Mac 用户别观望了H3 在 Apple Silicon 上从零跑到出片【免费下载链接】MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力能够出色地执行复杂的多模态指令。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-H32026 年 8 月MiniMax 开源了通用全模态生成系统 H3——文本、图像、视频、音频统一理解直接产出带原生立体声音频、最长 15 秒的视频LICENSE 标注的开源日期为 2026-08-02。开源首日即有媒体盘点16 家芯片及平台完成适配社区里的部署教程也迅速分化成两条战线一边是 24GB 显存显卡用户的量化折腾记另一边则是一批 Mac 用户晒出的 Apple Silicon 实测——Conda 建环境、PyTorch MPS/CPU 适配、4-bit/8-bit 量化加载从配置环境一路跑到本地出片。本文不贩卖Mac 也能 2K 实时渲染的幻觉而是把社区实录与仓库源码交叉验证讲清楚三件事H3 在仓库里到底由什么组成、Apple Silicon 上两条部署路线怎么走、以及跑通之后它的性能天花板和适合干的活。先掂量重量H3 在仓库里究竟由什么组成H3 不是一个模型文件而是一套自包含的系统。仓库根目录的 model_index.json 把组件拆得明明白白文本编码器Qwen3VLForConditionalGeneration、分词器Qwen2TokenizerFast、视觉处理器Qwen3VLProcessor、33B 扩散主干MiniMaxH3Transformer3DModel、视觉 VAEAutoencoderKLMiniMaxH3、音频 VAEAutoencoderKLMiniMaxH3Audio以及两套采样调度器。仓库同时提供了两种形态的权重顶层 diffusers 格式的组件目录以及FL2VA/、Ref2VA/两个任务族的原始 checkpoint供 SGLang、vLLM 使用diffusers 用户甚至不需要手动下载ModularPipeline.from_pretrained(MiniMaxAI/MiniMax-H3)会按需拉取。两个任务族的差异在 README 的模型变体表中写得很清楚任务族任务输入输出MiniMax-H3 Base FL2VAt2va/fl2va文本可选首帧、尾帧或首尾双帧视频 音频MiniMax-H3 Base Ref2VAref2va文本 参考图≤9 张/参考视频≤3 段/参考音频≤3 段视频 音频参数规模可以从 transformer/config.json 直接读出50 层 Transformer、hidden size 5376、FFN 14336、56 注意力头、text_dim5120这正是 Qwen3-VL-32B 第 50 层隐状态的维度——H3 用一整个 32B 视觉语言模型当编码器。主干 33B 参数其中约 13B 位于 AdaLN 分支README 明确说明这些参数在纯推理场景下可以预计算缓存、无需加载。视觉 VAE 在 vae/config.json 中给出压缩配置空间下采样 2×2×2×2 共 16 倍、时间下采样 2×2 共 4 倍、24 通道潜变量f16t4d24进入 Transformer 前再按1×2×2的 patch 切分音频侧则是 32kHz 采样率压缩为 40Hz 潜变量 token左右声道共享同一套编解码器后重组实现原生立体声。做个粗略的重量估算33B 主干 BF16 约 66GB32B 文本编码器 BF16 约 64GB——这就是为什么社区讨论里33B 全模态模型总跟显存焦虑绑定。苹果统一内存虽然不区分显存与内存但总量上限是实打实的这也是 Mac 部署第一课量化不是可选项是入场券。第一层Conda MPS/CPU 适配生成侧8 月初的社区实录《Mac 本地部署 MiniMax H3 开源大模型从环境配置到代码实践》已经把这条路趟了一遍核心就三件事环境、设备、量化。环境侧用 Conda 建独立 Python 环境安装带 MPS 支持的 PyTorch 与 diffusers设备侧Apple Silicon 上torch.backends.mps可以承接大部分算子但 H3 这种长序列多模态扩散模型存在不少算子回退到 CPU 的情况社区教程里记录的设备错误与慢推理大多源于此量化侧4-bit/8-bit 加载是让 64GB 以下机器跑起来的唯一现实选择社区给出的排查清单也集中在 OOM、Metal 兼容性与量化位宽选择上。