MiniMax M3 讀影片。它連一個影格都算不出來——會算的是這一個。

MiniMax M3 不生成影片，從來沒有過。 它把影片讀進去—— 一次請求最多大約三十分鐘的素材——然後把文字寫出來。描述、評述、鏡頭表、程式碼。 MiniMax 那個會算影片的模型是 H3，比 M3 晚兩個月釋出， 在 API 字串裡只差一個字母。

你會來到這裡有兩種可能，而它們需要相反的答案。

如果你是來找「MiniMax M3 影片生成器」的，你要的那個模型叫 H3， 你現在就可以用它做一支片子——同一家公司，正確的那個字母。 如果你真的是要問 M3，想知道它拿素材能做什麼，那就繼續讀。 答案比「什麼都不能」具體得多，而且真正的限制不在規格表上那一條。

MiniMax M3 生成得了影片嗎？

不行。我先去看 pipeline tag，因為它一次查詢就把問題解決了， 而且你一分鐘之內就能自己重做一遍。

pipeline tag 是最快的那一個。它是模型倉庫上一個宣告好的欄位， 標的是輸出的模態——M3 那一欄寫的是文字。 一個任務標籤以 -to-text 結尾的模型，沒有任何路徑通向一個影片檔， 不管請求怎麼寫。

計費那一行咬的是團隊，不是個人。在這裡用錯模型去估一個專案， 估出來的不是稍微偏掉，而是單位就錯了——token 對輸出秒數—— 而下游沒有任何一個環節對得回來。

餵一支片子給 M3，它實際上看得到什麼

就算你只做影片，這件事也值得知道，因為 M3 在進去那一端其實有用。

M3 是原生多模態的：文字、圖片和影片都從同一個對話端點進去， 從一開始就一起訓練，而不是在一個文字模型上外掛一個視覺轉接器。 NVIDIA 的部署卡把長片的上限寫成每次請求大約 30 分鐘的素材， 而 MiniMax 回報 512 影格下 Video-MME 84.6 分—— 那是它自己的評測，所以請當成原廠自報的數字讀。

有三件事比那個分數更要緊。

影片是以影格進去的，不是以檔案。 你要對片子取樣， 然後傳進一串有順序的圖片。MiniMax 自己公布的評測是用 1 FPS 取樣的。

這就讓那個上限變成一個穿著時長外衣的 token 預算。 你取樣的每一個影格，都花掉 1,048,576 個 token 的上下文視窗的一部分。 這就是為什麼同一個限制在部署頁上以分鐘出現、在評測設定裡以影格出現： 1 FPS 下的 512 影格大約是真實素材的八分半。半小時之所以是半小時， 只在你願意一秒看一格的前提下成立——拿 12 FPS 去取樣兩分鐘， 你就用同樣的預算換到了十二分之一的時長。 你的取樣率要對著鏡頭設，不是對著檔案長度設。

M3 聽不見你的片子。 影片這條路是一串靜態影像，而聲音軌不跟著它們走。 線索就在 MiniMax 自己的 Video-MME 設定裡：它每 30 秒插入一段文字形式的字幕， 而不是把聲音餵進去。所以 M3 講的任何關於對白、音樂或房間底噪的話， 都是它從畫面和你給它的文字推出來的。如果對白很要緊，就把逐字稿貼進去。

於是剩下一組漂亮的對照可以拿來記住這一對： H3 由它產生的聲音定義，M3 由它收不進去的聲音定義。 同一家公司，相隔兩個月。

如果你真正的工作是描述你已經有的素材，我們的 影片轉提示詞工具 做的是 H3 形狀的那個版本： 它讀一支片子，回給你一份可以直接拿去算的結構化提示詞， 而不是一段你還得自己手動轉換的散文。

