MiniMax发布H3-Image模型：10秒生成4K图，实测复杂任务仍有短板
sina qqZone renren ydCloud 0
11月10日，
MiniMax推出新一代图像生成模型H3-Image，模型权重同步对外开放。文生图、参考图生成、图片编辑这些功能，它都支持。
按照MiniMax官方的说法，H3-Image这轮升级集中在三块：出图速度、画面真实感，以及对复杂指令的遵循能力。官方称，一张4096×4096像素、约1600万像素的4K图片，最快10秒内就能生成，速度最高能到主流模型的5倍。
画质上，H3-Image重点处理的是AI图片那种塑料感，让皮肤、毛发、光影和材质细节更接近真实。指令遵循方面，官方表示模型能读懂复杂的画面要求，参考图片输入最多支持16张。
官方展示的案例里，机械爆炸图、产品设计图、多图融合、复杂商业海报这些任务，H3-Image都能做。实际用起来表现如何，还得测。
我们因此做了一套100分的测评方案，覆盖生成速度、画面真实感、复杂指令遵循、图片编辑、多图参考融合、商业实用性6个维度，共8个测试项目。
这套测试下来，H3-Image拿到77分。说到底，如果你只要一张高质量照片，很多商业场景已经用不着专业摄影师了。
生成4K图片速度测试
官方重点宣传的是4K图像生成速度，我们让H3-Image生成一张带3D游戏引擎质感的未来港口场景来测。
画面要求里有集装箱、工业起重机、仓库和雨后的金属地面，还要有两名装备不同的游戏角色，一个半蹲在掩体后，一个站在高处平台上。这次生成用了59秒，比官方宣传的最快10秒慢了不少。
图｜耗时不算短，和主流模型差不多，但没到宣称的几秒出图
当然，这只是当前使用环境下记录的一次耗时，代表不了模型的平均速度。单看这次体验，H3-Image在速度上没带来多少惊喜。
图片质量倒没什么大问题。下载后确认，生成结果达到了所选的4K规格，分辨率没有缩水。
但画面里两名游戏角色的风格差异很明显。一个符合科幻射击游戏的设定，另一个却带着浓厚的仙侠游戏风格，有点跨服联机的意思。
把分辨率、生成耗时和画面完成度放在一起看，这一项我们给H3-Image打了12分，满分20分。
真实人物摄影是H3-Image另一项主推能力。此前不少AI生图模型做出来的人像虽然精致，却常被吐槽皮肤太滑——毛孔、皱纹、肤色差异统统被抹平，看着更像影楼精修片。
我们让它生成一张普通人在咖啡馆里的生活照。
设定是这样：一名30岁左右的亚洲女性坐在咖啡馆靠窗位置，刚回头看向镜头，不化浓妆，要保留真实毛孔、雀斑、细小绒毛和眼角纹理，窗玻璃上还得有少量灰尘和水痕。出来的结果挺让人意外，第一眼看过去已经很像真实摄影，人物神态自然，摆拍的痕迹不明显。
把图放大以后，脸上的小雀斑、毛孔、嘴唇纹理，还有发际线边上的碎发，都能看得比较清楚。眼神、手部姿态和窗边自然光影也配合得比较顺。H3-Image没有刻意往精致里修，而是留了一些日常生活里常见的皮肤瑕疵。
人物真实感这一项，我们给了满分15分。
接下来是立体纸雕材质测试。人像摄影之外，我们又挑了一种对材质和空间关系要求更高的画面。
任务是把巴西里约热内卢的城市地标做成一本立体纸雕旅行手帐，画面里要有基督像、糖面包山、海湾和海滩，全部用多层彩色纸张制作，纸张的裁切边缘、实际厚度以及纸层之间的自然阴影都要能看清。
难度还加了一层：画面左下角要出现一只真实的人手，轻轻扶住手帐，手指的皮肤纹理、关节、指甲边缘，甚至少量小痣都要达到真实摄影的效果。
这张图的完成度也不低。先说纸雕的层次，不同颜色的纸张按前后关系排布，边缘能看出厚度，阴影也对得上各自所在的纸层，没有塌成一张平面的彩色插画。
再看地标，基督像、糖面包山这些元素辨识度较高，整体配色鲜活，也没有明显的过饱和。左下角那只手放大之后，指关节的褶皱、皮肤纹理、指甲边缘都比较自然，连手背上的小痣都生成了出来。
这一项同样是满分15分。两项真实感测试加起来30分，H3-Image全部拿到。
