MiniMax发布H3 Image：4K生图10到20秒，权重当天开源
突发！「源神」MiniMax 开源H3Image，最强开源模型中国造
新智元报道
新智元报道
OpenAI 的 Images 2.6 在11月4日才刚上线，没几天就有人放出话来：「GPT is cooked.」意思很直白，GPT-6 彻底完了。
把大家情绪点着的，是 
MiniMax 的新模型 H3 Image。内测玩家 Emily 报出了一串硬核参数：参考图最多能塞 16 张，提示词可以写到 7500 个字符，最高出 4K。她还顺手押了一注——按她对 MiniMax 的了解，这模型迟早会开源。
她押对了，而且来得比预想更快。MiniMax 今天正式发布 H3 Image，当天就开源权重，API 同步开放，自家的 MiniMax Code、开放平台和海螺 AI 里也能直接调用。
三个月前，这家公司开源的视频模型 H3，已经被英伟达的研究团队、Pika、fal 拿去再训练出衍生模型。
这次轮到生图。官方把 H3 Image 定位成开源图像模型的 SOTA，整体效果处在全球第一梯队。名次这种说法听得有些麻木了，它身上另一个标签更值得琢磨：指令遵循能力。
这回主打的是开源、高清、速度快。H3 Image 能直接生成 4K（4096×4096）图像。
对创作者而言，分辨率高就意味着细节多，裁切余地更大，图像可用的范围也跟着拓宽——同一张图既能适配不同尺寸的海报和网页，也能截取局部，把某个人物或产品单独拎出来。
市面上主流模型大多停留在一百万到四百万像素，速度普遍是分钟级，最快的也要 50 秒上下；H3 Image 出 4K 图只要 10 到 20 秒，尝试的时间成本被压了下来。构图、配色或光线细节要调整，创作者也能马上看到结果，接着改。
换句话说，4K 的日常创作头一回变得现实。
一批博主昨天拿到内测资格，已经晒了一轮图。博主 Muhammad Ayan 上来就是一句「🚨中国又扔出来一个狠的」，随后甩图：一张照片进去，一整套 4K 角色设定图出来，全身正面、背面、脸部特写齐全，毛孔、雀斑、细绒毛都在。
结论只有一句：AI 人像那层「塑料皮」，没了。
看到这里，我其实没太当回事。「更真的写真模型」，这种话每个月都有人喊。
再往下翻，画风就不一样了。
Papillon 翻出一张《GTA：圣安地列斯》的老截图，让它重画成次世代 3A 大作，配文写着：CJ 等了 20 年的画质升级，到货了。
|
|
DrSadek 一口气跑了纪实摄影、赛博朋克动画等四种画风，交给网友投票。
喊出「GPT is cooked」的 Israa Ali，测的是 3A 游戏资产和 3D 场景。话说得稍微有点满，可那股兴奋劲装不出来。
|
|
|
再往下看，它要处理的可不止“美图”这类活儿。
plasm0用它来排大字海报，反馈是大字稳得住，小字偶尔会翻车，整体方向没跑偏。
美国手语里的手势他也试了，给的评价是“挺不错，比Moss 好多了。”
左边是H3 Image，右边是Moss。
手语这关向来不好过，AI模型基本都会栽跟头。ChatGPT-6.1 Sol统计过，Moss的正确率只有20.0%，U、V手势互换这类错法都出现过，一个标成X的格子其实是W。H3 image同样有出错的时候，可正确率已经做到48.1%，那句“比 Moss 好多了”算是站得住脚。
Ankit Patel 和 studio_oneroom 玩得更开，直接让它出CAD风格图和机械爆炸图，就是零件一个个拆开、悬在半空那种。
看出来了吧？这几样恰恰是生图模型的老毛病高发区。画面漂亮不算难，难的是字不出错、手势不串、零件不装反。拼的不是画技，是脑子。
