H3-World：将语言理解转化为世界控制
2026.09.02 · 产品 · 新模型 · 论文预印本
MiniMax-H3新框架用文本指令控制角色和相机，仅需8000样本。
H3-World 是一个基于 MiniMax-H3 的语言原生控制框架，将角色和相机动作组合为文本指令，并通过预训练文本路径注入。它实现了时间上的精确控制，每个视频潜在区间分配一个动作提示。仅使用 8000 个游戏样本、10000 步 LoRA 训练和 0.199% 的可训练参数，即可实现可控的角色和相机运动，包括未见过的动作组合和视觉场景。
- 语言原生控制：文本指令注入预训练路径
- 时间精确：每个视频区间一个动作提示
- 高效：仅8000样本、10000步LoRA
- 参数极少：仅0.199%可训练参数
- 泛化：支持未见动作组合和视觉场景
为什么值得看
展示高效利用语言模型实现精细动作控制的新路径。
适合谁关注
AI研究者、游戏开发者、多模态学习爱好者