MiniMax H3 sudah open source, tetapi tidak sepenuhnya: modul apa saja dari ketiga modul yang sebenarnya dibuka?

Catatan penulis: MiniMax H3 dan H3-Image sama-sama membuka bobot modelnya, tetapi komponen sistem, layanan cloud, dan lisensi komunitas yang menentukan batas penggunaan untuk pengembangan maupun komersial. Artikel ini membedahnya per modul dan per lisensi.

Pada 10 November 2026, MiniMax membuka bobot model H3-Image. Sebelumnya, pada 3 Agustus 2026, model pembuatan video omni-modal MiniMax H3 sudah dirilis secara open source. Jarak antara kedua rilis itu lebih dari tiga bulan, tetapi keduanya sering dibahas sebagai satu paket, padahal ini dua model dengan dua lisensi berbeda.

Ini bukan artikel yang mengkritik “open source palsu”. Pengumuman resmi, model card di Hugging Face, dan teks lisensi aslinya sudah menjelaskan dengan jelas: yang dibuka MiniMax adalah bobot dan materi inferensi yang berpusat pada model generatif inti, bukan seluruh sistem cloud. Tujuan artikel ini adalah merapikan satu per satu: apa yang dibuka, apa yang tidak, dan bagaimana cara memakainya.

Nilai utama: setelah membaca artikel ini, kamu bisa membedakan status keterbukaan tiga modul MiniMax H3, memahami komponen H3-Image mana saja yang bisa dijalankan secara lokal, dan mengetahui perbedaan konkret kedua Community License dalam hal ambang pendapatan dan layanan hosting.

Ringkasan Informasi Inti Open Source MiniMax H3

Mari mulai dengan satu tabel yang merangkum garis waktu dan fakta dasarnya. Semua penilaian di bawah ini bersumber dari pengumuman resmi, model card, dan teks asli lisensi, dengan verifikasi hingga 11 November 2026.

Pahami Dulu 6 Istilah Terkait MiniMax H3 Sebelum Membaca

• Bobot terbuka (open weights): Parameter model yang sudah dilatih boleh diunduh, tetapi cakupan penggunaannya ditentukan oleh lisensi. Ini tidak berarti data pelatihan dan seluruh alur pelatihannya dibuka.
• Community License: Perjanjian lisensi penggunaan yang dibuat sendiri oleh penyedia model, bukan lisensi umum seperti MIT atau Apache 2.0.
• Checkpoint: File parameter yang dipakai untuk memuat model. Satu model bisa menyediakan beberapa checkpoint untuk tugas yang berbeda.
• Context-IR: Layanan resmi untuk memahami input multimodal, mengurai instruksi, dan merapikan konteks. Saat ini tersedia dalam bentuk API.
• Layanan hosting: Menyediakan fungsi model kepada pihak ketiga lewat jaringan, misalnya membuka API ke publik. Skenario inilah yang menjadi titik utama pembatasan dalam lisensi.
• Sparse attention (atensi jarang): Teknik yang hanya menghitung sebagian hubungan atensi untuk menekan biaya komputasi pada sekuens panjang.

MiniMax H3 Model Video: 3 Modul, Hanya 1 yang Dibuka

Pengumuman resmi membagi sistem MiniMax H3 yang lengkap menjadi tiga modul. Memahami pembagian ini adalah kunci untuk mengerti arti “open source, tapi tidak sepenuhnya open source”.

Dua checkpoint di MiniMax H3-Base

H3-Base bukan sekadar satu file bobot, melainkan dua checkpoint yang masing-masing dibuat untuk tugas tertentu. FL2VA mencakup teks ke video, video dari frame pertama, video dari frame terakhir, serta video dari frame pertama dan terakhir. Sementara Ref2VA bisa memakai gambar, video, dan audio sekaligus sebagai referensi untuk tugas pembuatan dan penyuntingan yang lebih kompleks, misalnya mempertahankan penampilan tokoh dan latar dari video asli, lalu hanya mengubah gerakan, gerak bibir, dan dialog.

Kedua checkpoint dilengkapi komponen seperti processor, tokenizer, text encoder, transformer, visual VAE, dan audio VAE. Dengan kata lain, yang dibuka adalah repositori model yang benar-benar bisa dipakai untuk inferensi, bukan bobot mentah yang masih harus Anda lengkapi sendiri komponen pendukungnya. Ini lebih lengkap dibanding banyak rilis yang “hanya melepas bobot”.