Midjourney这类模型像艺术生，光影、质感挑不出毛病，可一遇上长文字、空间关系就犯迷糊。
Claude这类语言模型像理科生，逻辑清楚，让它写代码画张图表也条理分明，问题是它本来就不做生图，画面质感跟专业视觉模型没法比。
指令遵循强、生成速度快、像素高，听着像鱼与熊掌不可兼得。MiniMax这回要的，是不偏科。
光说没用。拿到内测权限后，我们没测人像写真，也没测风景壁纸，直接出了三道专挑软肋的题。
第一题：考考生图模型理解能力
有海外创作者提前拿到了MiniMax H3 Image的试用资格，上来就扔出一道高难度考题！
把巴黎埃菲尔铁塔改造成赛博朋克世界里的未来星际通信中继站，还必须用专业建筑CAD蓝图的形式呈现。
超精细矢量线条、严格对称的建筑结构、复杂剖面设计，还有密密麻麻的工程细节，一样都不能少。
结果让测试者都惊了！
这么复杂的提示词，MiniMax H3 Image拿出来的细节表现力出人意料，指令遵循能力可见一斑。
应县木塔也没问题，能生成真正建设用的蓝图：
接着加码，考空间感：
在地震后的废墟里，四足巡检机器狗第一视角看到的画面：前景露出机械足部的边缘透视，中景是坍塌建筑的残骸；画面上叠着三维点云测距网格，远处一根水泥梁柱障碍物的四周，还描出了贴合边缘的红色 3D 边界追踪框（Bounding Box），界面两侧各有一个对称的机体倾角姿态仪。
这种图常被处理成“科幻贴纸”——框归框、楼归楼，彼此不相干。这张不一样：红色边界框跟着透视走，紧贴远处那根倒塌梁柱的边缘；两侧姿态仪的刻度，也跟机器狗前倾的姿势对得上。做法是先在心里搭好三维空间，再把东西摆进去。
工业辅助设计、具身智能的合成数据，这些靠空间感、真实细节吃饭的活，有戏了。
第二题：脑子好使了，手会不会僵？
理科生最忌讳被人讲「画出来像工程制图」。于是第二道题直接换成纯美术方向：
要求生成一张次世代暗黑奇幻动作游戏的实机界面截图。
画面里，一名身披残破重甲的骑士立于巨大骨骸堆成的废墟悬崖边，远处是正在崩解的黑色太阳，体积雾极厚，还带光追反射。前景是一整套游戏UI：左下角是巴洛克金属雕花围住的暗红血球与蓝色法力槽；屏幕最下方一字排开五个石雕符文技能图标，都带倒计时冷却效果；右上角则是羊皮纸风格的小地图，蒙着一层半透明迷雾。
整张图色调冷峻、沉郁。
「游戏场景加整套UI」这种题，翻车通常有两种方式：要么UI被揉进背景里，要么UI立住了、主角却崩了。
这张稳住了。画面有很高精度的暗黑奇幻3D CG质感。天空被一个巨大而压抑的「黑日」占满，黑日边缘碎裂，大量黑色陨石与碎片向外漂浮散落。地面是荒芜嶙峋的灰褐色岩石和枯骨，冷灰色浓雾漫在深渊上方。史诗感和苍凉感都出来了。
再换手工路子。毛毡定格动画风格，两只穿粗毛线衣的小羊，逆光下绒毛透着亮，黏土底座上的指纹、纸板切口的毛边都保留着。这些细节让图片更显真实，也把图像模型能用的范围撑大了。
钢笔淡彩也试过：下笔的轻重、水彩沉在粗纹纸上的水痕都在，没有AI图那种油腻的数码感。
第三题：一口气喂它16张图
前两题考的是单张图的本事。第三题考的是干活的人最头疼的问题：一致性。
做过游戏资产、电商图、连环漫画的都清楚，参考图一多，模型就开始「串味」：A的脸跑到B身上，盔甲的颜色染进背景，最后只能一遍遍抽卡重来。
H3 Image单次最多接收16张参考图，我们干脆喂满：8张原创3D角色的多角度面部特写与表情，4张机械义肢、动力装甲的局部结构和材质图，4张赛车维修车间的光影和色板。
指令只有一句：「该角色身穿这套动力装甲，坐在赛车维修车间的工作台上调试机械臂，神情专注。」