仓库 README 推荐的推理框架是 SGLang、vLLM、diffusers 与 ComfyUI 四条路。对 Mac 用户而言diffusers 路径最顺手ModularPipeline.from_pretrained只拉需要的组件配合 4-bit/8-bit 量化把统一内存账算清楚——INT8 下主干约 33GB、编码器约 32GB总量约 65GB 量级INT4 下约 33GB 总量再叠加激活值、VAE 与调度器开销64GB 的 Mac 建议从 INT4 起步128GB 以上才谈得上 INT8 甚至 BF16。需要提醒的是H3 首个开源版本只提供 full attention 推理稀疏注意力实现尚未放出这意味着长序列计算开销在 Apple Silicon 上会进一步放大短片段、低分辨率是 Mac 上的默认工作模式。第二层Ollama 拉起代码侧Continue 接入 VSCode视频生成只是 H3 的一面。社区同期还有一篇《Mac 本地部署 MiniMax H3 代码模型从 Ollama 到 VSCode 的完整实战指南》记录的是另一条部署线Ollama 环境搭建、模型拉取与本地 API 服务启动再到 VSCode 里装 Continue 插件把本地模型接成代码助手排查点同样是 Metal/CUDA 兼容性、OOM 与 API 连接失败选型逻辑是量化模型优先、追求低延迟本地推理。于是 Apple Silicon 上形成了清晰的双部署格局代码侧走 Ollama 的量化生态拉起本地 API 供 Continue 使用解决日常编程辅助生成侧走 diffusers MPS 量化专供视频/音频生成。两者共享同一块统一内存错峰调度即可共处一机。值得一提的是H3 的文本编码器 Qwen3-VL-32B 采用 Apache-2.0 许可LICENSE 末尾有明确注明与本地工具链的集成门槛较低而生成主干遵循 MiniMax H3 社区许可商用前需要核对许可文本中的适用地区与营收条款。出片验证跑通仓库自带的 768p 可复现用例从零跑到出片的验收标准建议直接对标仓库自带的三个可复现用例——reproducible-768p-t2va-request.sh、reproducible-768p-fl2va-request.sh、reproducible-768p-ref2va-request.sh。这些脚本假定本地已有 SGLang 服务README 中给出的启动方式是 4 卡、--ulysseus-degree 4Mac 上对应降级为单卡/CPU 配置请求体结构如下curl --request POST \ --url http://localhost:30010/v1/videos \ --header Content-Type: application/json \ --data-binary - JSON { task: t2va, prompt: H3-Context-IR 展开后的多模态描述, conditions: [], target: { short_edge: 768, aspect_ratio: 16:9, duration_seconds: 10 }, seed: 0 } JSON提交后轮询GET /v1/videos/id的状态completed后从/content拉取 MP4。三个用例的参考输出就放在仓库里t2va.mp4、fl2va.mp4、ref2va.mp4Mac 上跑出的结果可以直接与之逐帧对比。输出规格在 README 中有明确界定时长 4–15 秒、默认短边 768p、24FPS、32kHz 立体声音频、稳定支持 11 种语言——注意这是 H3-Base 单模块的能力边界。完整的 2K 出片链路则是混合部署本地 SGLang 跑 H3-Base 出 768p 草稿云端 H3-Context-IR 负责把多模态指令精化成结构化中间表示这一步对成片质量至关重要但未随开源发布最后用 H3-Regenerate-2K API 把 768p 结果连同原始上下文一起再生成到 2K。README 的 Full 2K Workflow 提供了 T2VA、I2VA、Ref2VA 三个完整案例脚本与对照结果如 t2va_2k.mp4 与 API 直出参考 h3_direct_2k.mp4。翻译成 Mac 用户的语言本地管草稿与迭代云端管精修与分辨率这也是社区评价里H3 Max 不是新模型、而是 H3 的服务化所指的分工逻辑。Mac 的性能天花板与适合它的场景把账算清楚结论就朴素了。内存账BF16 全量约 130GB 量级只有 Mac Studio 顶配才有资格谈INT8 约 65GBINT4 约 33GB64GB 机型走 INT4/短片段是合理区间。