Perbedaan 768p lokal dan alur kerja 2K penuh

Menurut spesifikasi resmi, H3 secara default menghasilkan output dengan sisi pendek 768px, durasi video 4–15 detik, frame rate 24 FPS, dan audio stereo 32kHz. Kalau Anda hanya men-deploy H3-Base yang open source, Anda bisa menghasilkan audio-video 768p secara lokal. Untuk mereproduksi output 2K versi resmi, Anda masih perlu memanggil dua API: Context-IR dan Regenerate-2K.

Jadi pernyataan yang lebih tepat: H3-Base bisa berjalan mandiri, tetapi sistem H3 yang utuh tidak bisa sepenuhnya lepas dari layanan MiniMax. Pada skema lokal, tahap pemahaman input dan perapian instruksi harus Anda rancang sendiri. Jangan berasumsi Context-IR sudah punya versi lokal.

Sparse Attention yang gampang terlewat

Pada rilis open source pertamanya, pihak resmi menjelaskan bahwa model H3 secara native mendukung pelatihan dan inferensi dengan sparse attention untuk menekan biaya komputasi pada urutan panjang multimodal. Namun kode inferensi yang dibuka pertama kali hanya berisi Full Attention. Implementasi Sparse Attention akan dirilis terpisah pada pembaruan berikutnya.

Artinya, bobot yang dibuka tidak berarti seluruh optimasi inferensi internalnya ikut dibuka. Jika Anda menjalankan inferensi video panjang dengan kode publik yang ada sekarang, beban komputasinya bisa lebih tinggi daripada performa nyata di cloud resmi. Ini variabel yang perlu dipertimbangkan saat mengevaluasi performa.

Komponen Apa Saja yang Dibuka oleh MiniMax H3-Image?

Cara H3-Image dibuka mirip dengan H3: model intinya bisa diunduh, tetapi pemrosesan konteks masih bergantung pada cloud. Tabel di bawah disusun berdasarkan repositori model di Hugging Face.

Kenapa Text Encoder Harus Diunduh dari Repositori H3

H3-Image tetap memakai text encoder Qwen3-VL dari H3. Bobotnya disimpan di repositori H3, jadi tidak diduplikasi di repositori H3-Image. Karena itu, untuk men-deploy H3-Image, Anda perlu mengunduh isi dari kedua repositori: model utama ditambah text encoder membutuhkan total sekitar 135,35 GB ruang penyimpanan. Angka ini baru ukuran file, bukan kebutuhan VRAM.

Framework deployment yang direkomendasikan secara resmi antara lain SGLang, vLLM-Omni, Diffusers, dan ComfyUI. Perangkat keras yang didukung mencakup NVIDIA H200, RTX PRO 6000 Blackwell, AMD Instinct MI350X, dan lainnya, serta tersedia juga opsi paralelisme multi-GPU. Bagi kebanyakan developer perorangan, kebutuhan hardware ini tidak bisa dibilang ringan.

Context-IR dan PE Bukan Hal yang Sama

H3-Image-Context-IR adalah layanan cloud resmi yang bisa mengubah instruksi singkat menjadi deskripsi pembuatan gambar yang lengkap, sekaligus menentukan ukuran gambar yang pas. Sementara itu, H3-Image-PE adalah model penyempurna petunjuk yang bisa diunduh sendiri dan dijalankan secara lokal, dan ini merupakan alternatif lokal yang disediakan secara resmi.

Dibukanya PE tidak berarti alur kerja multi-tahap Context-IR yang di-hosting juga ikut dibuka. Kalau Anda hanya mengunduh model gambar dan PE, Anda memang bisa mendapatkan alur lokal yang berfungsi, tetapi hasilnya belum tentu sama persis dengan performa cloud resmi.

Klaim Vendor dan Hasil Pengujian Framework Perlu Dipisahkan

Klaim “menghasilkan gambar 4K dalam 10 detik” dan “hingga 16 gambar referensi” berasal dari model card dan pengumuman resmi, jadi statusnya adalah klaim vendor. Sementara itu, di resep deployment vLLM, batas gambar referensi tertulis maksimal 9, jadi kedua angka ini memakai acuan yang berbeda. Berapa banyak gambar referensi yang sebenarnya bisa dipakai bergantung pada framework inferensi dan konfigurasi yang Anda gunakan, jadi saat mengevaluasi, andalkan hasil pengujian Anda sendiri.

Apa Sebenarnya yang Dibatasi oleh Dua Lisensi MiniMax H3?

