MiniMax H3 と MiniMax M3：片方は動画、片方はコード

これは、競合していない 2 つのモデルの比較です。H3 はオムニモーダルの動画モデルで、テキスト・画像・動画・音声が入り、音を同じパスに含んだ 4〜15 秒の動画が出てきます。M3 は 428B の Mixture-of-Experts 言語モデルで、100 万トークンの文脈を持ち、動画を読みますが書くのはテキストです。

M3 は動画を生成できません。H3 はコードを書けません。この 2 つで迷っているなら、まだ何を作るかが決まっていないということです。そして動画を作るのなら、M3 は持っておく価値があります。理由はこのページの最後にあります。

片方は動画を作り、片方はコードを書く

MiniMax H3 は 2026 年 7 月 31 日に出て、オープンウェイトは 8 月 2〜3 日に公開されました。テキスト・画像・動画・音声を取り、24 fps・4〜15 秒・最大 2K の MP4 を 1 本返します。呼び出しは /v2/video_generation で、非同期です。タスクを作り、ID をポーリングし、ファイルを落とす。課金は出力の秒単位。

MiniMax M3 はその 2 か月前、2026 年 6 月 1 日に出て、ウェイトは 6 月 12 日に公開されました。428B の Mixture-of-Experts で、トークンあたり 23B がアクティブ。MiniMax Sparse Attention の上に建てられていて、窓は 1,048,576 トークン。画像と動画を読み、テキストを書きます。呼び出しは /v1/chat/completions で、同期です。課金はトークン単位。

同じホスト、同じアカウント、モデル文字列は 1 文字違い。

あなたが探しているのは、実際にはどちらか

これを検索している人の多くは、何かを比較しているのではありません。間違ったモデルに着地して、そこから出たいだけです。問いを 1 つで片付けます。

何が出てきてほしいですか。

名前か数字だけを持っていて、それがどちらのものか分からない場合は、下の 2 つの照合用の節がそのためにあります。

数字を並べる

ほぼすべてを決めるのは 2 行です。

何を出力するかは、ほとんどの読者にとって必要な唯一の行です。課金の単位は、調達で足をすくう行です。間違ったモデルで組んだ見積もりは、少し違うのではなく、違う単位で値付けされています。H3 は 768P で出力 1 秒あたり $0.08、2K で $0.13。M3 は入力 100 万トークンあたり $0.30、出力 100 万トークンあたり $1.20 で、入力が 512K を超えると倍になります。

もう一度見る価値のある行が 1 つあります。どちらも動画を受け取りますが、H3 は真似るための参照として受け取り、M3 は説明するために受け取ります。同じ入力で、目的が逆です。

ライセンスは逆の方向を向いている

どちらも Community License と呼ばれています。別の文書で、制限しているものが違います。

H3 のライセンスは、欧州連合・英国・韓国・アメリカ合衆国を Applicable Territory から除外していて、§V.4 がその制限を出力にまで広げています。ほかの場所で適法に生成したクリップも、その 4 市場での表示は許諾されていません。年間収益 $20M を超えると、事前の書面による許諾が必要です。

M3 のライセンスには地域制限が一切ありません。基本の許諾は非商用で、商用にするには「Built with MiniMax M3」を目立つ形で表示する必要があります。書面の許諾を発動する $20M の線は同じで、それ未満は一度の届け出で済みます。

つまり、2 つの問いは別物です。H3 は「どこにいるか」を問い、M3 は「いくら稼いでいるか」を問います。ロンドンの開発者は M3 を適法に自前運用できます。H3 は自前運用できません。

もう 1 つ知っておく価値のある対比があります。H3 のテキストエンコーダは第三者のモデルである Qwen3-VL-32B で、M3 のスパースアテンションは完全に自社製です。同じ会社が、2 つの旗艦で逆のルートを取りました。それから、M2 は 2025 年 10 月に MIT で出ていたことも書いておきます。制限が始まったのは M2.7 からです。

これは要約であって、法的助言ではありません。条項は H3 ライセンスの詳細 に。あの 4 市場のどれかがあなたの場所なら、ホスティングされた API は別の取り決めです。

MiniMax が出してきた名前、全部

これはもっと広い命名問題の一部にすぎません。MiniMax はこの 1 年で、H3 という動画モデル、M3 という言語モデル、そして Music-3.0 という音楽モデルを出しました。だから「MiniMax の新しい 3 のモデル」には、現時点で指す先が 3 つあります。

Hailuo 03 と書くのは間違いではありません。MiniMax 自身が無効にした外挿です。動画のラインは 4 世代で 4 つの命名規則を背負ってきました。T2V-01-Director、次に MiniMax-Hailuo-02、次に MiniMax-Hailuo-2.3、そして MiniMax H3。2025 年のパターンを追っていれば、誰でも Hailuo-03 を予想します。

その推測は、今度は Kling O3 とぶつかります。これは MiniMax の製品ではありません。Kuaishou のもので、ベンダー自身は Video 3.0 Omni と呼んでいます。そして検索窓の中では、2 つの文字列はほとんど同じに見えます。

その数字は、どちらのモデルのものか確かめる

取り違えは、数字の形でやってくることも多いです。SWE-Bench Pro 59.0%、Terminal-Bench 66.0%、MCP Atlas 74.2% ——これらは M3 のもので、ベンダー自己申告で、動画モデルには採点しようがありません。これが H3 の隣にあるページを見かけたら、そのページは配線を間違えています。