現在有四個名字都答應「MiniMax 3」

2026 年出了三個名字裡帶 3 的產品，其中兩個的 API 字串只差一個字元， 而 MiniMax 用「長影片理解」來賣 M3 的百萬 token 視窗—— 說法準確，而且乍看之下跟影片生成分不出來。

H3 Max 是最新一種走錯地方的方式。它是一個真的、經 MiniMax 認可的模型， 在 MiniMax 自己的文件裡就列在 H3 旁邊，但它不是一個你可以隨意替換進去的東西： 只有託管、沒有公布權重、是 768p 而不是 2K。 「Max」到底最大化了什麼、又放棄了什麼 把整筆交換走了一遍。

你的工作需要哪一個模型

讓 M3 寫提示詞，讓 H3 去算

M3 在影片流程裡確實有一份工作。只是不是算圖那一份。

H3 要的不是一句話。它要的是一份很長的結構化描述——逐鏡頭， 把運鏡、時間安排和聲音寫進具名的欄位裡。MiniMax 用一段叫 Context-IR 的託管階段來生成那份描述，而它不在開放釋出的範圍內， 它自己的指引則邀請開發者自己搭一層前處理。

M3 幾乎太適合填這個缺口了。百萬 token 的視窗可以同時裝下一份品牌風格指南 和一份鏡頭表；原生的圖片與影片輸入表示它讀得懂你的參考素材； 而它輸出文字，那正好是 H3 吃的東西。所以這條流程是 M3 寫提示詞、H3 去算—— 把你帶到這裡的那次搜尋，離一條真的工作流只差一個字母，而不是一個錯誤。

完整的交接——那段讓 M3 吐出 H3 三欄格式的系統提示詞、 這次來回相對於算圖要花多少錢、以及兩份授權在哪裡分岔——寫在 MiniMax H3 對比 MiniMax M3。 不想自己搭的話，我們的提示詞產生器 在瀏覽器裡產出同樣的結構。

MiniMax M3 與影片：常見問題

MiniMax M3 是影片模型嗎？ 它是一個讀影片的多模態模型。它不是一個影片生成模型—— 它的 pipeline tag 是 image-text-to-text。

MiniMax M3 做得了文字轉影片嗎？ 不行。H3 做得到，而它就是 MiniMax 為此打造的模型。

那我一直看到有人打廣告的「MiniMax M3 影片生成器」是什麼？ 幾乎永遠是一個 MiniMax H3 的介面，用 M3 這個拼法來接這個搜尋。 那個生成器是真的；掛在上面的模型名字是錯的。

H3 Max 跟 M3 是同一個東西嗎？ 不是，而這兩個是最容易不小心搞混的一對。H3 Max 做影片，是後訓練過的 H3； M3 做文字。共用的那個字母是巧合。

我上傳一支影片，M3 聽得懂裡面的聲音嗎？ 不能。進去的是影格，聲音軌不跟著走。對白要緊的時候，把逐字稿當文字貼進去。

MiniMax M3 有多少參數？ 總共大約 428B，每個 token 大約啟用 23B，128 個專家中每個 token 啟用四個。 Hugging Face 的 safetensors 中繼資料報的精確值是 427,040,140,160。

MiniMax M3 和 MiniMax H3 都是開放權重嗎？ 兩邊都以受限授權公布權重，而那些授權都不是 OSI 意義上的開源， 而且限制的形狀不一樣——M3 沒有地域限制，H3 排除四個市場。 H3 的授權到底限制了什麼 把那一邊拆開來講。

我只是想做一支影片。 從 MiniMax H3 的文字轉影片開始——不需要 M3， 而且聲音在同一次運算裡就到。

---

最後查核 2026 年 8 月 31 日。 那個 30 分鐘的上限是 NVIDIA 公布的部署數字， 不是 MiniMax API 的保證，而 Video-MME 的分數是 MiniMax 自己的—— 兩者都附了出處，所以你可以自己去重查，而不是照單全收。 MiniMax 出東西的速度，讓第四個「3」是一種現實的可能。