引言：两条路，同一个目的地

2026 年夏天的视频生成领域，有两颗重磅炸弹值得放在一起看。

第一颗是 MiniMax H3——7 月 31 日，MiniMax 正式发布，定位是”通用的全模态生成模型”，号称能统一处理文本、图像、视频、音频，最高支持 15 秒 2K 分辨率。

第二颗是 Wan2.1——2025 年 2 月开源，由阿里通义万相团队推出，是当时首个能在消费级显卡上跑的文生视频模型，T2V-1.3B 只需 8.19GB 显存。

它们几乎同时期出现，却走了一条截然不同的路。这篇文章就是要把它们摆在一起，认真看看。

一、MiniMax H3：全模态大一统的野心

1.1 是什么

MiniMax H3 的官方定位是 “打破任务和模态的边界”。这不是一句 marketing slogan，而是贯穿整个模型设计的第一纲领。

来看看它的官方定义：

MiniMax H3 是一款通用的全模态生成模型，支持对文本、图像、视频、声音组成的多模态上下文的统一理解能力，能够输出具备原生双声道的音视频，最高可支持 15s 2K 分辨率。

几个关键词值得注意：

  • 全模态：不是单一视频生成，而是文、图、视频、音频统一建模
  • 原生双声道：音频和视频从训练阶段就是一起生成的，不是后期拼接
  • 15s 2K：默认就是 2K 分辨率，不是靠后期超分
  • 多模态上下文：可以同时输入视频、图片、音频作为参考，让模型理解它们之间的关系

1.2 它到底能做什么

H3 的能力清单比想象中大得多：

能力类别 具体任务
纯生成 文生图、文生视频、文生音频（人声/音效/音乐不区分）
参考生成 图→图参考编辑、图→视频参考、音频→音频参考、音视频→音视频参考
多镜头 原生多镜头建模
复杂指令 “参考视频1的镜头运动，让图2的人物唱歌，歌声参考音频3”

这个”复杂指令”的例子非常关键。传统视频模型通常只能做一个任务——文生视频或图生视频。H3 试图用一个模型覆盖所有”参考+生成”的组合，用自然语言描述它们之间的关系。

1.3 核心技术栈

H3 的技术论文还没发（官方说后续会有 Tech Report），但从博客里能提取出四个关键技术：

（1）Contextual Omni Representation

这是 H3 最底层的创新。传统视频模型只需要描述”这个视频是什么样”。H3 需要描述的是：上下文（输入的多模态素材）和目标视频之间的关系，以及上下文内部元素之间的关系。

实现方式：定制专门的模型对素材做全模态理解，每个素材消耗约 10 万 Token 推理，最终压缩到平均约 4000 Token。这是一个巨大的标注成本。

（2）H3-VAE

Tokenizer 技术的彻底革新。相比 Hailuo-02 架构，H3-VAE 在重建质量和易学性上全面提升，压缩率带来 4 倍的序列长度收益——这意味着同样算力下可以训练更高分辨率的内容。这是支持原生 2K 的关键。

（3）H3-Omni Transformer

一个”异构”训练架构。由于多模态上下文引入，序列长度方差扩大了 3 倍，理解和生成部分的计算 workload 也显著异质化。H3 采用了理解与生成异构的训练架构，端到端提升了约 30% 的训练吞吐。

值得注意的是，MiniMax 明确说：抛弃了 Hailuo-02 的架构，因为它在以任务泛化为核心的定义中会带来额外复杂性。架构技巧让路给模型定义——这个决策的勇气不小。

（4）In-context Regeneration

H3 的 2K 输出不是靠超分模块，而是让基模型对自己的低分辨率结果做 in-context 的重新生成。好处是：可以复用基模型的生成能力，还能利用原有上下文信息还原超分”猜”不出来的细节（比如小文字）。

1.4 商业策略

  • 默认 2K 分辨率，每秒价格不到主流模型的 1/3
  • 768P 分辨率下是主流模型 720P 的 1/2
  • 计划开源权重（合规前提下）
  • 设计初期就考虑了国产芯片兼容
  • 定位：广告、品牌、电商、产品设计、UI/UX、游戏

二、Wan2.1：开源亲民的另一种哲学

2.1 是什么

Wan2.1 是阿里通义万相团队在 2025 年 2 月开源的视频基础模型套件。它不是某个单一模型，而是一系列模型：

模型 参数 显存需求 生成能力
Wan2.1-T2V-1.3B 1.3B 8.19GB 480P 文生视频
Wan2.1-T2V-14B 14B 需要 A100/H100 480P + 720P 文生视频
Wan2.1-I2V-1.3B 1.3B 低显存 480P 图生视频
Wan2.1-I2V-14B 14B 高显存 720P 图生视频

