不到 45 分钟，15 秒带音频的视频。Simon Willison 在 M5 Max MacBook Pro 上，把 PipeNetwork 发布的 minimax-h3-mlx 跑起来时，全模态视频生成就走到了这个坐标点上。你不需要 A100 集群，也不需要排队等 API——一台顶配 MacBook，115GB 磁盘空间，外加一点耐心，你自己就能把文字、图片、音频甚至另一段视频扔进去，换回一段原生 15 秒镜头。这听上去像端侧生成的一个里程碑，但 45 分钟这个数字摆在那里，冷冰冰地提醒所有人：我们离“在本地随便生成一条短视频”之间，还隔着一整个午餐时间。
全模态输入，这才是 MiniMax-H3 真正拧开的水龙头
文生视频只是它的零头
MiniMax-H3 发布的不是一个单纯的文生视频模型，而是一个通用全模态生成系统。它可以同时吞咽文本、图像、音频和视频，再吐出一条最长 15 秒的视频片段——带音频的那种。大部分人对视频生成的理解还停留在“输入一句话，出来一段画面”，但 MiniMax-H3 的设计更接近一个跨模态翻译器。你有几张产品静物图，再哼一段旋律，它能帮你生成一支可用的短视频预览；或者你把剪辑线上的粗剪片段丢进去，配上口播音频，它能还你一个调过节奏的版本。这种多模态输入不再是炫技，它在直接回应内容生产链中一个真实的痛点：素材从来不是单一的，为什么要限制输入端？
15 秒带音频，恰好卡在短视频的神经末梢上
时长设定有其精妙之处。15 秒，比 TikTok 的推荐时长略短，刚好够一个 hook 加一个信息点。附带音频意味着它生成的不是静音画面，而是能直接塞进剪辑时间轴的实体。过去你用其他模型生成一段画面，还得单独找音效、配旁白；MiniMax-H3 把语音、环境声和画面一并打包。这对本地视频生成真正进入实用场景极其关键——视频是视听复合体，少了一条腿，你在本地跑再快也没意义。现在模型替你把两条腿都接上了，哪怕它走得不快。
为什么全模态理解比单纯堆参数更值得关注
业界总有冲动把一切简化为参数竞赛，但 MiniMax-H3 的方向暗示了另一种思路：让模型在输入端就具备充分的跨模态对齐能力，然后再谈生成。这一点在它处理视频输入时尤其明显——一个能理解视频节奏、画面切换、音频情绪的模型，才有资格输出一段能看的视频。而不是靠扩散模型机械地膨胀像素。这也是为什么当社区看到 minimax-h3-mlx 这个移植包出现在 Apple Silicon 上时，兴奋的不只是“又多一个模型可玩”，而是“终于有一个全模态的视频模型开始往端侧挪动了”。
把 115GB 的模型塞进 MacBook，MLX 当了一次称职的搬运工
MLX 不声不响，却成了端侧重型推理的默认答案
PipeNetwork 把 MiniMax-H3 移植到 MLX 上，这件事本身就是一个信号。PyTorch 在 Mac 上的表现一直像是顺便支持，而 Apple 自己的 MLX 框架从一开始就是为共享内存和统一内存架构设计的。115GB 的模型文件，换成其他方案可能连加载都要折腾半天，但在 MLX 上，模型权重可以直接跑在 M5 Max 的统一内存里，省掉大量数据搬运的开销。别忘了，普通 MacBook 的内存上限可能只有 64GB 或更低，M5 Max 冲到 128GB 甚至更高，才让这种体积的模型有了落地的物理条件。从这个意义上说，minimax-h3-mlx 不仅是在测模型，也是在测硬件的天花板。
115GB 下载，然后是一场耐心的马拉松
Simon Willison 的实测透露了一个常被忽略的数字鸿沟：你需要先下载约 115GB 的模型文件。对大多数家庭宽带来说，这不是点一下等几分钟的事，而是一个需要规划下载窗口的工程。紧接着，视频生成耗时不到 45 分钟。他并没有用“仅需”这个词，因为 45 分钟确实不是一个小数目。这意味着你泡好咖啡、回复几封邮件、甚至开完一个短会，回来视频可能还没跑完。但它也有另一层含义：这是完全离线、本地的生成，没有任何网络延迟，没有 API 调用费用，而且可以反复调整参数重跑。对于一个 15 秒带音频的全模态视频片段，这个速度标尺，比任何学术基准都更诚实。
M5 Max 不是终点，而是准入线
“在 M5 Max 上跑通”这句话本身就划了一道硬门槛。不是所有 Apple Silicon 都吃得下 115GB 的模型，更别说流畅推理。即便是 M5 Max，128GB 的统一内存也几乎被模型和运行时占满。这意味着此刻能把 MiniMax-H3 跑在本地的人，要么是高配 MacBook Pro 用户，要么是愿意租用云端 Mac 实例的开发者。这暂时还不是一个大众工具。但它在刻意回答一个问题：当最强消费级芯片站上擂台，端侧视频生成距离可用还差几步？答案是——至少还差一个内存世代，再加一个模型量化方案。
45 分钟，这个数字会成为端侧生成视频的基准锚点
当视频生成不再敲门云端，创意流程会发生什么移位
云时代养成了一个习惯：一切都应该秒回。但本地视频生成把这层预期敲碎了。45 分钟一个片段，逼迫生成者切换成一种异步工作模式——你可以同时排上三五个任务，然后去干别的事。这种模式意外地贴合剪辑师和编导的工作习惯，他们本来就熟悉“渲染队列”的概念。真正的好处发生在隐私敏感和迭代频次极高的场景里：当你反复调整一段内部样片的视觉风格时，不用把原始素材上传到陌生的 API 服务器，也不存在用量限制。端侧带来的安全感，比纯粹的生成速度更值钱。
从 45 分钟到可交互，中间隔的不只是算力
很多人会下意识地套用摩尔定律——认为明年可能就是 20 分钟，后年 5 分钟。但视频生成任务的复杂度并非线性增长，15 秒片段需要协调空间连贯性、时间一致性、音频同步，这里面的计算量摊到每个像素上都是无情的。而且 端侧 AI 推理还要兼顾功耗和散热，MacBook 不会一直让你用峰值性能跑满四十五分钟不降频。更现实的一条路是模型蒸馏和量化，把 115GB 的体积和推理开销大幅砍下来。但这需要时间，也需要社区持续投入。PipeNetwork 的移植开了个口子，接下来就看有多少人愿意在这个基础上打磨出真正能塞进日常工具链的版本。
今天该不该让你的 MacBook 跑上这个模型
如果你正好有一台 128GB 内存的 M5 Max MacBook Pro，而且对全模态视频生成抱有实验心态，那答案是毫无疑问的：跑起来。哪怕只是为了看一眼从自己的素材里长出视频的感觉。模型下载是沉没成本，跑一次的成本只有电费。你在自己的数据上看到 MiniMax-H3 哪里处理得好、哪里莫名其妙崩掉，这种身体记忆是任何论文和评论区都给不了的。如果你只是有一台 32GB 或 64GB 的 Mac，那暂时不用折腾。端侧视频生成还处在“能跑就是胜利”的阶段，但正是这种能跑的胜利，让 45 分钟这个数字变成了接下来一年里所有人都会反复掂量的一个起点。它像一面镜子，照出了今天本地生成视频在地面的真实高度——不高，但我们已经稳稳站上来了。