官方展示的案例里，机械结构图和爆炸拆解图算是比较有代表性的用法。这类任务对图像生成模型的要求，比普通摄影图片高出一截：画面清晰只是底线，模型还得看懂产品结构、零件之间的空间关系，以及最基本的装配逻辑。我们这次直接拿一部iPhone Air来试。
上传手机正面和背面的参考图之后，我们让H3-Image生成一张工业设计风格的产品结构展示板。
图｜H3-Image生成的iPhone Air三视图与爆炸拆解图
单看整体效果，H3-Image确实抓住了我们想要的画面形式：手机各部分按爆炸图的方式排开，主要零件之间留出间距，中文名称也基本显示正确。粗略扫一眼，很像一张专业的产品结构示意图。
图｜这是Iphone Air的真实内部结构，和H3-Image的明显不一样
但放大细看，问题就出来了。手机内部零件结构并不准确，主板、摄像头模组等部件的具体形状和位置，跟真实产品的内部结构差得比较多。有些零件看着确实像手机内部元器件，可具体的装配关系并不合理。模型更像是照着常见手机拆解图的视觉特征，猜出了一套内部结构。
对准确度要求不高的场景，这类图片拿来当概念示意图没问题。可一旦涉及严肃的机械设计、维修教学或工业生产，就不能直接用了。
这轮测试我们给11分，满分20分。
多参考图融合测试
H3-Image官方宣称最多支持16张参考图片输入，这个功能对角色设计、产品视觉和复杂场景创作比较有吸引力。为了测多图融合效果，我挑了一个更容易判断角色一致性的任务：把我家的猫变成一只猫咪探险家。
我家的猫是一只银灰色虎斑猫。我们上传了猫咪照片，还有探险夹克、望远镜、手套、裤子和登山靴等参考图，要求模型把这些素材融合成一张拟人猫咪探险家的电影海报。
这项测试之前，我们还用ChatGPT生成过相同主题的角色图片，这次正好把两个结果摆在一起看。
原始猫咪照片
ChatGPT生成
H3-Image生成
图｜原始照片、ChatGPT与H3-Image的探险家生成结果对比
装备还原方面，H3-Image做得比较完整。探险服、手套、靴子和背包等元素都体现出来了，猫咪也能自然地站在雪山场景里，整体有电影海报的视觉效果。
不过把两个版本放在一起比，我发现了一处很明显的差别：ChatGPT生成的版本，猫咪的脸部神态更接近我自己家的猫；H3-Image生成的角色虽然同样是银灰色虎斑猫，但神韵没有完全还原，看起来更像另外一只猫。
这一项最终得分14分，满分20分。
跨境电商宣传海报测试
商业实用性方面，我们还安排了一项跨境电商海报测试，主题是给中国辣条做一张面向海外消费者的宣传图。要求画面中出现红色辣条包装、辣条实物和香辛料元素，商品要有自然的油润质感，同时加上指定的中英文广告文案。
英文主标题是“SPICY SNACKS”，副标题是“Made for Bold Flavors”，底部还要准确写出中文“辣得过瘾”。
最后出来的海报整体效果不错：英文标题和副标题都没拼错，中文也显示准确。包装塑料的反光、辣条表面的油润感、香辛料的细节，都达到了食品广告的视觉要求。构图上，辣条包装落在视觉中心，产品与背景的层次比较清楚，文字也没被商品挡住。像这类常见的电商营销素材，H3-Image的完成度已经算高了。
跨境电商海报这项测试，得分5分，满分5分。
再看实际花销。这次测试一共生成8张图片，其中5张达到设定的合格标准，累计花费3.5元。算下来，平均每张合格图片的实际费用约0.7元。对需要大量制作文章配图、电商素材和社交媒体图片的团队而言，这个价格有一定吸引力。成本测试得分5分，满分5分。
从这次测试结果看，H3-Image在画面真实感、材质和光影表现上已经达到相当高的水平。人物摄影尤其如此，皮肤毛孔、发丝、自然光影都很逼真，普通人很难一眼分出真假。
过去这类活儿要靠摄影师、模特、场地、灯光和后期团队一起配合，现在一段提示词、几块钱甚至几毛钱，就能得到非常接近真实摄影的效果。所以我想说一个可能得罪摄影师的观点：从第一性原理出发，如果你需要的仅仅是一张高质量照片，那么很多商业场景，比如电商产品图、人像实景照片，已经不需要专业摄影师了。
当然，如果你要的是真实事件的记录、婚礼现场，或者享受拍摄本身的情绪价值，那就是另外一回事了。
▲星海情报局AI重构世界专栏
