MiniMax 开源 H3-Image：直出 1600 万像素，支持 16 张参考图编辑

MiniMax-H3-Image 是 MiniMax 开源的图像生成与编辑模型。它把文生图和多图参考编辑放进了同一个模型权重里，最大的特点是不用额外的放大算法，就能直接生成 1600 万像素的高清大图。

目前主流的开源图像模型大多停留在 100 万到 400 万像素区间，想要更高分辨率通常得靠后置的 Upscaler 放大并修图。H3-Image 把原生画幅直接拉到了 1600 万像素，在 1:1 比例下可以直接输出 4096×4096 分辨率，在 21:9 比例下能直出 6272×2688，有效工作区间覆盖 400 万到 2000 万像素。

更实用的是它的生成速度。这个模型直接蒸馏到了 6 步采样，并且不需要无分类器引导，生成一张 4K 级别的图片只需要 6 次网络评估，省去了传统扩散模型动辄几十步的等待时间。

它能做什么

除了原生高分辨率文生图，H3-Image 的另一个看点是图生图和多图编辑能力。它最多支持同时输入 16 张参考图，全部通过自然语言指令来调度。

比如在官方演示中，你可以同时喂给模型一个毛坯房间的图片和 9 件家具的照片，让它把这些家具自然地摆进房间里；或者输入一张 2D 游戏地图，指定坐标和朝向，让它直接生成第一人称视角的 3D 游戏画面，同时把原图保留在角落当作小地图。

在文字渲染和多语言理解上，模型继承了多模态训练的底子，不仅能准确渲染中英文字符，还能看懂黑板上的逻辑题并在画面里把解答画出来。

架构与硬件门槛

H3-Image 是从 MiniMax H3 视频生成模型演化而来的。团队剥离掉了原本处理音频的分支，保留了核心的扩散变换器架构。

它的 DiT 主干拥有 331 亿参数，采用 50 层的单流变换器设计。文本理解直接复用了完整的 Qwen3-VL 文本编码器，DiT 直接读取其第 50 层的隐藏状态。图像 VAE 则结合了 CNN 编码器和 24 层的 ViT 解码器，每个变换器 token 覆盖 32×32 像素。

这也意味着它的本地部署门槛相当高。光是 DiT 权重就有 66.28 GB，再加上 66.7 GB 的文本编码器，完整跑起来需要海量显存。官方推荐使用 SGLang 或 vLLM 进行部署，支持通过 Ulysses 技术在 4 张或更多 GPU 上拆分序列并行推理。生态方面，它也已经支持 Diffusers 和 ComfyUI。

模型和代码已经以社区许可协议发布在 Hugging Face。如果你不想自己折腾昂贵的多卡算力，MiniMax 的云端 API 和海螺 AI 平台也已经同步上线了这个模型的能力。

为什么重要

如果你是商业设计、电商物料或者游戏原画团队，H3-Image 非常值得现在就试一试。它一口气解决了开源生图工具最磨人的两个痛点：原生分辨率不够要反复放大修图，以及多张素材图无法在同一个画面里和谐拼合。16 张参考图的支持，基本覆盖了电商换景、角色多视角设定和场景概念合成的常见需求。

不过，它的门槛也明明白白摆在那里。超过 330 亿参数的 DiT 加上庞大的语言模型底座，消费级单卡基本可以直接放弃本地全精度部署，要么等社区跟进量化版本，要么老老实实调用 API 或租用多卡服务器。但它证明了一件事：开源图像模型已经不再满足于跟在闭源产品后面做小修小补，而是开始在超高分辨率和统一编辑这类硬骨头上正面硬碰了。