MiniMax H3 Image开源：10秒直出4K，开放权重榜单位列第一

「GPT is cooked.」

这句话这两天在 AI 社区里被反复提起。真正让人坐不住的，是 MiniMax 刚刚发布的图像模型 MiniMax H3 Image。

原生 4K 直出、10 秒级生成、支持 16 张参考图——这个模型本周二刚开源，把开源图像模型的 SOTA 又刷新了一遍。从第一波反应看，这话说得不算过。

一些提前拿到内测权限的开发者做了大量测试。新模型输出的人像里，那层「塑料皮」不见了，毛孔、雀斑、汗毛都能看清。它在游戏设计、角色设定和 3D 场景上的表现，也让不少人叫好。

今天更新的 Artificial Analysis 榜单显示，MiniMax H3-Image 在文生图、图像编辑两项榜单中均排在开放权重模型第一。

MiniMax H3 Image 既能直接在网页上用，也能走 API 接到 MiniMax Code 或其他 harness 里跑复杂任务。开源之后，已经有人开始尝试本地部署了。

• GitHub：https://github.com/MiniMax-AI/MiniMax-H3-Image

• HuggingFace 地址：https://huggingface.co/MiniMaxAI/MiniMax-H3-Image

我们很快拿到了新模型的使用权限，实际跑一遍，看看它到底什么水平。

画面美学与「真实感」，被重新定义

新模型已在 MiniMax Code 上线。打开后可以看到，参考图最多支持 16 张，出图分辨率最高到 4K。

我们站在普通用户的角度，挑了日常会碰到的场景，按四个能力维度逐一测试：先看真实感，再攻文字和人脸这两个老难题，最后试试图生图的二次创作。

第一关是真实效果。每天都会看到的东西最容易露出 AI 的破绽，微信聊天界面就是一个例子。

提示词：做一张微信对话截图。对话内容是这样：我先发一张可乐照片，看起来跟真的一样，配上一句“这是 MiniMax H3 Image 生成的”。对方回一句“我的天啊”。接着我再补一句：“开玩笑的，这是我自己拍的”。截图里 iPhone 状态栏要做得细致逼真，时间、电池电量、信号强度都得有。

只给了一段提示词，MiniMax H3 Image 就生成出一张完整的微信聊天截图。

日常界面看着普通，做起来却很考验模型。人眼对熟悉的东西几乎没有容错空间：微信有一套相对固定的视觉规范，字体粗上一点、聊天气泡之间的间距差一点，或者状态栏图标比例不对，马上就会露馅。

不少模型做聊天截图时，界面元素会错位变形，产品照片也常冒出不该有的高光，真实感一下就垮了。MiniMax H3 Image 这边的结果不一样：iPhone 状态栏、微信 UI 布局、聊天气泡和头像，细节都经得起看；那张可口可乐照片同样够真，瓶身冷凝水、光影反射、桌面纹理都显得自然，AI 的痕迹几乎找不出来。

再往下是生图模型一直头疼的文字渲染。过去的模型不是写错字、出乱码，就是拼写直接崩掉。这回干脆给 H3 Image 出了道难题，让它生成一张涂鸦：

提示词写的是：一张写实风格的竖构图照片，地下车站环境粗粝，停靠着一列带岁月痕迹的银色不锈钢地铁车厢。车厢侧面被一幅巨大的狂野风格涂鸦覆盖，横跨整排车窗。涂鸦由棱角分明的 3D 立体块状字母构成，拼出 “MiniMax H3 Image” 字样；字母内部填充鲜艳橙色并带渐变效果，配深蓝色的 3D 投影、粗黑轮廓线以及细白亮线，甚至能看到新鲜喷漆留下的垂流痕迹。背景里，工业风天花板裸露在外，生锈的钢梁、管道、线缆和冷色调荧光灯管都清晰可见；混凝土墙面布满污渍与积垢，下方是铁轨和碎石道砟。画面呈现冷调荧光灯光感与金属反射质感，经过电影级调色处理，带有细腻的胶片颗粒感和轻微暗角效果，营造出地道的纽约地铁氛围。整张照片仿佛由 35mm 镜头拍摄，细节丰富，展现出原始而真实的城市街头摄影风格。

「MiniMax H3 Image」这一长串字母不光拼写完整，还做出了立体造型、渐变填充和喷漆效果。文字能力到这一步，已经有点画面设计的意思了。

人物写真想拍出大片感，光靠颜值不够，面部刻画、服装细节和光影氛围都得跟上。我们拿一组维密后台大片来试：

提示词：Create a glamorous photoshoot in the style of Victoria’s Secret. A young woman attached in the uploaded reference image ( Keep the face of the person 100% accurate from the reference image ) stands almost sideways, slightly bent forward, during the final preparation for the show. Makeup artists apply lipstick to her (only her hands are visible in the frame). She is wearing a corset decorated with beaded embroidery and crystals with a short fluffy skirt, as well as large feather wings. The image has a “backstage” effect.The background is a darkly lit room, probably under the podium. The main emphasis is on the girl’s face and the details of her costume. Emphasize the expressiveness of the gaze and the luxurious look of the outfit. The photo is lit by a flash from the camera, which emphasizes the shine of the beads and crystals on the corset, as well as the girl’s shiny skin. Victoria’s Secret style: sensuality, luxury, glamour. Very detailed. Important: do not change the face.

