MiniMax ha pubblicato i pesi di H3, il suo modello di generazione video da 33 miliardi di parametri. È il primo modello open-weight a vincere un ranking pubblico di generazione video: Artificial Analysis lo piazza primo in Video Editing, secondo in Text-to-Video, terzo in Image-to-Video.

Finora la convergenza fra modelli aperti e modelli proprietari riguardava il testo: DeepSeek V4-Flash aveva eguagliato GPT-5.6 Luna a un costo inferiore del 60%. Il video restava territorio dei lab con compute smisurato e modelli chiusi. H3 porta l’open-weight nella generazione video a qualità misurabile, e lo fa con un modello che processa testo, immagini, video e audio insieme, generando clip da 4 a 15 secondi con audio stereo nativo.

Per chi produce contenuti, la cosa concreta è il fine-tuning. Puoi addestrare il modello sui tuoi footage, sui tuoi personaggi, sul tuo stile visivo. Con un’API chiusa non lo fai.

Due pezzi restano chiusi. Il modulo per la risoluzione 2K e H3-Context-IR, il sistema che traduce prompt complessi in un formato strutturato prima della generazione, non sono nei pesi. Chi lo fa girare in locale su ComfyUI arriva a 768p e deve gestire la preparazione del contesto da solo, seguendo le guide di MiniMax. La licenza permette uso commerciale solo sotto i 20 milioni di dollari di fatturato.

Lo stesso giorno ByteDance ha rilasciato Seedance 2.5, modello chiuso che genera clip da 30 secondi con audio integrato. La concorrenza sul video generativo non si è fermata ad aspettare H3.

Nel dettaglio

Fino a H3, i ranking pubblici di generazione video erano dominati da modelli proprietari. La qualità misurabile su benchmark come VQEG e VMAF era appannaggio di lab che non rilasciano i pesi. L’open-weight nel video esisteva (SANA-Video di NVlabs, per esempio), ma non aveva ancora raggiunto il top di una classifica pubblica.

H3 è un modello omni-modale da 33 miliardi di parametri. Accetta in input una combinazione di testo, immagini, video e audio, e produce in output un clip video con audio stereo a 32 kHz. Un singolo prompt può includere fino a 9 immagini di riferimento, 3 clip video e 3 clip audio, per un massimo di 12 file totali. La durata dell’output va da 4 a 15 secondi, a 24 frame per secondo.

Il sistema completo ha tre moduli. H3-Context-IR è il preprocessore: prende prompt complessi e materiale di riferimento, li interpreta, e li converte in una rappresentazione intermedia strutturata che il modello di generazione può usare. MiniMax lo descrive come critico per la qualità del risultato, ma non lo include nei pesi aperti perché dipende da una pipeline di modelli e servizi ospitati. Fornisce un’API per riprodurne il comportamento e guide dettagliate per costruirne uno proprio.

H3-Base è il modello generativo vero e proprio. Dai pesi aperti produce output a 768p di risoluzione. È quello che scarichi da Hugging Face e puoi far girare in locale tramite Diffusers o ComfyUI.

H3-Regenerate-2K è il modulo di upscaling che porta il risultato a 2K sfruttando sia le capacità generative di H3 sia le informazioni del contesto originale. Anche questo resta chiuso.

Chi scarica i pesi oggi ha H3-Base. Per ottenere risultati paragonabili a quelli dei ranking, deve costruire la propria pipeline di preparazione del contesto seguendo le guide pubblicate da MiniMax, oppure chiamare l’API di H3-Context-IR come servizio.

La licenza community permette uso commerciale a chi fattura meno di 20 milioni di dollari. Sopra quella soglia serve un accordo commerciale separato. È una restrizione già vista nei modelli aperti cinesi: pesi disponibili, ma con un tetto di fatturato che esclude le aziende grandi.

Sul fronte concorrenza, ByteDance ha rilasciato Seedance 2.5 lo stesso giorno. Modello chiuso, clip da 30 secondi con audio integrato. Il messaggio è chiaro: il video generativo è un fronte su cui si compete duramente, e chi apre i pesi lo fa per strategicità, non per generosità.