赫拉克勒斯是希腊神话中的大力神，但他并非生来就是英雄。他杀了九头蛇、捉了牝鹿、扫了牛棚、摘了金苹果，完成了十二项试炼，英雄的身份才被确认。整条路走完，终点才被看见。

中国大模型的进程与此相似。文本基座从追赶到齐平，推理成本从高昂到普惠，商业化从质疑到验证。一项接一项，像在完成某种沉默的十二试炼。

7月31日，中国大模型的试炼里程碑又多了一项：沉积许久的MiniMax，发布了最新多模态模型H3。在此之前的很长一段时间里，这家公司承受着资本市场的严苛。H3的出现，让局面有了微妙的变化。 在我们试用H3之后，一个判断逐渐清晰：H3的效果已经达到甚至超越了Seedance级别的水平，真正站上了多模态视频生成的前沿。

中国大模型，又完成了一项试炼。而这，也将是MiniMax价值重估的新奇点。

01 又一个里程碑

这次MiniMax H3的推出，将多模态模型从技术演示推向了生产力场景。理由有三。

第一，全模态输入。

维特根斯坦在《逻辑哲学论》里写过一句话：我的语言的界限意味着我的世界的界限。这句话在大模型时代有了新的含义——你的表达能力有多宽，AI能帮你实现的边界就有多远。

但每个人的表达能力并不相同。有人能用文字精确描述一个画面，有人脑子里有一个完整的场景，却无论如何也说不清楚。这时候，全模态输入的价值就显现出来了。

MiniMax H3不再把图片、视频、声音的生成、编辑和参考拆成彼此独立的任务，而是由文本、图像、视频与声音共同构成多模态上下文，统一理解创作意图。

换句话说，多模态输入拓宽了用户表达的边界。那些过去因为“说不清楚”而无法实现的想法，现在有了新的表达路径。

我们用H3生成了第一视角在老北京胡同中拍照的场景。用纯语言描述时，胡同的背景很难锚定，手机第一视角的表述也不够精确，但在H3模型中，直接将老北京胡同的场景和手持手机的人物作为参考输入，输出的景深、色彩、物品细节都非常完美，效果惊人得好。

本文转自：凤凰网科技

原文地址： https://tech.ifeng.com/c/8vBdVEaynZ1