов видео и аудио.
MiniMax усовершенствовала H3-VisualVAE, внедрив 16-кратное пространственное сжатие и 4-кратное временное сжатие. После дополнительной патчификации эффективное пространственное понижение разрешения видеотокенов, поступающих в Трансформер, достигает 32-кратного уровня, что снижает вычислительные затраты при генерации видео высокого разрешения. Полный состав MiniMax H3 включает три компонента: H3-Context-IR, H3-Base и H3-Regenerate-2K. H3-Context-IR интерпретирует предоставленные пользователем текст, изображения, видео и аудио, структурируя сложные мультимодальные инструкции в промежуточные представления, подходящие для генеративных моделей. H3-Base отвечает за фактическую генерацию видео и аудио с первичным выводом в разрешении 768P. Компонент H3-Regenerate-2K использует регенерацию в контексте для получения версии 2K из результата 768P с сохранением исходного контекста. В настоящее время компонент H3-Base имеет открытые веса.
Ценовая политика делает H3 значимым фактором изменения рынка: генерация в разрешении 2K стоит 0,8 юаня за секунду, а в разрешении 768P — дешевле, при этом ввод аудио бесплатен, а до пяти изображений предоставляются бесплатно. С точки зрения производительности, H3 демонстрирует конкурентоспособность по сравнению с Seedance 2.0 от ByteDance при одной трети стоимости, а локальное развертывание на двух картах RTX 5090 или одной RTX 6000 сводит затраты к нулю. Благодаря флагманским возможностям, выгодной цене и открытым весам, инициатива по созданию видео становится доступной каждому разработчику.
Выпуск этой модели усиливает конкуренцию на рынке генерации видео с помощью искусственного интеллекта. Seedance 2.0 ранее доминировала благодаря унифицированной совместной генерации аудио и видео, и MiniMax H3 напрямую претендует на эту позицию, предлагая сопоставимый функционал при значительно меньших расходах. Для создателей контента и разработчиков H3 предоставляет гибкость, недоступную на закрытых платформах, включая возможность локального развертывания для рабочих процессов, чувствительных к данным, пользовательской тонкой настройки и интеграции с существующими производственными конвейерами. Стратегия открытых весов соответствует общемировой тенденции, когда китайские компании в сфере ИИ используют открытый исходный код и агрессивное ценообразование для противостояния закрытым экосистемам. Таким образом, H3 пересматривает экономику генерации видео с помощью ИИ, оспаривая предположение о том, что передовые видеомодели должны быть дорогими облачными сервисами, и потенциально ускоряя внедрение в рекламе, электронной коммерции, кинопроизводстве и создании контента, где ранее использование ограничивалось чувствительностью к стоимости.
Компания MiniMax представила свою первую открытую мультимодальную генеративную модель H3 31 июля, что стало значительным событием в сфере генерации видео с искусственным интеллектом. Модель поддерживает генерацию аудио-видео в формате 2K с нативным двухканальным звуком и длительностью 15 секунд, а также заняла первое место в мировом рейтинге видеоредактирования на платформе Artificial Analysis.
Стоимость генерации видео по модели H3 установлена на уровне 0.8 юаня за секунду, что составляет всего треть от цен на аналогичные флагманские продукты. После объявления о выпуске акции компании выросли на 14%, восстановив предыдущее снижение, поскольку инвесторы положительно отреагировали на стратегию контроля затрат.
H3 способна понимать контексты, связанные с текстом, изображением, видео и аудио, генерируя при этом аудио-видео с нативным двухканальным звуком. Техническое преимущество модели сосредоточено на способности следовать инструкциям, корректно представлять текстовую и брендовую информацию, а также на функции переноса движения из одного видеоряда в другой (V2V motion transfer). Эта функция позволяет осуществлять контролируемое редактирование мультимодального контента.
Модель H3 обеспечивает генерацию контента для различных сценариев коммерческого использования, включая рекламу, брендинг, электронную коммерцию, разработку продуктов, UI/UX и гейминг. Это значительно упрощает процесс создания высококачественного видеоконтента для предприятий и разработчиков. Преимущество в стоимости достигается благодаря систематической оптимизации: использование токенизатора с высокой степенью сжатия уменьшает необходимое количество токенов для генерации видео, а настройка гетерогенного обучения, балансировка нагрузки и повышение эффективности использования GPU существенно снижают как затраты на обучение, так и на инференс, сохраняя при этом качество модели.
Центральным элементом выпуска является стратегия открытого исходного кода. MiniMax планирует сделать веса модели доступными в течение нескольких дней, при условии соблюдения нормативных требований. Это позволит компаниям развертывать модель локально и адаптировать ее с использованием собственных данных для обеспечения безопасности и соответствия требованиям. Компания заявила, что производители чипов и разработчики могут участвовать в адаптации и оптимизации для снижения эксплуатационных расходов и расширения сферы применения, следуя отраслевой тенденции перехода от закрытых сервисов к открытым, совместным экосистемам.
