MiniMax-H3 已可在 Apple Silicon 上通过 MLX 本地运行

MiniMax 近日发布了 MiniMax-H3，官方将其描述为“通用型全模态生成系统”。从实际能力看，它可以接收文本、图像、音频和视频输入，并生成最长约 15 秒、包含音频的视频片段。

现在，PipeNetwork 提供了一个 Python 包，将 MiniMax-H3 移植到 MLX，使其可以在 Apple Silicon 设备上本地运行。

本地运行体验

一次在 M5 Max MacBook Pro 上的实测流程如下：先下载模型文件，再运行生成脚本。

# 先下载模型
uvx --from huggingface_hub hf download MiniMaxAI/MiniMax-H3 \
  --include 'FL2VA/*' --exclude 'FL2VA/transformer/*'

uvx --from huggingface_hub hf download pipenetwork/MiniMax-H3-MLX-8bit

# 运行提示词生成视频
uv run --with mlx-vlm \
  --with-requirements requirements.txt python scripts/generate.py \
  "a rainbow colored skunk leaps over a mossy log in a supermarket" \
  -o skunk.mp4 \
  -c ~/.cache/huggingface/hub/models--MiniMaxAI--MiniMax-H3/snapshots/fa9c8ab1eaa21c8ae25e7e40b83b2e6002f340af/FL2VA \
  -t ~/.cache/huggingface/hub/models--pipenetwork--MiniMax-H3-MLX-8bit/snapshots/3ac52081470b0488921c3ec3ba84a39097bf2361

使用的提示词是：

a rainbow colored skunk leaps over a mossy log in a supermarket

即“彩虹色的臭鼬在超市里跃过一根长满苔藓的木头”。

资源占用与效果

这次运行大约下载了 115GB 的模型文件，视频生成耗时 接近 45 分钟。

生成的视频画面效果令人印象深刻，但音频部分表现较差，听起来像是异常的类语音噪声。原因可能是提示词中没有对音频内容做任何明确描述。MiniMax-H3 的视频提示词指南中提供了不少关于如何控制音频和视频效果的说明，实际使用时需要更细致地编写提示词。

值得关注的点

• MiniMax-H3 支持文本、图像、音频、视频等多模态输入。
• 该 MLX 移植版本让 Apple Silicon 用户可以本地尝试视频生成。
• 本地部署门槛仍然较高，模型文件体积很大，生成耗时也不短。
• 如果希望得到可用音频，需要在提示词中明确描述音频内容。