关键数据：T2V-1.3B 在 RTX 4090 上生成 5 秒 480P 视频约需 4 分钟（未量化）。

2.2 核心特色

Wan2.1 的五大卖点：

  1. SOTA 性能：声称在多基准测试中持续超越现有开源模型和部分商用模型
  2. 消费级 GPU 支持：1.3B 模型只需 8.19GB VRAM——这意味着 RTX 3060 12GB 也能跑
  3. 多任务：文生视频、图生视频、视频编辑、文生图、视频转音频
  4. 视觉文字生成：首个能生成中文和英文文字的视频模型——这是一个实际应用的巨大突破
  5. Wan-VAE：能编码解码任意长度 1080P 视频，保留时间信息

2.3 开源生态

Wan2.1 是 Apache 2.0 协议完全开源的，这意味着：

  • 权重完全开放，可以商用
  • HuggingFace 上有完整的模型权重和推理代码
  • Diffusers 库已集成
  • 社区已有大量微调、部署、优化方案

截至本文写作时，Wan2.1 的 HuggingFace 仓库已有 12.3k followers，T2V-14B 获得 1.54k likes。

2.4 局限

Wan2.1 也不是完美的：

  • 最高分辨率 1080P（VAE 层面），实际生成是 480P/720P
  • 不支持原生音频生成（只有 Video-to-Audio 这个附属能力）
  • 多模态上下文能力有限——主要是文/图作为输入
  • 14B 模型对显存要求高，不适合个人开发者
  • 2025 年 2 月发布后迭代速度放缓（Wan 官方已更新到 3.0，但 2.1 仍是社区主力）

三、深度对比：四个维度的正面交锋

3.1 架构理念对比

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Wan2.1 的思路：
┌────────────────────────────────────┐
│ 视频生成 = 一个明确的任务           │
│ 做好这个任务，支持消费级 GPU       │
│ 开源让社区来做剩下的事              │
│                                    │
│ 架构：DiT (Diffusion Transformer)  │
│ 任务拆分：T2V / I2V / Editing 等   │
│ 各自有专门的模型                    │
└────────────────────────────────────┘

H3 的思路：
┌────────────────────────────────────┐
│ 视频生成 = 全模态统一的一部分      │
│ 不区分任务边界，用一个模型覆盖所有 │
│ 商业 API 优先，开源待定            │
│                                    │
│ 架构：H3-Omni Transformer          │
│ 任务统一：所有生成/编辑任务一个模型 │
│ 多模态上下文原生支持                │
└────────────────────────────────────┘

这是两种截然不同的设计哲学。Wan2.1 是”把一件事做到极致并开放”，H3 是”把所有事融成一个系统”。

3.2 能力矩阵对比

维度 MiniMax H3 Wan2.1
最高分辨率 2K（默认） 1080P（VAE），720P（生成）
最大时长 15s 约 5s（1.3B），更长需 14B
原生音频 ✅ 原生双声道 ❌ 仅 Video-to-Audio
多模态输入 ✅ 视频+图+音频+文本 ⚠️ 主要是文本+图片
中文文字生成 未明确提及 ✅ 首个支持中英文字生成
图→视频参考 ✅ 广义参考编辑 ✅ I2V 专用模型
动作迁移 ✅ V2V Motion Transfer ❌ 无
多镜头 ✅ 原生支持 ❌ 单镜头为主

3.3 成本与可及性对比

维度 MiniMax H3 Wan2.1
获取方式 API 调用（商用） 完全开源（Apache 2.0）
本地部署 不可（权重未开放） ✅ 可本地部署
消费级 GPU 未知 ✅ 1.3B 仅需 8.19GB
RTX 3060 12GB 不可用 可用（T2V-1.3B）
商用成本 2K 每秒 < 主流 1/3 自有 GPU = 电费
自定义/微调 不可（短期） ✅ 完全可控
国产芯片 已考虑兼容 社区适配中

这里有一个关键差异：H3 的性价比是”API 调用层面的”，Wan2.1 的性价比是”拥有权层面的”。

如果你用的是 API，H3 在 2K 分辨率下确实便宜（不到主流 1/3）。但如果你有自己的 GPU，Wan2.1 的边际成本几乎为零。

3.4 生态成熟度对比

维度 MiniMax H3 Wan2.1
开源状态 计划开源（未定时间） 已开源（2025.02）
技术论文 未发布（承诺后续 Tech Report） 未发布（Coming Soon）
社区生态 刚起步 12.3k followers，活跃社区
集成支持 MiniMax API Diffusers, HuggingFace, ModelScope
第三方工具 MiniMax Design, 星野 大量社区工具
迭代速度 新发布（Hailuo 01→02→H3） 2.1 后已有 Wan 3.0