Bagian ini paling mudah disalahpahami dari kedua rilis tersebut. H3 dan H3-Image memakai dua Community License yang berbeda, dengan syarat otorisasi komersial yang jauh berbeda, sehingga kesimpulan untuk satu model tidak bisa langsung diterapkan ke model lainnya.

📌 Catatan: Isi di atas hanyalah rangkuman ketentuan dari teks lisensi dan bukan nasihat hukum. Untuk detail pembatasan wilayah dan kewajiban lainnya, rujuklah teks asli kedua file LICENSE. Kalau Anda hanya ingin menilai dulu kualitas model generatif dan model percakapan, Anda bisa memanfaatkan antarmuka terpadu APIYI (apiyi.com) untuk memanggil berbagai model populer dan membandingkan solusinya, lalu memutuskan apakah layak berinvestasi pada deployment lokal dan pengajuan izin.

Batas H3: Boleh Dipakai Komersial, tetapi Ada Kewajiban

H3 memberikan lisensi terbatas bebas royalti di wilayah yang berlaku, dan penggunaan komersial diperbolehkan. Ada dua syarat utama. Pertama, pendapatan tahunan di atas 20 juta dolar AS memerlukan izin tertulis. Kedua, jika Anda menyediakan layanan model kepada pihak ketiga, Anda harus menerapkan perlindungan keamanan dan meneruskan batasan penggunaan kepada pengguna hilir.

Batas H3-Image: Layanan Hosting Adalah Syarat Mutlak

Syarat H3-Image jauh lebih ketat. Ambang pendapatan tahunan turun menjadi 1 juta dolar AS. Selain itu, selama Anda menyediakan layanan hosting kepada pihak ketiga mana pun, berapa pun pendapatan Anda, Anda wajib mendapat izin tertulis terlebih dahulu. Lisensi ini juga menyediakan jalur untuk menghubungi MiniMax guna mengajukan lisensi tersendiri.

Bagi platform API, platform hosting model, dan pengembang SaaS, ini berarti “bobot model bisa diunduh” tidak otomatis berarti “boleh di-deploy lalu dibuka sebagai API untuk publik”. Tingkat kelonggaran batas ini sangat berbeda antara H3 dan H3-Image.

Dampak Open Source MiniMax H3 bagi Developer

Kalau tingkat keterbukaan modul dan lisensinya dilihat bersama-sama, kebebasan yang didapat developer ternyata sangat berbeda-beda tergantung skenarionya.

Kebebasan Nyata yang Dibawa Keterbukaan

Kebebasan dari bobot yang dibuka ini benar-benar terasa. Developer bisa deploy secara offline, menjaga data tetap di dalam jaringan internal, mempelajari struktur model multimodal penuh berskala 33B, dan juga mengganti atau memodifikasi tahap pra/pasca-pemrosesan dalam alur kerja lokal. Kedua model sudah dilengkapi komponen inferensi yang lengkap, sehingga hambatan bagi komunitas untuk mereplikasinya jadi lebih rendah.

Tiga Lapis Batasan yang Tetap Ada

Lapis pertama adalah batasan sistem: Context-IR dan Regenerate-2K tidak termasuk dalam cakupan yang dibuka. Lapis kedua adalah batasan implementasi: kode Sparse Attention milik H3 belum disertakan pada rilis pertama. Lapis ketiga adalah batasan lisensi: klausul wilayah, pendapatan, layanan hosting, dan identitas merek secara bersama-sama menentukan apakah model boleh dipakai secara komersial.

Jadi bobot terbuka dan API cloud itu sifatnya berdampingan. Biaya pengadaan GPU, optimasi inferensi, penjadwalan konkurensi tinggi, penyempurnaan petunjuk, dan pemeriksaan kepatuhan tidak akan hilang hanya karena bobotnya dibuka. Bagi banyak tim, langkah yang lebih aman adalah memvalidasi kebutuhan bisnis lebih dulu lewat platform agregator seperti APIYI apiyi.com, baru kemudian menilai apakah membangun sendiri memang layak.

Contoh Tahap Awal Alur Lokal MiniMax H3

Karena Context-IR tidak dibuka untuk umum, langkah merapikan input perlu kamu tambahkan sendiri saat menjalankan H3-Base secara lokal. Cara yang umum dipakai adalah memakai Model Bahasa Besar serbaguna untuk mengembangkan ide singkat menjadi deskripsi terstruktur, lalu menyerahkannya ke model lokal. Perlu diingat, ini hanya alternatif dari sisi rekayasa, dan hasilnya tidak sama dengan Context-IR resmi.