时间账社区量化实测给出的参考量级是——8GB 显存显卡 INT8 跑 480P 需要 5–10 分钟一条双卡 NPU 的 INT8 全链路优化后约 76 秒约 53GB 权重完整加载而云端 API 生成 768P 大约是百秒级。Apple Silicon 的 MPS 算子覆盖度和内存带宽介于这些参考值之间单条 768p 短视频按分钟级起步规划预期是最诚实的预估。因此 Mac 上 H3 的正确用法不是替代 A100 渲染农场而是三类活提示词与工作流调优H3 的成片质量高度依赖提示工程仓库提供了 base 版与 ref 版两本官方写作指南本地快速迭代提示词、对照参考输出微调比云端试错成本低得多FL2VA/Ref2VA 的本地草稿首尾帧补间、多模态参考驱动的再创作类任务在本地批量出草稿、挑出满意的再送云端 2K是显存/内存受限环境下性价比最高的组合离线批量与教学演示不追求实时交互夜间挂机批量渲染完全可行M 系列芯片的低功耗优势反而成了加分项。最后补一条容易被忽略的合规提醒H3 的社区许可在 LICENSE 中明确了适用地区范围排除欧盟、英国、韩国与美国且商用营收超 2000 万美元需另行授权文本编码器则独立遵循 Apache-2.0。部署前花十分钟读许可比跑通后才发现踩线划算得多。从仓库结构、可复现脚本到社区实录Apple Silicon 上跑 H3 的路径其实已经非常清晰Conda 建环境、量化进内存、MPS 跑生成、Ollama/Continue 接代码侧768p 出片用仓库自带脚本验收2K 精修交给云端 API。别再观望了——先把 768p 的第一条片子跑出来天花板自然就摸到了。【免费下载链接】MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力能够出色地执行复杂的多模态指令。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-H3创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Mac 用户别观望了：H3 在 Apple Silicon 上从零跑到出片
Mac 用户别观望了H3 在 Apple Silicon 上从零跑到出片【免费下载链接】MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力能够出色地执行复杂的多模态指令。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-H32026 年 8 月MiniMax 开源了通用全模态生成系统 H3——文本、图像、视频、音频统一理解直接产出带原生立体声音频、最长 15 秒的视频LICENSE 标注的开源日期为 2026-08-02。开源首日即有媒体盘点16 家芯片及平台完成适配社区里的部署教程也迅速分化成两条战线一边是 24GB 显存显卡用户的量化折腾记另一边则是一批 Mac 用户晒出的 Apple Silicon 实测——Conda 建环境、PyTorch MPS/CPU 适配、4-bit/8-bit 量化加载从配置环境一路跑到本地出片。本文不贩卖Mac 也能 2K 实时渲染的幻觉而是把社区实录与仓库源码交叉验证讲清楚三件事H3 在仓库里到底由什么组成、Apple Silicon 上两条部署路线怎么走、以及跑通之后它的性能天花板和适合干的活。先掂量重量H3 在仓库里究竟由什么组成H3 不是一个模型文件而是一套自包含的系统。仓库根目录的 model_index.json 把组件拆得明明白白文本编码器Qwen3VLForConditionalGeneration、分词器Qwen2TokenizerFast、视觉处理器Qwen3VLProcessor、33B 扩散主干MiniMaxH3Transformer3DModel、视觉 VAEAutoencoderKLMiniMaxH3、音频 VAEAutoencoderKLMiniMaxH3Audio以及两套采样调度器。仓库同时提供了两种形态的权重顶层 diffusers 格式的组件目录以及FL2VA/、Ref2VA/两个任务族的原始 checkpoint供 SGLang、vLLM 使用diffusers 用户甚至不需要手动下载ModularPipeline.from_pretrained(MiniMaxAI/MiniMax-H3)会按需拉取。