为什么要在 Mac 上重造一个引擎

MiniMax 在 8 月 3 日把 H3 正式开源，这是一个能同时吃进文本、图像、音频、视频、再一次性吐出最长 15 秒带原生立体声视频的通用生成模型。官方提供了 Hugging Face 权重和基于 SGLang、MLX 等的参考实现，社区也很快出现了 PipeNetwork 的 MLX 移植版。

但 antirez 选择了一条更硬核的路：不依赖现成框架，自己用 C 实现推理内核，再用 Metal 把矩阵运算落到苹果芯片的 GPU 上。这样做的好处是能精细控制统一内存的占用与复用——视频模型权重动辄上百 GB，能否塞进 Mac 的有限内存，取决于推理引擎怎么分批搬运张量。h3.c 目前仍在开发中，仓库显示它已能跑通提示词到视频、首尾帧约束，以及参考图、视频、音频的 Ref2VA 条件控制。

速度能快多少

项目 README 里给出了一组在 M5 Max 上的实测。以一段 512 像素见方、22 帧的红狐踏雪短片为基准：用默认 20 步去噪需要约 26.4 秒；而采用 4 步的激进调度，耗时压缩到约 3.5 秒，画面对照 29 步参考稿的全片结构相似度（SSIM）仍有 0.556，独立的冲浪者测试为 0.547。换句话说，用不到七分之一的时间，就能拿到一个可用、但细节更糙的预览。

模型核心是一个 33B 的稠密 Transformer（H3-Omni-Transformer），文本编码器复用 Qwen 系模型，权重以 BF16 精度常驻。在开启预览的激进配置下，峰值显存占用约 25.9 GiB（int8 估算）。仓库还提供多档预设：默认 20 步、最慢 50 步参考、最快 4 至 7 步，开发者可以一次只调一个旋钮来权衡速度与画质。

能拿来做什么

h3.c 内置了一个类似 Iris 的交互会话：启动时加载模型与分词器，之后输入提示词即可连续生成，重复提示词换随机种子时不必重新加载。它支持首帧与末帧锚定，让镜头从 A 画面运动到 B 画面，也支持按顺序追加多张参考图，标记为图片 1、图片 2，让模型据此生成「让图片 1 里的人挥手」这类指令。

分辨率方面，512×512 是被反复验证的开发尺寸，768p 级别的横竖构图也已验证，画布上限受机械限制约 768×1344。更短的 256 见方预览会自动降低空间位置编码频率，消除长镜头里出现的网格伪影。

对普通用户而言，h3.c 的意义在于把在云端排队、按秒计费的视频生成，变成在自己电脑上离线跑的一件事。代价是需要一台内存充足的 Apple Silicon Mac，以及等待项目继续打磨工程完整度。antirez 本人以把复杂系统写到极简著称，h3.c 最终能否成为 Mac 上跑 H3 的默认选择，还要看后续的内存优化与稳定性。

来源：Hacker News | antirez | https://github.com/antirez/h3.c

H3是个通用多模态生成模型，输出15秒、2K分辨率（短边约1440像素）、24帧每秒的视频，画面与原生立体声音频在同一次生成中同步产出。同一段提示词里可以塞进至多9张图、3段视频、3段音频。比如”参考视频1的希区柯克运镜，让图片2里的角色按音频3开口唱歌”，H3会自己理顺上下文的关系。

核心架构由四部分撑起来：Contextual Omni Representation把上百K token的原始素材压缩到约4K token，让语言成为跨模态的通用桥梁；H3-VAE把序列有效长度扩展4倍，配合原生2K输出；H3-Omni Transformer把理解与生成的算力分离，训练吞吐约提高30%；In-Context Regeneration让2K输出由模型自身在上下文内重画，不用外挂超分模块，小字、品牌标识都能保住。

生成任务分三档：纯文本驱动的t2va、首尾帧关键帧驱动的fl2va，以及参考素材驱动的ref2va——后者能绑定主体图像与参考音色，做口型同步与语音克隆。

价格上，2K同档每秒单价不到主流闭源模型的三分之一，768p每秒不到主流模型720p的一半。硬件适配是同步推进的：AMD用SGLang在MI355X和MI300X上跑出Day 0支持，8卡序列并行；摩尔线程同日在国产AI训推卡MTT S5000上完成适配。开源采用MiniMax Community License，权重将在未来几天放出。

