Kinesisk humanoidrobot sprang snabbare än Usain Bolt

Det kinesiska AI-labbet MiniMax har släppt vikterna till videomodellen H3, som kan förena text, bilder, filmer och ljud i samma skapandeprocess. Genom en samtidig integration i ComfyUI ska den avancerade modellen kunna köras på en vanlig men kraftfull hemdator – ett nytt exempel på hur kinesiska utvecklare flyttar fram positionerna med öppna AI-modeller.

MiniMax lade ut modellfilerna den 2 augusti och redan följande morgon fanns inbyggt stöd i det fria bild- och videogränssnittet ComfyUI. I stället för att vara hänvisad till en avgiftsbelagd molntjänst kan en användare i princip ladda ned vikterna, bygga egna arbetsflöden och låta känsligt material stanna på den egna datorn.

Lanseringen följer ett mönster som blivit allt tydligare efter DeepSeeks genombrott. Kinesiska laboratorier som Alibaba Qwen, DeepSeek, Moonshot och MiniMax har gjort öppna vikter, låga priser och snabb spridning bland utvecklare till ett konkurrensmedel mot amerikanska bolag som främst erbjuder sina starkaste modeller genom låsta nättjänster. Nya Dagbladet har tidigare uppmärksammat hur samma strategi pressat priserna för språkmodeller.

För H3 krävdes dock omfattande optimering innan hemmakörning blev realistisk. ComfyUI beskriver hur minnesbehovet för den minsta modellvarianten minskats från 123,6 till 42,5 gigabyte genom beskärning av parametrar, åttabitarskomprimering och dynamisk avlastning till datorns arbetsminne. Enligt utvecklarna gör det möjligt att köra modellen med ett Nvidia RTX 3060, även om hastigheten i praktiken också beror på mängden arbetsminne och en snabb lagringsenhet.

Fem uppgifter i samma modell

Det mest utmärkande är inte enbart bildkvaliteten, utan att H3 samlar fem tidigare åtskilda uppgifter. Modellen kan skapa video från en textbeskrivning, animera en stillbild, styra både första och sista bildrutan, överföra motiv, rörelser eller röster från referensmaterial samt redigera ett befintligt klipp utan att börja om från början.

Användaren kan exempelvis ange en bild för personen, en film för kamerarörelsen och ett ljudklipp för rösten, och därefter beskriva hur delarna ska kombineras. Den officiella dokumentationen anger stöd för upp till nio referensbilder, tre videoklipp och tre ljudklipp inom samma uppdrag. Resultatet kan vara mellan fyra och 15 sekunder långt, med 24 bilder per sekund och stereoljud.

MiniMax H3 is native in ComfyUI, day zero with the weights.

Model highlights:

→ Text-to-video, prompt only

→ Image-to-video

→ First-and-last-frame - control the opening frame, the closing frame, or both

→ Reference-to-video - carry a subject, a motion, or a voice… pic.twitter.com/1ac09WsHBs

— ComfyUI (@ComfyUI) August 3, 2026

MiniMax skriver att syftet är att gå från specialiserade verktyg till en generell modell som förstår relationen mellan flera medietyper. I oberoende användaromröstningar hos Artificial Analysis placerar sig H3 för närvarande högst bland testade modeller för videoredigering, medan den ligger bland de tre främsta för både text-till-video och bild-till-video.

Öppna vikter – men inte hela systemet

Öppna vikter betyder att de tränade parametrarna går att ladda ned och undersöka, men inte att hela utvecklingsprocessen är öppen. MiniMax har inte publicerat träningsdata eller fullständig träningskod. Två viktiga delar av den kompletta H3-kedjan hålls dessutom tills vidare på företagets servrar.

Den lokala basmodellen skapar video i 768p. Företagets system för att tolka komplicerade kombinationer av referensmaterial, H3-Context-IR, och steget som återskapar filmen i 2K, H3-Regenerate-2K, ingår inte i den öppna utgåvan. Den som vill återskapa hela den officiella 2K-processen måste därför fortfarande använda MiniMax programmeringsgränssnitt.

Även licensen innehåller en märklig begränsning. MiniMax H3 Community License undantar EU, Storbritannien, USA och Sydkorea från sitt normala tillämpningsområde och hänvisar användare i dessa regioner till att söka ett separat tillstånd. Tekniskt går modellfilerna ändå att ladda ned och köra lokalt även i Sverige, utan att någon central nättjänst avgör åtkomsten. För vanliga användare med en tillräckligt kraftfull dator innebär släppet därför en konkret möjlighet att själva prova avancerad AI-video. Licensens geografiska undantag lämnar samtidigt européer med sämre och mer osäkra formella villkor än användare i stora delar av övriga världen.

Kinas öppna ekosystem växer

Trots dessa begränsningar illustrerar H3 en större förskjutning. Reuters rapporterade tidigare i år att kombinationen av öppen tillgång, stark prestanda och låga kostnader blivit kännetecknande för kinesiska grundmodeller. En rapport från den amerikanska kongressens granskningskommission för relationerna med Kina konstaterade samtidigt att kinesiska modeller under 2025 gick om amerikanska i sammanlagda nedladdningar på Hugging Face, medan Qwen-familjen fått fler än 100 000 vidareutvecklingar.

H3 för över samma idé till avancerad videogenerering: inte bara billig åtkomst genom ett nätprogram, utan modellfiler som utvecklare kan bygga vidare på och vanliga kreatörer kan ladda ned och köra utan att lämna över sitt material till en central tjänst. Om MiniMax öppnar de återstående komponenterna och förbättrar licensvillkoren kan släppet därför få större betydelse än ännu en imponerande demonstrationsfilm.