两个任务族的差异在 README 的模型变体表中写得很清楚任务族任务输入输出MiniMax-H3 Base FL2VAt2va/fl2va文本可选首帧、尾帧或首尾双帧视频 音频MiniMax-H3 Base Ref2VAref2va文本 参考图≤9 张/参考视频≤3 段/参考音频≤3 段视频 音频参数规模可以从 transformer/config.json 直接读出50 层 Transformer、hidden size 5376、FFN 14336、56 注意力头、text_dim5120这正是 Qwen3-VL-32B 第 50 层隐状态的维度——H3 用一整个 32B 视觉语言模型当编码器。主干 33B 参数其中约 13B 位于 AdaLN 分支README 明确说明这些参数在纯推理场景下可以预计算缓存、无需加载。视觉 VAE 在 vae/config.json 中给出压缩配置空间下采样 2×2×2×2 共 16 倍、时间下采样 2×2 共 4 倍、24 通道潜变量f16t4d24进入 Transformer 前再按1×2×2的 patch 切分音频侧则是 32kHz 采样率压缩为 40Hz 潜变量 token左右声道共享同一套编解码器后重组实现原生立体声。做个粗略的重量估算33B 主干 BF16 约 66GB32B 文本编码器 BF16 约 64GB——这就是为什么社区讨论里33B 全模态模型总跟显存焦虑绑定。苹果统一内存虽然不区分显存与内存但总量上限是实打实的这也是 Mac 部署第一课量化不是可选项是入场券。第一层Conda MPS/CPU 适配生成侧8 月初的社区实录《Mac 本地部署 MiniMax H3 开源大模型从环境配置到代码实践》已经把这条路趟了一遍核心就三件事环境、设备、量化。环境侧用 Conda 建独立 Python 环境安装带 MPS 支持的 PyTorch 与 diffusers设备侧Apple Silicon 上torch.backends.mps可以承接大部分算子但 H3 这种长序列多模态扩散模型存在不少算子回退到 CPU 的情况社区教程里记录的设备错误与慢推理大多源于此量化侧4-bit/8-bit 加载是让 64GB 以下机器跑起来的唯一现实选择社区给出的排查清单也集中在 OOM、Metal 兼容性与量化位宽选择上。仓库 README 推荐的推理框架是 SGLang、vLLM、diffusers 与 ComfyUI 四条路。对 Mac 用户而言diffusers 路径最顺手ModularPipeline.from_pretrained只拉需要的组件配合 4-bit/8-bit 量化把统一内存账算清楚——INT8 下主干约 33GB、编码器约 32GB总量约 65GB 量级INT4 下约 33GB 总量再叠加激活值、VAE 与调度器开销64GB 的 Mac 建议从 INT4 起步128GB 以上才谈得上 INT8 甚至 BF16。需要提醒的是H3 首个开源版本只提供 full attention 推理稀疏注意力实现尚未放出这意味着长序列计算开销在 Apple Silicon 上会进一步放大短片段、低分辨率是 Mac 上的默认工作模式。第二层Ollama 拉起代码侧Continue 接入 VSCode视频生成只是 H3 的一面。社区同期还有一篇《Mac 本地部署 MiniMax H3 代码模型从 Ollama 到 VSCode 的完整实战指南》记录的是另一条部署线Ollama 环境搭建、模型拉取与本地 API 服务启动再到 VSCode 里装 Continue 插件把本地模型接成代码助手排查点同样是 Metal/CUDA 兼容性、OOM 与 API 连接失败选型逻辑是量化模型优先、追求低延迟本地推理。于是 Apple Silicon 上形成了清晰的双部署格局代码侧走 Ollama 的量化生态拉起本地 API 供 Continue 使用解决日常编程辅助生成侧走 diffusers MPS 量化专供视频/音频生成。两者共享同一块统一内存错峰调度即可共处一机。值得一提的是H3 的文本编码器 Qwen3-VL-32B 采用 Apache-2.0 许可LICENSE 末尾有明确注明与本地工具链的集成门槛较低而生成主干遵循 MiniMax H3 社区许可商用前需要核对许可文本中的适用地区与营收条款。出片验证跑通仓库自带的 768p 可复现用例从零跑到出片的验收标准建议直接对标仓库自带的三个可复现用例——reproducible-768p-t2va-request.sh、reproducible-768p-fl2va-request.sh、reproducible-768p-ref2va-request.sh。