「Bravo to MiniMax（向MiniMax致敬）」8月3日，Stable Diffusion創始人Emad Mostaque在看到MiniMax正式開放影像模型H3的核心權重後，在社交平台上寫下了這句話。

四年前，正是Stable Diffusion第一次把高品質圖像生成從少數公司的伺服器中釋放出來，交到全球開發者和創作者手中。

幾乎同一時間，矽谷頂級投資機構a16z合夥人JustineMoore也在震驚與驚歎中，按捺不住激動地曬出了自己的實測結果。

過去一年半，她一直用一道看似簡單的題目測試不同AI影像模型：讓畫面中的男子用粉筆在黑板上寫下「Hi」。此前，從沒有一個模型能夠通過這項測試——直到H3橫空出世，一舉完成了挑戰。

對人而言，這不過是一個再普通不過的動作；對影像模型而言，它卻要在連續時間裡同時處理手、粉筆與黑板的接觸關係，理解筆劃出現的先後順序，還要保證已經寫出的字母不會隨畫面變化而扭曲、消失。

一位是生成式AI開放運動的標誌人物，一位是長期關注產業競爭的矽谷投資人。他們同時對一家中國公司高度褒獎，顯然不是因為市面上又多了一個頭部影像模型。

真正引起關注的，是一個過去很少同時出現的組合：世界第一梯隊的影音生成能力，不再鎖在閉源產品和高價介面背後，而是以開源的方式交到了開發者手中。

這很容易讓人想起2025年DeepSeek-R1發佈時帶來的開源震撼。從文本延伸至影音，中國AI 企業的持續開放，正將單點突破凝練為明確的技術範式。

影音，曾是AI最難打開的門

過去幾年，開來源語言模型已經走出一條相對清晰的道路。

從美國的Llama到中國的DeepSeek，開源模型的性能不斷提高，量化、微調和本地部署工具也日趨成熟。如今，企業乃至個人開發者在本地運行一個具有實用能力的語言模型，已經不再令人意外。

在影音賽道，卻是另一幅光景。

文本模型輸出的主要是一串token，而影像模型要同時解決空間與時間問題。一個人物在連續數百幀中不能突然換臉，服飾、場景和光線不能隨意漂移，動作必須承接前後狀態，鏡頭還要準確執行人的創作意圖。

若要做到音畫同步，對白、環境音與配樂更需要與畫面進行毫秒級的時空匹配。

這使影音成為生成式AI中計算最密集、工程鏈條最複雜的領域之一。影音生成不僅推理負擔沉重，容錯率也極低——文字錯了一句可以局部修改，而影音動作一旦出錯，往往意味著整段重來，之前消耗的算力全部作廢。

因此，前沿影音能力長期主要存在於雲端產品和付費介面中。影音賽道的開源模型並非沒有，但真正稀缺的是：一個開源模型，能不能同時站上全球商業競爭的最前沿？

MiniMax發佈的H3跨過的正是這道門檻。

在全球AI模型評測平台Artificial Analysis的評測中，H3的影音編輯位居第一、文生影音排名第二、圖生影音排名第三；在影像模型對戰平台Arena的最新結果中，它成為文生影音和圖生影音兩類排名最高的開源模型。

更值得注意的是性能與成本的組合。Artificial Analysis的數據顯示，H3的2K音影音生成價格約為每分鐘7.8美元，低於當下多款1080p主流商業模型，在品質與價格象限中躋身最優梯隊。

在過去，音畫同步直出對於閉源模型都稱得上核心競爭力。而H3同時把行業頂級的性能、極高的性價比和全面開源帶到了同一張牌桌上，完成了影音領域的DeepSeek級突破。

使用者還可以同時輸入圖片、影音和音訊作為參考素材，讓模型在一套系統內完成從畫面生成到聲音匹配的完整流程，而過去這通常需要在多個模型和軟件之間反覆切換。MiniMax開放的，不只是一項單一功能，而是一種理解並執行複雜視聽意圖的生產力。

從DeepSeek到MiniMax，開源正在變成行業引擎

DeepSeek證明了高性能、低成本與開源權重可以同時成立；H3的出現，則把這套邏輯推進到了AI研發門檻最高、也最具商業價值的另一高地：創意生產力。

H3開放當天，包括華為昇騰、AMD、Intel在內的國內外晶片廠商迅速完成適配，Hugging Face、魔搭ModelScope、ComfyUI等平台同步接入，多個主流推理框架也提供支援。在Hugging Face上，H3一度升至趨勢榜首，與DeepSeek最新模型共同佔據前列。

開源AI工作流平台ComfyUI對H3的優化就是一個縮影。透過一系列工程優化，其方案把模型的總體記憶體佔用從123.6GB降至42.5GB，使消費級顯卡也有機會本地運行前沿影像模型。