Подход MiniMax соответствует примеру Moonshot AI Kimi K3, самой крупной моделью с открытыми весами на 2,8 триллиона параметров, которая достигла пределов кластерной мощности в течение 48 часов после релиза и приостановила новые подписки потребителей 19 июля для приоритетного использования вычислительных ресурсов платящими пользователями. Стратегия MiniMax намеренно избегает гонки параметров, характерной для китайской индустрии ИИ. В то время как ведущие игроки сталкиваются с ограничениями вычислительной мощности и сокращением поставок, MiniMax фокусируется на экстремальном соотношении цены и производительности в сочетании с дистрибуцией с открытым исходным кодом для построения коммерческого преимущества, основанного на юнит-экономике, а не на масштабе модели. Рыночные наблюдатели будут следить за прогрессом адаптации сообщества H3 после выпуска открытого исходного кода, темпами коммерческих заказов и тем, сможет ли стратегия ценообразования за объем вернуть MiniMax на лидирующие позиции в гонке ИИ. Модель позиционирует экономически эффективную, коммерчески развертываемую полномодальную генерацию как новый рубеж конкуренции, а способность к видеоредактированию указывает на то, что производственное качество для профессиональных рабочих процессов может стать столь же важным, как и базовая генеративная мощь.
Компания XPower Technology представила чипы архитектуры RPP AE7100E на мероприятии WAIC. Эти микросхемы размером с ноготь способны поддерживать модели с параметрами от 400 миллиардов до 1,6 триллиона благодаря использованию распределенных вычислений, обеспечивая при этом минимальную стоимость токена.
XPower Technology зарекомендовала себя как значимый игрок на внутреннем рынке AI-вычислений на WAIC 2026. Компания продемонстрировала свою матрицу ускорителей искусственного интеллекта, основанную на собственной архитектуре реконфигурируемого параллельного процессора RPP. Эта архитектура охватывает сценарии облачных, граничных и конечных вычислений. Основная идея компании напрямую оспаривает общепринятую доктрину индустрии о необходимости использования гигантских чипов.
Чипы AE7100E, которые имеют размер около ногтя, могут быть интегрированы в количестве 12 штук на одну карту ускорителя. Такая конфигурация позволяет запускать большие языковые модели с 400 миллиардами до 1,6 триллиона параметров посредством распределенных вычислений, достигая оптимальной для отрасли эффективности затрат на токены. Генеральный директор XPower, Ли Юань, отметил, что переход от вычислений, ориентированных на обучение, к вычислениям, ориентированным на инференс, является ключевым трендом. Он подчеркнул, что AI-программирование стало критически важным случаем использования для инференса, поскольку опыт компании показал, что AI теперь способен выполнять разработку компиляторов ЦП, которая ранее требовала профессиональной команды годами, и эту способность можно масштабировать для быстрого применения в различных задачах.
Поскольку 55% запросов к моделям в глобальных центрах обработки данных приходится на рынок моделей с открытым исходным кодом, рынок инференса доступен не только нескольким гигантам, но и любому предприятию, что создает огромный спрос на экономически эффективную инфраструктуру для инференса. Ключевое наблюдение заключается в неэффективности больших чипов при инференсе: декодирование требует соотношения вычислений к данным 1:1, тогда как графические процессоры (GPU) обеспечивают соотношение 1000:1, что приводит к потере пропускной способности. Архитектура RPP от XPower использует распределенные небольшие чипы, обеспечивая тонкую специализацию в пределах одного сервера. Кроме того, подход XPower заменяет дорогостоящую технологию HBM на более зрелую LPDDR, утверждая, что для AI-инференса фундаментально необходимы три элемента: большая емкость, достаточная пропускная способность и низкая стоимость. Технология LPDDR удовлетворяет всем этим требованиям при значительно меньшей стоимости по сравнению с HBM. Конфигурация из 12 чипов на карту позволяет осуществлять детальное разделение памяти и параллельную обработку данных между чипами в рамках одного форм-фактора сервера. Эта распределенная серверная архитектура отличает XPower от подхода NVIDIA Groq, который также использует распределенные многочиповые конструкции, но в гораздо большем кластерном масштабе. Встроенная гибкость архитектуры RPP, балансирующая между общими и специфичными для предметной области вычислениями, позволяет использовать один чип для сценариев развертывания в облаке, на границе и на конечном устройстве.
Во время WAIC компания продемонстрировала свою продукционную линейку, начиная от чипа AE7100E и заканчивая высокоплотными серверными шкафами на 8 карт. Переход компании от граничных вычислений к облачным является стратегической ставкой на то, что рынок инференса, который XPower оценивает в 10 раз выше, чем рынок обучения по общей адресуемой стоимости, будет завоеван не самой большой вычислительной мощностью одного чипа, а наиболее экономически эффективными распределенными системами. Хотя подтверждение этой гипотезы будет зависеть от результатов реального внедрения, архитектура RPP представляет собой один из самых самобытных отечественных подходов к вычислениям, который бросает вызов консенсусу о больших чипах, утверждая, что будущее AI-инференса принадлежит не единым монолитным процессорам, а скоплениям скоординированных небольших чипов.
