MiniMax 開源 H3-Image：直出 1600 萬畫素，支援 16 張參考圖編輯

MiniMax-H3-Image 是 MiniMax 開源的影像生成與編輯模型。它把文生圖和多圖參考編輯放進了同一個模型權重裡，最大的特點是不用額外的放大演算法，就能直接生成 1600 萬畫素的高畫質大圖。

目前主流的開源影像模型大多停留在 100 萬到 400 萬畫素區間，想要更高解析度通常得靠後置的 Upscaler 放大並修圖。H3-Image 把原生畫幅直接拉到了 1600 萬畫素，在 1:1 比例下可以直接輸出 4096×4096 解析度，在 21:9 比例下能直出 6272×2688，有效工作區間覆蓋 400 萬到 2000 萬畫素。

更實用的是它的生成速度。這個模型直接蒸餾到了 6 步取樣，並且不需要無分類器引導，生成一張 4K 級別的圖片只需要 6 次網路評估，省去了傳統擴散模型動輒幾十步的等待時間。

它能做什麼

除了原生高解析度文生圖，H3-Image 的另一個看點是圖生圖和多圖編輯能力。它最多支援同時輸入 16 張參考圖，全部通過自然語言指令來排程。

比如在官方演示中，你可以同時餵給模型一個毛坯房間的圖片和 9 件傢俱的照片，讓它把這些傢俱自然地擺進房間裡；或者輸入一張 2D 遊戲地圖，指定座標和朝向，讓它直接生成第一人稱視角的 3D 遊戲畫面，同時把原圖保留在角落當作小地圖。

在文字渲染和多語言理解上，模型繼承了多模態訓練的底子，不僅能準確渲染中英文字元，還能看懂黑板上的邏輯題並在畫面裡把解答畫出來。

架構與硬體門檻

H3-Image 是從 MiniMax H3 影片生成模型演化而來的。團隊剝離掉了原本處理音訊的分支，保留了核心的擴散變換器架構。

它的 DiT 主幹擁有 331 億引數，採用 50 層的單流變換器設計。文本理解直接複用了完整的 Qwen3-VL 文本編碼器，DiT 直接讀取其第 50 層的隱藏狀態。影像 VAE 則結合了 CNN 編碼器和 24 層的 ViT 解碼器，每個變換器 token 覆蓋 32×32 畫素。

這也意味著它的本地部署門檻相當高。光是 DiT 權重就有 66.28 GB，再加上 66.7 GB 的文本編碼器，完整跑起來需要海量視訊記憶體。官方推薦使用 SGLang 或 vLLM 進行部署，支援通過 Ulysses 技術在 4 張或更多 GPU 上拆分序列並行推理。生態方面，它也已經支援 Diffusers 和 ComfyUI。

模型和程式碼已經以社群許可協議釋出在 Hugging Face。如果你不想自己折騰昂貴的多卡算力，MiniMax 的雲端 API 和海螺 AI 平臺也已經同步上線了這個模型的能力。

為什麼重要

如果你是商業設計、電商物料或者遊戲原畫團隊，H3-Image 非常值得現在就試一試。它一口氣解決了開源生圖工具最磨人的兩個痛點：原生解析度不夠要反覆放大修圖，以及多張素材圖無法在同一個畫面裡和諧拼合。16 張參考圖的支援，基本覆蓋了電商換景、角色多視角設定和場景概念合成的常見需求。

不過，它的門檻也明明白白擺在那裡。超過 330 億引數的 DiT 加上龐大的語言模型底座，消費級單卡基本可以直接放棄本地全精度部署，要麼等社群跟進量化版本，要麼老老實實呼叫 API 或租用多卡伺服器。但它證明了一件事：開源影像模型已經不再滿足於跟在閉源產品後面做小修小補，而是開始在超高解析度和統一編輯這類硬骨頭上正面硬碰了。