過去，開源模型經常是「夠用但不是最好」的次優選擇。真正追求效果的企業，最終仍要回到更強的閉源模型。

DeepSeek在文本領域打破了這條分界線。

DeepSeek V4 Flash發佈時，每百萬token輸出定價僅2元人民幣；而OpenAI的GPT-5.6 Luna即便經過80%的大幅降價，輸出定價折合人民幣仍要約8.7元。開發者社區由此喊出了「斬殺線」這個說法：當開源模型的性能達到准一線水準，價格卻只要對手的零頭，閉源產品就必須證明自己貴得有道理。

如今，MiniMax H3正在影音領域畫出同樣一條線。H3以2K解析度音影音直出，每分鐘生成成本約7.8美元；而當下多款主流閉源影像模型僅提供1080p輸出，每分鐘定價卻在20美元以上。

更高的畫質，不到對手四成的價格，再加上全面開源——這意味著，閉源影像模型昂貴的定價邏輯正在被徹底動搖。

過去，使用者為封閉介面付費是因為沒有同等水準的替代品；現在，替代品不僅出現了，而且更便宜、更開放，開發者還可以自行部署和優化。開源不再是退而求其次，封閉也不再天然等於能力領先。

中國正在把產業能力帶入AI競爭

無論是DeepSeek還是MiniMax，它們的開源選擇背後都折射出一種正在形成的中國AI發展路徑。

DeepSeek和MiniMax面對不同領域與商業模式，卻共同強化了一組越來越清晰的中國模型特徵：世界級性能、持續降本、開源權重、工程優化與廣泛適配。

這條發展路徑並非憑空出現。

中國擁有高度競爭的電商、短影音、遊戲、廣告和內容產業。市場不只關心模型能否生成驚豔樣片，更關心它是否便宜、穩定，能否批量運行，能否接入真實業務。

與此同時，中國擁有高度成熟的工程化落地能力與正在成長的國產算力生態。開源模型可以被不同晶片、框架、雲平台和行業軟件反覆優化，將實驗室裡的能力快速擠掉水分，變成真正的生產工具。

這種路徑，與中國過去推動太陽能、電池、通信設備等技術普及的方式有某種相似之處。真正改變全球市場的，從來不只是性能最強的單個樣品，也包括把複雜技術工程化、規模化，透過產業協作持續降低使用門檻的行業生態和土壤。

如今，這種能力正在進入AI。

在全球最大的AI模型調用平台OpenRouter上，文本模型周調用量前十名中有八個來自中國；Hugging Face CEO Clément Delangue近期表示，中國已經在開源模型領域佔據主導地位。英偉達CEO黃仁勳也強調，世界既需要前沿閉源模型，也需要前沿開源模型，因為AI最終將「由每個國家構建」。

這種開放的生態，正在讓全球開發者得以站在中國開源模型的肩膀上，建立屬於自己的AI能力。

如果這一趨勢持續下去，中國AI對世界的影響就不會只表現為排行榜上多了幾個中國名字。它還可能表現為，越來越多國家與企業在建立自己的AI能力時，底層運行的是中國開源模型；越來越多開發者在設計下一代產品時，首先想到的是來自中國的模型底座。

中國由此輸出的，不只是可以消費的技術產品，也是可以繼續開發、繼續創造的基礎能力。

對於MiniMax的開放姿態，資本市場也並未將其解讀為商業價值的讓渡，反而給予了積極回饋。H3發佈後MiniMax股價連續走強，8月6日正式納入港股通，華爾街投行傑富瑞重申買入評級，花旗同樣維持買入。

從追趕前沿，到為世界增加一種選擇

就在幾個月前，全球影音AI領域還經歷了一次標誌性的退場。

2026年3月，OpenAI關停了上線不久的Sora，並終止了與迪士尼的巨額合作。這款曾驚豔世界的閉源代表作，最終因日均高達百萬美元的推理成本而難以為繼。

Sora的退場並非技術失敗，但它揭示了閉源影像模型面臨的深層困境：推理成本極高，卻只能由一家公司獨自承擔；使用者只能調用介面，無法參與優化和適配；當熱度退去，昂貴的算力基礎設施就變成了沉重的財務負擔。

H3的出現，讓一個判斷變得越來越清晰：

在影音這個推理成本最高、工程鏈條最複雜的AI領域，閉源可能從一開始就不是最優解。

當模型足夠強大後，誰能讓它以更低成本、更可持續的方式進入現實世界？

從DeepSeek到MiniMax H3，這條路已經從文本延伸到了成本更高、工程更複雜、與文化和產業結合更直接的影音領域。

從語言智慧到影音生成，從模型產品到產業底座，中國AI正在完成一次重要的身份變化：它不再只是既有路線的追趕者，也開始為全球AI的發展提供另一種可能。

而這條路，中國可能從一開始就走對了。

本文獲《觀察者網》授權刊載。