MiniMax vient de publier les poids de son modèle de génération vidéo H3 sur Hugging Face, ce qui permet à toute personne disposant d'un GPU décent de télécharger le système de base. Cette publication s'arrête avant le pipeline commercial complet : seul le générateur H3-Base est en accès ouvert (open-weight) ; les étapes de prétraitement et d'upscaling restent accessibles uniquement via une API.

Ce que contient réellement la version à poids ouverts

L'architecture H3 de MiniMax se divise en trois blocs logiques. Les deux qui restent limités à l'API sont :

  • La couche Context-IR – prétraite le texte, les images ou les extraits vidéo en entrée.
  • La couche Regenerate-2K – augmente la résolution de la sortie pour obtenir une vidéo haute résolution (2K).

Les développeurs peuvent télécharger le générateur de base H3-Base, le moteur qui transforme des prompts multimodaux en un clip vidéo de 768 pixels sur son bord le plus court avec un audio natif.

Réalités matérielles et d'exécution

Le modèle contient 33 milliards de paramètres et se décline en deux versions :

  • fl2va – accepte des prompts textuels et d'images.
  • ref2va – accepte une vidéo de référence comme faisant partie du prompt.

Le plus petit checkpoint quantifié pèse environ 21 Go ; le checkpoint en pleine précision pèse 123,6 Go. MiniMax recommande au moins 42,5 Go de VRAM ou de stockage pour un fonctionnement confortable.

Sur un GPU de 12 Go, les développeurs peuvent exécuter le modèle avec un déchargement vers le CPU (CPU offloading), mais l'inférence ralentit de manière notable. La génération locale plafonne à 768 px sur le bord le plus court, bien en dessous de la résolution 2K offerte par la couche propriétaire Regenerate-2K.

Pourquoi cette publication est importante

Le récent classement d'Artificial Analysis place H3 en tête de la catégorie « montage vidéo » et dans le top trois pour les catégories « text-to-video » et « image-to-video ». Ces scores en font le modèle vidéo à poids ouverts le plus performant disponible aujourd'hui.

Le modèle est multimodal : il comprend le texte, les images, la vidéo et l'audio, et peut synthétiser de la vidéo avec un son synchronisé — une polyvalence inhabituelle pour un ensemble de poids téléchargeable publiquement.

Limites et autre versant de l'histoire

H3 ne l'emporte pas partout ; Gemini Omni Flash est plus performant sur certaines tâches. Comme l'upscaling haute résolution est réservé à une API, les développeurs ne peuvent pas atteindre le résultat commercial complet sans payer pour le service de MiniMax.

La licence constitue un autre obstacle. Les conditions interdisent explicitement l'utilisation dans l'Union européenne, le Royaume-Uni, la Corée du Sud et les États-Unis. Les organisations situées dans ces régions doivent négocier un accord commercial distinct ou chercher ailleurs.

À retenir : Le modèle H3 à poids ouverts de MiniMax offre aux développeurs un puissant générateur vidéo multimodal qu'ils peuvent exécuter localement, mais le prétraitement et l'upscaling uniquement via API, les besoins matériels importants et les interdictions de licence régionales maintiennent l'expérience commerciale complète hors de portée pour beaucoup.