出图后，脸还是那张脸，五官轮廓和发色都对得上；装甲的关节卡扣、液压管路，照着拆解图的结构长出来；整张图的色温和反光，也落在车间那套色板里。
它没有把16张图硬拼在一起，更像是先分门别类搞清楚谁是人、谁是装备、谁是环境，再按新指令重新搭一场戏。三视图、服装库、道具、场景一股脑丢进去，批量出分镜、出电商图，能少抽几次卡。对靠这行吃饭的人来说，这比「再好看10%」实在得多。
三道题做下来，我的感受是：生图模型上半场拼谁画得美，下半场拼谁听得懂人话。
老外晒的爆炸图，我们也在Harness里试了。喂进去的只有一页ORB-7结构参考：一张正面图、一张中心剖面、一份零件清单，全是平面的工程语言。
要求是沿光轴把这盏微型探照灯拆成七件，顺序不能错，螺钉只能有三枚。
结果图上，七个零件从前盖到外壳一字排开，01到07的引线没有一根指错，螺钉和孔位也都是三个。
橙色硅胶、绿色电路板、黑色阳极氧化金属、拉丝铝、玻璃，质感各不相同。清单里那些不起眼的小字也没被放过，比如散热块外缘的散热槽、电路板上那枚方形金色芯片。右下角另附了一张成品小图，是照着要求装好之后拍的。
它先看懂剖面图，弄明白要拆的是什么，再动手去拆。
让生图模型读图纸，这件事以前很难办到。
我们随后直接给了H3 Image 16张参考图，还故意把它做成一道「连线题」：4个机器人的头、4套衣服、4件乐器，外加拱门、地板、月面、灯光各一张，谁该配谁一点都不能错。结果全部连对，一个都没错。
|
|
|
这份「脑子」是分两步攒起来的。
第一步落在H3身上。H3从立项起就不只是视频模型，它要求把文字、图片、视频、声音读成同一份上下文，再据此生成画面或视频。
因此在预训练阶段，图像这项基本功它就已经练得很扎实。
第二步才轮到H3 Image。底子摆在那，MiniMax这次把力气花在「后训练」这条链路上。
具体做法是用强化学习，让模型朝着更好的结果反复调整；把生成一张图所需的步数压下来；再叠一层提示词增强（PE），你随口说一句，它先替你把话补全再动笔。
最后是部署优化，让它跑得更省、更快。
这条路MiniMax其实早有预告。
8月7日的社区问答里，H3团队就提到要做一个生成和编辑统一的图像模型。
H3能被人抢着改，原因在于它开得够大方。
国内开发者把这类厂商叫「源神」，MiniMax这个名号正是H3挣来的：开源不到一个月，下载量破2400万次，公开的衍生模型300多个。
fal基于它做出了H3 Max，海外开发者又拿去搭了24小时不停播的「AI电视台」。英伟达和MIT的研究者10月28日基于它开源了视频增强项目Open-H3-Regenerate-2K，11月9日还更新了一版。Pika也发了自己的改款。
可开源之后，钱从哪来？
MiniMax的办法，说白了就是：小店随便用，做大了再来谈。
MiniMax给H3定的社区许可写得很清楚：协议覆盖的地区内，年收入不超过2000万美元可免费商用；一旦越过这条线，或者打算在美国、欧盟、英国、韩国落地部署，就得另外找MiniMax谈授权。
比如，ComfyUI背后的Comfy已经在代理这类授权，专业版每月5000美元起；英伟达研究团队走的也是单独授权。
思路是先让全球工程师把模型跑在自己的显卡上，信任从代码里积累，生意随后再谈。H3这三个月起码印证了一点：开源和赚钱并不冲突。
图像的需求比视频密得多，游戏原画、电商图、工业设计，天天都在用。同样的打法搬过来，想象空间只会更大。
H3开源公告的最后一行，是MiniMax那句老口号：Intelligence with Everyone。
把能力锁在订阅墙后面是一种活法，把钥匙发到每个人手里是另一种。
H3 Image 的权重已经放出，API 同步开放，Mcode 等平台的入口也都已上线。