这些脚本假定本地已有 SGLang 服务README 中给出的启动方式是 4 卡、--ulysseus-degree 4Mac 上对应降级为单卡/CPU 配置请求体结构如下curl --request POST \ --url http://localhost:30010/v1/videos \ --header Content-Type: application/json \ --data-binary - JSON { task: t2va, prompt: H3-Context-IR 展开后的多模态描述, conditions: [], target: { short_edge: 768, aspect_ratio: 16:9, duration_seconds: 10 }, seed: 0 } JSON提交后轮询GET /v1/videos/id的状态completed后从/content拉取 MP4。三个用例的参考输出就放在仓库里t2va.mp4、fl2va.mp4、ref2va.mp4Mac 上跑出的结果可以直接与之逐帧对比。输出规格在 README 中有明确界定时长 4–15 秒、默认短边 768p、24FPS、32kHz 立体声音频、稳定支持 11 种语言——注意这是 H3-Base 单模块的能力边界。完整的 2K 出片链路则是混合部署本地 SGLang 跑 H3-Base 出 768p 草稿云端 H3-Context-IR 负责把多模态指令精化成结构化中间表示这一步对成片质量至关重要但未随开源发布最后用 H3-Regenerate-2K API 把 768p 结果连同原始上下文一起再生成到 2K。README 的 Full 2K Workflow 提供了 T2VA、I2VA、Ref2VA 三个完整案例脚本与对照结果如 t2va_2k.mp4 与 API 直出参考 h3_direct_2k.mp4。翻译成 Mac 用户的语言本地管草稿与迭代云端管精修与分辨率这也是社区评价里H3 Max 不是新模型、而是 H3 的服务化所指的分工逻辑。Mac 的性能天花板与适合它的场景把账算清楚结论就朴素了。内存账BF16 全量约 130GB 量级只有 Mac Studio 顶配才有资格谈INT8 约 65GBINT4 约 33GB64GB 机型走 INT4/短片段是合理区间。时间账社区量化实测给出的参考量级是——8GB 显存显卡 INT8 跑 480P 需要 5–10 分钟一条双卡 NPU 的 INT8 全链路优化后约 76 秒约 53GB 权重完整加载而云端 API 生成 768P 大约是百秒级。Apple Silicon 的 MPS 算子覆盖度和内存带宽介于这些参考值之间单条 768p 短视频按分钟级起步规划预期是最诚实的预估。因此 Mac 上 H3 的正确用法不是替代 A100 渲染农场而是三类活提示词与工作流调优H3 的成片质量高度依赖提示工程仓库提供了 base 版与 ref 版两本官方写作指南本地快速迭代提示词、对照参考输出微调比云端试错成本低得多FL2VA/Ref2VA 的本地草稿首尾帧补间、多模态参考驱动的再创作类任务在本地批量出草稿、挑出满意的再送云端 2K是显存/内存受限环境下性价比最高的组合离线批量与教学演示不追求实时交互夜间挂机批量渲染完全可行M 系列芯片的低功耗优势反而成了加分项。最后补一条容易被忽略的合规提醒H3 的社区许可在 LICENSE 中明确了适用地区范围排除欧盟、英国、韩国与美国且商用营收超 2000 万美元需另行授权文本编码器则独立遵循 Apache-2.0。部署前花十分钟读许可比跑通后才发现踩线划算得多。从仓库结构、可复现脚本到社区实录Apple Silicon 上跑 H3 的路径其实已经非常清晰Conda 建环境、量化进内存、MPS 跑生成、Ollama/Continue 接代码侧768p 出片用仓库自带脚本验收2K 精修交给云端 API。别再观望了——先把 768p 的第一条片子跑出来天花板自然就摸到了。【免费下载链接】MiniMax-H3MiniMax H3 是一个通用的全模态生成系统。它支持对由文本、图像、视频和音频组成的多模态上下文进行统一理解并能生成分辨率高达 2K、时长可达 15 秒的带原生立体声音频的视频。得益于面向任务泛化的系统设计H3 在预训练阶段就已具备广泛的多模态上下文理解与生成能力能够出色地执行复杂的多模态指令。项目地址: https://ai.gitcode.com/MiniMax-AI/MiniMax-H3创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考