Contoh Paling Sederhana

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

resp = client.chat.completions.create(
    model="gpt-4o-mini",
    messages=[
        {"role": "system", "content": "把简短视频创意扩写为详细镜头描述，包含主体、动作、镜头、光线和声音。"},
        {"role": "user", "content": "雨夜街头，一只猫跳上霓虹灯招牌"}
    ]
)
print(resp.choices[0].message.content)

import json
import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

SYSTEM_PROMPT = """你是视频生成提示词工程师。
请把用户的简短创意扩写为 JSON，字段包括：
- prompt: 详细的画面与动作描述
- camera: 镜头运动
- audio: 环境声与音乐描述
- duration: 视频时长（秒，取值 4 到 15）
只输出 JSON。"""

def build_context(idea: str, model: str = "gpt-4o-mini") -> dict:
    """Merapikan input dengan Model Bahasa Besar serbaguna, sebagai tahap awal sebelum H3-Base lokal"""
    resp = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": SYSTEM_PROMPT},
            {"role": "user", "content": idea},
        ],
        response_format={"type": "json_object"},
    )
    ctx = json.loads(resp.choices[0].message.content)
    # Batasi durasi 4-15 detik sesuai spesifikasi resmi H3
    ctx["duration"] = max(4, min(15, int(ctx.get("duration", 5))))
    return ctx

if __name__ == "__main__":
    ctx = build_context("雨夜街头，一只猫跳上霓虹灯招牌")
    print(json.dumps(ctx, ensure_ascii=False, indent=2))
    # Langkah berikutnya: serahkan ctx ke alur inferensi H3-Base lokal milikmu
    # (lihat contoh inferensi FL2VA di repositori GitHub resmi)

🚀 Mulai Cepat: Kalau VRAM lokal tidak cukup, kamu bisa mengambil kuota uji coba gratis di APIYI (apiyi.com) untuk menjalankan tahap perapian petunjuk lebih dulu. Platform ini menyediakan antarmuka yang kompatibel dengan OpenAI, jadi satu kunci API sudah cukup untuk berganti-ganti model, sehingga mudah membandingkan model mana yang paling cocok untuk tahap pengembangan awal.

MiniMax H3 Open Source: FAQ

Poin Penting Open Source MiniMax H3 (Key Takeaways)

• Dari tiga modul, hanya satu yang dibuka: H3-Base dibuka, sedangkan Context-IR dan Regenerate-2K tetap berupa API resmi.
• Checkpoint lengkap: FL2VA dan Ref2VA sama-sama disertai komponen inferensi seperti tokenizer dan VAE.
• Mentok di 768p untuk lokal: alur kerja video 2K penuh masih bergantung pada layanan cloud resmi.
• Sparse attention belum dirilis: kode inferensi yang dibuka pertama kali ini baru berisi Full Attention.
• Dua lisensi berbeda: ambang batas H3 adalah 20 juta dolar AS, sedangkan H3-Image 1 juta dolar AS.
• Layanan hosting adalah garis merah: pihak ketiga yang ingin menyediakan hosting H3-Image wajib mendapat izin tertulis lebih dulu.
• Validasi dulu, baru bangun sendiri: manfaatkan antarmuka terpadu APIYI (apiyi.com) untuk memvalidasi kebutuhan bisnis dengan biaya rendah.

Kesimpulan

Poin utama dari open source MiniMax H3:

1. Yang dibuka adalah model generatif intinya: model utama H3-Base dan H3-Image bisa diunduh dan di-deploy, dengan komponen inferensi yang lengkap.
2. Layanan cloud tetap bagian dari sistem: Context-IR dan Regenerate-2K menentukan batas atas kualitas hasil secara utuh.
3. Lisensi menentukan batas penggunaan komersial: kedua Community License punya syarat yang berbeda, dan H3-Image jauh lebih ketat soal layanan hosting.

Untuk menilai seberapa terbuka sebuah model, jangan hanya melihat apakah bobotnya bisa diunduh. Lihat juga empat dimensi lain: komponen, kode inferensi, layanan pendukung, dan lisensi. Langkah MiniMax kali ini cukup tulus, tetapi sebelum mulai deploy dan menggunakannya secara komersial, pastikan Anda memeriksa keempat lapisan batasan ini satu per satu.

