MiniMax H3 Image开源：10秒出4K图，价格砍到主流工具一半

上回提到 MiniMax，还是在 8 月份 H3 视频模型开源那阵子。

当时我称它是开源圈的“源神”。

原因是它直接掀了友商视频模型的技术壁垒。

它也是第一个摸到 SOTA 水准的开源视频模型。

我在 b 站刷到不少同人二创，跑的就是本地部署的 MiniMax H3。

H3 Image 也已经发布。

这是一个从 H3 衍生出来的图像生成模型。

文本生成图像、图像参考、图像编辑，它都能做。

今天，

最能打的一点是速度。

依旧开源。

10 秒内就能出一张 4096 x 4096 像素、约 16 MP（4K）的高分辨率图像。

指令遵循和多参考图理解方面，它的表现同样出色。

H3 预训练给了它广泛的图像底子。

在此基础上，H3-Image 把整个后训练链路又加强了一遍。

数据、强化学习、步数压缩、PE 等环节都做了大量优化。

结果是 MiniMax H3-image 在速度、画面质量、指令遵循三方面都有竞争力。

现在 MiniMax 开放平台、MiniMax Code 都能用上它。

MiniMax 海螺同样已经接入。

标准模式下，H3-Image 的速度是市面上主流工具的 1.5-2 倍。

价格这块，它只要同档位主流工具的 50%–70%。

开源、快、便宜，这几样凑到一起，做短剧的门槛又低了一截。

8 月 H3 视频模型开源时，很多人还没意识到这意味着什么。

H3 Image 上线即开源，把图像这条线也补上了。

从视频到图像，MiniMax 的开源节奏一直没停。

大短剧时代，可能真的不远了。

接下来再看几个实际案例。这款模型对指令的遵循能力相当强，条件给得再复杂也能听明白。

比如让它生成一张数学题图片，几秒钟就出图，效果还很好。

再把一张咖啡机的实拍照片丢进去，让它做成产品爆炸图——各个部件沿轴线拉开，引线标注中文名称。

出来的效果挺不错。像工程图这类内容，它也能直接画。

吓哭了

最后说说 H3 Image 的设计思路。它和 H3 视频模型是同款架构，DiT 会读取后者第 50 层的隐状态。

而常规生图模型的文本编码器大多停留在 CLIP 这一档，对长指令和复杂条件的理解比较有限。

文字、参考图、待生成的画面，则被排进同一条序列里。