四、实战视角：RTX 3060 12GB 用户怎么选

作为有一张 RTX 3060 12GB 的开发者，这个问题的答案其实很明确——但取决于你的使用场景。

场景 A：你想本地部署、自由实验

选 Wan2.1-T2V-1.3B。

这是目前唯一能在 12GB 显存上跑的文生视频模型。8.19GB 的显存需求意味着你还有余量做 LoRA 微调或者跑 ComfyUI 工作流。生成速度慢（5 秒视频约 4 分钟），但至少你能：

  • 离线生成，不花钱
  • 微调自己的风格
  • 集成到 ComfyUI 工作流
  • 生成带中文文字的视频（海报、片头）

我之前的博客里写过从 ComfyUI 到最终 AI 视频生产流水线的路径，Wan2.1 是那个流水线上最接地气的环节。

场景 B：你需要 2K 画质、原生音频、商用交付

选 H3 API。

如果你要做广告、电商视频、品牌内容——这些场景对画质和音频有硬性要求。1.3B 模型的 480P 视频没法交差。H3 的 2K 原生分辨率 + 原生双声道音频是目前 API 市场里少有的”商用级”选择。

但代价是：

  • 你需要 API 额度
  • 不能本地部署
  • 暂时不能微调

场景 C：两者都不是，或者两者都要

短期用 Wan2.1 做实验，等 H3 开源后切换。

MiniMax 承诺了 H3 会开源，而且”设计初期就考虑了国产芯片兼容”。如果 H3 的权重真的开放，而且能适配消费级 GPU，那将是一次巨大的范式转移。

但目前，Wan2.1 是唯一可落地的选择。

五、深层观察：行业正在发生什么

5.1 “统一模型”趋势的真实含义

H3 的核心叙事是”任务统一”——不再需要 T2V 一个模型、I2V 一个模型、Video Editing 一个模型。这个方向在 LLM 领域已经被证明是有效的（GPT-4 一个模型处理所有文本任务），但在视频生成领域还处于早期。

但这里有个悖论：任务统一的代价是训练数据和标注成本的爆炸式增长。H3 的 Contextual Omni Representation 需要每个素材消耗 10 万 Token 推理做 caption——这是天文数字的成本。MiniMax 能不能持续投入，取决于 H3 的商业回报。

5.2 开源 vs 闭源的永恒博弈

Wan2.1 证明了”视频生成开源”是可行的——1.3B 模型能在消费级 GPU 上跑，Apache 2.0 协议允许商用。这会倒逼其他玩家跟进。

MiniMax H3 也承诺开源，但”在符合相关法律法规的前提下”这个措辞很微妙。中国 AI 模型的开源政策还在演变中，H3 能否真正开源、何时开源、以什么协议开源，都有不确定性。

5.3 分辨率竞赛的下一步

当前视频生成模型的分辨率大致是：

1
2
3
2024 年：480P 是"高清"
2025 年：720P 开始普及（Wan2.1 14B）
2026 年：2K 成为旗舰（H3、Sora 2 等）

但分辨率不是唯一指标。H3 的 In-context Regeneration 思路很有趣——与其在超分上死磕，不如让模型”重新想象”高分辨率版本。这个方向值得持续关注。

5.4 音频生成的分水岭

H3 的原生双声道音频是一个质变。目前大多数视频模型要么没有音频，要么只有后期配音。H3 试图从训练阶段就让视频和音频联合建模——这意味看生成的视频里，人物的口型、动作和声音在时间上是天然对齐的。

这对广告、影视、游戏行业的意义是巨大的。但目前只有 H3 和少数闭源模型做到，开源社区还差得很远。

六、总结：没有银弹，只有选择

如果你是…… 推荐选择 理由
个人开发者，有消费级 GPU Wan2.1-T2V-1.3B 唯一可本地部署的方案
内容创作者，需要商用画质 H3 API 2K + 原生音频，性价比不错
企业用户，需要定制化 等 H3 开源 短期用 Wan2.1 + ComfyUI
研究人员，想深入理解 Wan2.1 完全开源，可复现、可修改
多模态交互产品开发者 等 H3 稳定 多模态上下文是独特卖点

视频生成还在快速演变中。Wan2.1 代表了”开源民主化”的路线，H3 代表了”全模态大一统”的路线。它们不是竞争关系——更像是同一个领域的两个实验方向，一个向下扎根社区，一个向上冲击天花板。

“最好的模型不是参数最大的，也不是开源的，而是最适合你当下那个具体问题的。”

参考链接：