Kalau Anda sedang mengevaluasi solusi generatif, sebaiknya validasi dulu alur bisnis Anda dengan kuota gratis lewat APIYI (apiyi.com), baru putuskan apakah layak berinvestasi di deployment lokal dan pengajuan lisensi.

📚 Referensi

1. Pengumuman resmi open source MiniMax H3: Penjelasan pembagian tiga modul dan Sparse Attention
2. Tautan: minimax.io/news/minimax-h3-open-source

3. Keterangan: Sumber primer untuk memahami struktur sistem H3 dan cakupan yang dibuka

4. Hugging Face – Repositori model MiniMax-H3: Checkpoint FL2VA, Ref2VA, beserta komponennya

5. Tautan: huggingface.co/MiniMaxAI/MiniMax-H3

6. Keterangan: Berisi bobot text encoder Qwen3-VL yang dipakai bersama

7. Teks asli MiniMax H3 Community License

8. Tautan: huggingface.co/MiniMaxAI/MiniMax-H3/blob/main/LICENSE

9. Keterangan: Ambang pendapatan, cakupan wilayah, dan kewajiban turunan mengacu pada dokumen ini

10. Hugging Face – Repositori model MiniMax-H3-Image: Daftar komponen dan panduan deployment

11. Tautan: huggingface.co/MiniMaxAI/MiniMax-H3-Image

12. Keterangan: Model card resmi, termasuk pernyataan vendor seperti batas jumlah gambar referensi

13. Teks asli MiniMax H3-Image Community License

14. Tautan: huggingface.co/MiniMaxAI/MiniMax-H3-Image/blob/main/LICENSE

15. Keterangan: Lisensi layanan hosting dan ketentuan ambang 1 juta dolar AS

16. Resep deployment vLLM – MiniMax-H3-Image

17. Tautan: recipes.vllm.ai/MiniMaxAI/MiniMax-H3-Image

18. Keterangan: Konfigurasi pengujian dari sisi framework; batas gambar referensinya berbeda dengan yang tertulis di model card

19. GitHub – Kode sumber dan materi deployment MiniMax-H3

20. Tautan: github.com/MiniMax-AI/MiniMax-H3
21. Keterangan: Contoh inferensi lokal dan skrip deployment

Penulis: Tim Teknis APIYI
Diskusi teknis: Silakan hubungi kami lewat beranda resmi APIYI. Materi integrasi lainnya tersedia di pusat dokumentasi docs.apiyi.com

Artikel terkait

• Sebelum menggunakan MiniMax H3 untuk produk video komersial: 5 langkah memastikan batas kemampuan, lisensi, dan penerapan: Panduan pemeriksaan pra-rilis MiniMax H3 untuk tim produk video, dengan 5 langkah guna memastikan kemampuan model, lisensi komersial, metode penerapan, dan dasar biaya, agar keputusan teknis tidak dibuat berdasarkan rumor.
• MiniMax H3-Image vs Seedream 5.5, Cara Memilih untuk Pengeditan Gambar Seratus Putaran: Pahami 2 Model Lewat 5 Tabel: MiniMax-H3-Image unggul dalam keluaran langsung sekitar 16MP dan hingga 16 gambar referensi, sedangkan Seedream 5.5 unggul dalam sekitar 100 putaran penyuntingan berkelanjutan yang diklaim resmi serta latar transparan bawaan; artikel ini memberi kesimpulan berdasarkan jenis pekerjaan dan menjelaskan generasi Seedream mana yang saat ini dapat dipanggil lewat APIYI.
• Penjelasan bobot terbuka Kimi K3.1 Pro: 2 syarat lisensi dan ambang deployment mandiri 1,56 TB: Uraikan satu per satu 2 syarat komersial lisensi bobot terbuka Kimi K3.1 Pro, berikan penilaian untuk tiga skenario penggunaan internal, API eksternal, dan produk konsumen skala besar, serta tinjau hambatan penerapan mandiri seperti bobot 1,56 TB, presisi MXFP4, dan kerangka inferensi.
• Kimi K3.1 Pro Resmi Diluncurkan: Rangkuman Fitur Baru, Harga, dan Ketersediaan: Kimi K3.1 Pro resmi dirilis pada 24 Oktober 2026: konteks 1 juta, tiga harga satuan 33% lebih rendah daripada K3, tersedia di web, aplikasi, Kimi Code, dan API, bobot model dirilis sebelum 4 November 2026, artikel ini merangkum fitur baru, lima tingkatan harga, dan kanal yang tersedia.