说白了，H3的看点不是又一个”文生视频”，而是把图像生成、参考控制、编辑拉到同一个框架里。OpenAI Sora 2、字节Seedance 2.5与谷歌Gemini Omni Flash分占不同赛道，H3在编辑与可控参考上领先，但纯文生视频和图生视频环节未必都第一。

我的判断是，2026年下半年AI视频工具的PK标准会从”几秒高清”改成”多模态可控+开源可改+多硬件可跑”。H3把三条都点上了。想试的话，盯紧开源权重放出的那一天。

来源：MiniMax Research 官方博客、AMD Developer Blog、36氪

目前 Seedance 2.5 已陆续上线豆包、即梦 AI、扣子、小云雀等字节旗下产品，接口服务也将在近期上线火山方舟，通过火山引擎面向企业用户开放。

从“生成一个片段”到“完成一段创作”

Seed 团队在发布说明中给出了这次升级的出发点：

“Seedance 2.0 发布后，我们观察到，用户对视频创作模型的期待正在从‘生成一个片段’走向‘完成一段创作’。Seedance 2.5 延续了 Seedance 2.0 统一的多模态音视频联合生成架构，重点突破长叙事能力、多模态参考能力和编辑能力。”

这句话基本概括了这一代模型的产品思路——不再只比谁生成的几秒画面更炫，而是看能否把一个完整的创意从头做到尾。

单次时长翻倍到 30 秒，支持多轮延长

最直观的变化是时长。Seedance 2.5 把单次视频生成时长从 15 秒提升至 30 秒，并支持多轮延长。

时长翻倍带来的不只是“更长”。团队称模型优化了镜头衔接和场景过渡，可以在 30 秒内组织多个具备逻辑关联的镜头，让一个故事按照铺垫、推进、转折、收尾的结构完整展开。配合多轮延长，用户可以产出数分钟具有统一视听语言的连贯内容。

画质、音质和运动质量也做了大幅优化，并明确针对 AI 视频常见的“油腻感”做了弱化处理——这是当前生成视频最容易被一眼识破的通病之一。

一次最多喂 50 份参考素材

多模态参考能力这一块，Seedance 2.5 支持用户单次输入最多 30 张图片、10 段视频和 10 段音频作为参考素材，合计 50 份。

模型可以综合理解不同素材的构图、场景、风格、人物等元素，实现多主体、多场景、多镜头变化的复杂创意。参考类型上，白模参考、运动参考、创意参考等能力均有提升。据媒体报道，新版本还增加了白模与绿幕参考能力，并原生支持十余种语言，以适配多语言、多版本的工业化生产需求。

对内容团队来说，这项能力的实际意义在于可控性：不必反复调整提示词去“碰运气”，而是直接把想要的角色形象、场景基调、音乐节奏作为素材喂进去。

支持时间戳级别的定向编辑

编辑能力是这一代的第三个重点。Seedance 2.5 支持精准的时间戳控制，可以对视频内容做定向编辑，而不必推倒重来。

同时，模型强化了绿幕编辑、视角编辑、参考编辑等多种编辑能力，可以在维持整体画面节奏的前提下，对背景、商品、人物等局部元素做精准修改，面向影视、广告等更专业、更复杂的创作场景。

对商业化内容生产而言，这一点相当关键——同一支广告片换个产品、换个背景、出一个不同市场的版本，此前往往意味着整段重新生成。

首批企业客户已确认

据火山引擎方面透露，Seedance 2.5 发布当日，徐工集团、小鹏汽车、灵初智能、微分智飞、穹彻智能等多家企业已确认合作，将率先引入该模型能力。这些企业此前已经基于 Seedance 系列模型展开了场景落地探索。

团队承认的短板

Seed 团队在发布说明中也直接点出了当前版本的不足：在复杂运动的物理合理性、以及极多主体交互场景的稳定性上，模型仍有提升空间。

团队表示，后续将继续探索更长的连贯叙事、更懂用户的生成与编辑体验，并进一步增强模型对物理世界规律的理解。

从行业角度看，视频生成模型的竞争焦点正在从单纯的画质与时长，转向可控性和工业化流程适配。谁能让创作者少改几遍、少等几轮，谁就更有机会进入真实的生产管线。

来源：36氪（https://36kr.com/newsflashes/3919079681715588 ）、新京报贝壳财经、上海证券报