逆向きにも起きます。Elo のレーティング、1 秒あたりの価格、そして 42.47 GB の ComfyUI ダウンロードは H3 のもので、M3 のものではありません。どちらの向きも重要です。調達文書の中の誤った数字は、誤った名前より長く生き残るからです。

1 つは単に古い数字です。M3 の Artificial Analysis のスコア 55 は Index v4.1 より前のもので、現在は 44 と表示されます。

「vs」は問いの立て方が違う

H3 が欲しがっているのは一文ではありません。長く構造化された記述——ショットごとに、カメラの動き、時間、音を、名前の付いた 3 つのフィールドに入れたもの——です。MiniMax はその記述を Context-IR というホスティング側の段で組み立てていて、それは公開リリースに含まれていません。MiniMax 自身の案内は、代わりに自前の前処理を作るよう開発者に勧めています。

M3 は、その仕事のために異様に形が合っていて、しかも同じベンダーから出ています。100 万トークンの窓があるので、ブランドのスタイルガイドとショットリストが中に収まります。画像と動画を読むので、あなたの参照素材から記述を導けます。そしてテキストを出力します。それはまさに H3 が食べるものです。これは回避策ではありません。MiniMax が開けたまま残した隙間を、MiniMax 自身のモデルで埋めているだけです。

つまりパイプラインはこうなります。M3 がプロンプトを書き、H3 がそれを生成し、M3 が結果を見て直す。 M3 に H3 の形式を吐かせるシステムプロンプトは、

You are a MiniMax H3 prompt writer. Convert the user's idea into H3's structured
prompt format, following MiniMax's official h3-prompt-writing skill.

Rules:
- Output exactly three fields, in this order:
  integrated_multimodal_description, overall_soundscape, non_diegetic_music.
- Write the descriptive sections in English. Keep dialogue, lyrics and on-screen
  text in their original language.
- Break the clip into shots using [Shot 1], [Shot 2]. Mark cuts with timestamps
  like "At 00:04.500".
- Describe each shot in this order: composition, subjects, environment, actions,
  camera, sound.
- Describe camera movement with all three parts: motion type, amplitude, speed.
  ("slow push-in, small amplitude" — not "camera moves".)
- Write dialogue as: (S1) speaks softly, [English] the line here.
- Every detail must correspond to something visible or audible. No plot
  summaries. No unresolved reference tags.
- All timing must fit within the requested duration.
- Stay under 7,000 characters.

Target duration: {duration} seconds. Aspect ratio: {ratio}.

この受け渡しの実費

ほとんどゼロで、そこが実用的なところです。典型的な受け渡しで入力が約 1,500 トークン、返ってくるのが約 2,500 トークン。M3 の表示価格でおよそ $0.0035 です。それが記述する 5 秒の 768P のクリップは $0.40。プロンプトを書く費用は、そのクリップを生成する費用の約 1% です。節約のために H3 へ雑な一文を渡す理由は、どこにもありません。2026 年 8 月 14 日の公式表示価格からの概算です。

プロンプト生成 はこれを製品にしたもので、画像・動画・声が入るのは 参照素材から動画 です。

取り違えの裏にある問い

MiniMax M3 は動画モデルですか。 違います。動画を読んで説明はしますが、出力はテキストです。動画には H3 を使ってください。

M3 は H3 より新しい、あるいは優れていますか。 どちらでもありません。別のラインで、2 か月違いです。数字は比較できません。

M3 のパラメータ数は。 モデルカードによれば合計およそ 428B、アクティブ 23B。Hugging Face のメタデータは 427,040,140,160 と書いています。

Hailuo 3.0 は H3 と同じですか。 同じです。3 つの表記はどれも MiniMax H3 を指します。Hailuo AI はアプリで、モデルではありません。

M3 で H3 のプロンプトを書かせてもいいですか。 いいです。MiniMax 自身の案内が、自前のプロンプト前処理を作るよう開発者に勧めています。

どちらもオープンウェイトですか。 どちらもそうで、どちらも制限付きのライセンスです。H3 は 4 つの地域を除外し、M3 は 1 つも除外しませんが、既定では非商用です。

どちらにお金を払うべきですか。 自分の出力に合うほうです。動画は秒で、テキストはトークンで課金されます。

動画を検索すると M3 が出てくるのはなぜですか。 そのモデルカードに video のタグが付いているからです——動画を理解するほうの意味で。それに 1 文字の差が加われば、これで十分です。

Kling O3 は MiniMax のモデルですか。 違います。作っているのは Kuaishou で、Video 3.0 Omni と呼んでいます。似て見えるだけです。

とにかく動画を作りたいのですが、どこから始めればいいですか。 こちら から。M3 は要りません。入口の全体は MiniMax H3 の使い方 にあります。

変わりうること。 MiniMax の出荷は速いので、M3 と H3 より新しいものがないかリリースノートを確認してください。M3 の現行単価は恒久的な 50% 割引と表示されているので、それが終われば費用の比較は動きます。それから BrowseComp 83.5 は第三者による報告で、MiniMax 自身の文章の中には見つけられていません。