미니맥스, H3-Image 오픈소스 공개: 1600만 화소 생성과 16장 참조 편집 지원
미니맥스가 텍스트 생성과 이미지 편집을 하나로 통합한 모델 MiniMax-H3-Image를 오픈소스로 공개했습니다. 업스케일러 없이 최대 4096×4096 해상도를 6스텝만에 생성하며, 최대 16장의 참조 이미지를 결합해 편집할 수 있습니다. 가중치와 코드는 허깅페이스에 올라와 있습니다.
MiniMax-H3-Image는 미니맥스가 공개한 오픈소스 이미지 생성 및 편집 모델입니다. 텍스트 투 이미지와 다중 이미지 참조 편집을 단일 모델 가중치에 통합했으며, 별도의 업스케일러 없이도 1600만 화소 이미지를 직접 생성할 수 있는 점이 핵심입니다.
기존 오픈소스 생성 모델 대다수가 100만~400만 화소 수준에 머물러 고해상도를 얻으려면 후처리 업스케일러에 의존해야 했던 것과 달리, H3-Image는 1:1 비율 기준 4096×4096, 21:9 비율 기준 6272×2688 해상도를 네이티브로 뽑아냅니다. 유효 작업 해상도는 400만에서 2000만 화소에 달합니다.
생성 속도 역시 강점입니다. 6스텝 샘플링으로 증류되어 CFG 없이 작동하므로, 단 6번의 연산만으로 4K급 고해상도 결과물을 빠르게 완성합니다.
무엇을 할 수 있나
초고해상도 텍스트 생성 외에 눈여겨볼 부분은 최대 16장의 참조 이미지를 결합하는 편집 능력입니다. 복잡한 워크플로 없이 자연어 지시문만으로 여러 이미지를 조합할 수 있습니다.
공식 쇼케이스에서는 빈 방 사진 한 장과 가구 사진 9장을 입력받아 실제 배치된 거실 인테리어 이미지 한 장으로 합성해 내는 모습을 보여주었습니다. 또한 2D 게임 맵과 위치 화살표를 주면 해당 위치에서 바라본 1인칭 3D 게임 화면을 생성하고, 원본 맵은 구석에 미니맵 형태로 자연스럽게 남겨두는 작업도 가능합니다.
텍스트 렌더링에서도 강점을 보입니다. 영어와 중국어 텍스트를 정확하게 그려내는 것은 물론, 칠판에 적힌 논리 퍼즐을 스스로 풀어 정답을 적어 넣는 수준의 시각적 추론을 보여줍니다.
아키텍처와 하드웨어 사양
H3-Image는 미니맥스의 H3 비디오 모델에서 오디오 브랜치를 덜어내고 이미지 전용으로 다듬은 구조를 갖추고 있습니다.
확산 트랜스포머(DiT)는 331억(33.1B) 파라미터 규모의 50레이어 단일 스트림 구조입니다. 텍스트 인코더는 Qwen3-VL을 그대로 활용해 50번째 레이어의 히든 스테이트를 직접 참조하며, VAE는 CNN 인코더와 24레이어 ViT 디코더를 결합했습니다.
스펙이 뛰어난 만큼 로컬 구동 장벽은 매우 높습니다. DiT 가중치만 66.28GB에 달하고, H3 텍스트 인코더가 추가로 66.7GB를 차지합니다. 일반 소비자용 단일 GPU로는 구동이 불가능에 가까우며, 공식 문서에서도 SGLang이나 vLLM을 활용해 4장 이상의 GPU에서 Ulysses 시퀀스 병렬 처리를 권장하고 있습니다. Diffusers와 ComfyUI 연동도 지원합니다.
가중치는 허깅페이스에 커뮤니티 라이선스로 배포되었으며, 상용 권한은 별도 신청 절차를 거쳐야 합니다.
왜 중요한가
상업 디자인, 게임 콘셉트 아트, 이커머스 콘텐츠를 제작하는 전문가라면 H3-Image를 즉시 테스트해 볼 가치가 있습니다. 해상도가 부족해 여러 번 업스케일링을 돌리거나, 여러 소스 이미지를 자연스럽게 합성하지 못해 겪던 기존 도구들의 병목을 직접 해결해 주기 때문입니다.
다만 330억 파라미터가 넘는 거대한 크기 탓에 개인이 로컬 워크스테이션에서 가볍게 돌리기는 어렵습니다. 커뮤니티의 양자화 버전이 나오기 전까지는 클라우드 API나 미니맥스의 웹 서비스(Hailuo AI)를 이용하는 편이 현실적입니다. 그럼에도 오픈소스 생태계가 4K 네이티브 생성과 고난도 다중 참조 편집을 단일 모델로 정면 돌파했다는 점에서 주목할 만한 진전입니다.