7 月 31 日，MiniMax 发布视频模型 H3，最高 2K 分辨率，画面、运动、声音同框生成。截至 8 月中旬，它在 Artificial Analysis 视频编辑榜位列第一，文生视频、图生视频双双进入全球前三。4 天后，MiniMax 将产品升级为MiniMax Design——一个以 Agent 为入口的视频工作台。左手 SOTA 模型，右手深度耦合的 Agent，野心已经藏不住了。
注：柱长仅对应榜单名次（第 1 / 第 2–3），并非模型绝对得分；数据来自 Artificial Analysis 截至 2026 年 8 月中旬的公开榜单。
比排名更值得注意的，是定价。H3 发布即「加量不加价」：每秒 8 毛，仅为同级别产品的三分之一。
一杯奶茶钱，就能跑完一轮视频素材的 A/B/C 测试。
外部验证来得很快。字节剪映海外版 CapCut 在 H3 发布后第一时间接入上线，还专门发了一条官方宣布——对家生态主动接入，是最直接的背书。
但模型越强、成本越低，一个矛盾反而被放大了。
老板们想一周发它个七八十条视频，可写一条提示词仍要老师傅非遗式古法手敲几千字；保证片段间风格一致，也依然要手动抽卡、赛博祈愿。真正费时费力的部分，效率原地踏步。
于是，MiniMax 决定把效率补上。
大多数视频生成模型是一个黑盒：Prompt 进去、视频出来，中间如何理解、如何生成，用户几乎无法干预。「抽卡」，也因此成为 AI 视频相当长一段时间里的关键词。
H3 的不同，在于把黑盒拆成了三段，每一段都可以被理解、被介入：
其中负责生成的是 H3-Base，但真正拉开体验差异的，是独立的 Context-IR 模块。
一次上传 9 张图 + 3 段视频 + 3 段音频作为上下文，Context-IR 负责理解这些多模态输入之间的关系，把「用户到底想干什么」翻译成模型可执行的结构化指令。
于是，视频小白完全不懂什么叫伦勃朗光、正反打、希区柯克变焦，也能上传一段参考音视频，让模型理解老板想要的「五彩斑斓的黑」到底是什么效果。
在 H3 已生成「奶牛猫 + 环尾狐猴打魁地奇」的动画片段后，把它把画面中的奶牛猫换成奶牛，并生成一段米高梅风格、带字体特效的狐猴怒吼片头。
结果：H3 读懂了「其他元素不变」的潜台词，还让片头与正片里的狐猴保持视觉一致——这就是局部编辑能力，也是它拿下「视频编辑榜」第一的直接原因。
但模型只是左腿。4 天后，右腿来了。
8 月 3 日，MiniMax Hub 更名 MiniMax Design，首页留下一句话：「Your localized multimodal AI Agent team」。它没有把自己描述成「AI 视频生成器」——整个产品的入口是 Agent，任务拆解和执行也是 Agent，用户不需要在提示词和创作技巧上过多费心。
整个系统跑在一条多 Agent 流水线上：主 Agent 判断创作意图、拆解任务、匹配模型并分发；后台并行工作——文案 Agent 写脚本、图像 Agent 出分镜、视频 Agent 调用 H3 生成画面。结果汇总到画布后，用户还能继续调整、编排、组合。
但一个诚实的追问是：视频 Agent 的商业价值，真的撑得起这份野心吗？
要理解视频 Agent 的价值，最好的参照系是过去两年跑出 AI 应用层最疯狂增长曲线的编程 Agent。
注：Claude Code 于 2025 年 5 月公开，至 2026 年 2 月 ARR 达 25 亿美元，成为 Anthropic 增长最快的业务板块。
两个案例指向同一个结论：能帮助用户完成完整任务的 Agent，是模型与商业化营收的超级入口。而相比之下，视频 Agent 的价值可能更大，壁垒也更强——差异体现在三个维度：
反馈闭环：代码对不对，编译器给出无歧义的答案，Agent 可自动迭代修复。
资产状态：项目资产是文本文件，版本管理、局部修改、上下文复用成熟。
修改成本：改错一行，回滚一个 commit 就解决。
反馈闭环：画面、节奏、表情都是审美判断，没有绝对标准，需更强意图理解。
资产状态：海量片段素材与角色资产，时序一致性至今是行业难题。
修改成本：一处不满意，可能整条重新生成——几十秒 GPU 算力 + 不可控的新结果。
核心矛盾因此浮出水面：视频越长，修改需求越多，重新生成的成本越高。所以代码 Agent 可以「先生成、再测试、失败重来」，视频 Agent 必须做到「先可控、再局部编辑」——这既要求模型本身具备多模态上下文理解，也要求工作台把「保留、修改、重生成」做得足够顺滑。
对批量生产来说，这才是真正的效率杠杆。
「Your localized multimodal AI Agent team.」
—— MiniMax Design 首页的产品自述这句话定义了全部重心：入口是 Agent，不是生成器。MiniMax 的差异化，在于把模型与产品深度耦合——团队基于 H3 的特点构建了大量针对性 Skill：用户提供模糊输入后，Skill 更清楚如何把它改写成适配 H3 的提示词；图片、视频、音频哪些作为参考、哪些需要保留、增强或修改，全部被安排得明明白白。
提示词、参考素材、生成参数均针对 H3 专门调优，竞品难以复刻。
9 图 + 3 视频 + 3 音频同时作为参考，局部修改不丢一致性。
拆任务、匹配模型、并行执行——用户只描述目标，不碰参数。
这套「模型 + 工作台」的耦合，正在释放一个更实际的商业信号：批量生产。对买量素材、电商短视频、教育科普动画来说，生成、调整、剪辑、导出都在一个工作台内完成，工作流带来的效率提升，远大于单个镜头的画质优化。
也正因如此，MiniMax H3 + MiniMax Design 距离成为视频领域的 Claude Code 式产品，或许真的只有一步之遥。
编程 Agent 用不到一年证明了「完整任务交付」是超级入口；视频 Agent 的反馈闭环更复杂、资产更难管理、修改成本更高——这些「更难」，恰恰是后来者的壁垒。MiniMax 把模型、Skill 与工作台焊成一体，赌的就是内容生产的批量流水线。诚实的注脚是：H3 的领先位次需要持续加固，Design 也仍在内测。真正的分水岭在于，局部编辑的顺滑度，能否支撑起一周几十条视频的规模化交付——撑住了，视频 Agent 就是下一个 Claude Code。
MiniMax Design 已启动小范围内测，H3 已上线 MiniMax 开放平台，并接入 CapCut 等生态。
H3 生成能力亦可在 CapCut 内直接调用，无需等待内测。