水晶珠饰、羽毛翅膀这些复杂元素，细节给得很足；直闪打下来，模特皮肤的光泽和服装反光层次分明，随手一拍就像时尚杂志内页。

换个风格，再试电影感人像：

这张街头人像拍出了电影截图的味道。人物回眸那一刻被清晰定格，周围行人却拉出大幅动态拖影，一动一静，画面张力立刻就有了，氛围、镜头感和情绪表达都到位。

千禧年复古写真我们也试了一轮。

提示词：Without changing her original face, create a portrait of a beautiful young woman with porcelain-white skin, captured with a 1990s-style camera using a direct front flash. Her messy dark brown hair is tied up, posing with a calm yet playful smile. She wears a modern oversized cream sweater. The background is a dark white wall covered with aesthetic magazine posters and stickers, evoking a cozy bedroom or personal room atmosphere under dim lighting. The 35mm lens flash creates a nostalgic glow.

带点噪点的胶片质感、墙上贴的旧杂志海报、暖黄色串灯，一眼把人拉回 2000 年代，轻微过曝也透着老式数码相机的 feel。提示词里那些细碎的氛围细节，同样都还原了出来。

文生图看完了，接着玩图生图。这一步考验的是 AI 模型能不能看懂原图，再照着指令去改。

先拿马斯克开个玩笑。上传一张照片，让模型把他做成丑萌的手绘微信表情包：人物原本的神态被夸张放大，再配上歪歪扭扭的「So Dumb」、汗滴和问号，一张能直接拿去斗图的表情包就出来了。

提示词：让成品是一张手绘风格的搞笑微信表情包。用极简的丑萌线稿来画，带出随手涂鸦的味道，背景留纯白。参照人物在原照片中的神态，把它震惊、嫌弃或懒洋洋的模样夸张地表现出来。头部附近点缀几滴汗珠、问号、闪光小星星之类的可爱涂鸦。画面下方手写英文「So Dumb」，字写得歪歪扭扭，看着随意，又挺逗。

下一轮把难度提上去。上传一张街头 CCTV 监控照片，让模型认出画面里的人物，逐个加上白色人脸框，再给最显眼的那位生成高清放大特写。

结果原图的场景布局和监控视角都保住了，主画面留着应有的噪点和轻微失真，放大框里的脸更清晰，看上去很像监控系统自动生成的分析画面。

提示词原文如下：Create a high angle CCTV surveillance shot using the uploaded image as the source. Detect every visible person in the image and automatically draw a white rectangular bounding box around each face. For the most prominent person, add a large zoom in inset: a sharp, enhanced close-up of their face displayed in a floating rectangular frame connected with a thin white line.Keep the main image slightly noisy and security camera like (soft grain, slight distortion, muted colors), while the zoom in face box should be clearer, brighter, and more detailed. No text, no timestamps, no overlays except the boxes and connecting line. Maintain the original scene layout, angle, and environment of the uploaded image.

要是想换画风，拿这张真实风格的照片，让它转成二次元的拼贴风格：

出来的效果看着也相当可以。

这么看下来，MiniMax H3 Image 不光能出照片级的美图，也能帮人把创作想法落地，还能拿去斗图。这一轮的效果比过去又有进步，真实感很足，AI 味已经相当淡了。指令遵循这块也值得一说：我们给的信息挺复杂，模型照样能理解到位，给出合适的结果。

这就让人忍不住想看看它干起活来怎么样。

物理世界理解与指令遵循

前面测的多是 AI 生成画面的真实感，接下来要看更硬核的部分：模型是否真的「理解」自己画出来的东西。对一些实际的设计工作来说，这一点很关键。

这就要求模型对物理世界的结构和材质有正确认识，信息点密集时能理清组织，还得准确按指令去做调整。

先来个高难度的：让 MiniMax H3 Image 生成一张工业爆炸图。这里不只看好不好看，模型还得懂点物理结构，相机由哪些零件组成、零件之间怎么装配嵌套、拆开之后各自在什么空间位置，以前的 AI 常在这些地方露馅。

有提示词如下：生成一张复古风格的技术信息图海报，画一台经典 35mm 旁轴相机的爆炸分解视图，16:9 横版，背景用温暖的奶油米白纯色。七个相机部件沿中轴垂直悬浮，精确对齐，层与层之间留白：顶盖带黑色荔枝纹皮革和金属转盘，配小型取景器；银色镜头筒刻着距离刻度；四片玻璃镜片与黄铜光圈组件；黄铜快门齿轮机构；深色胶片传输齿轮组及摇柄；再加一块金属底板。每个部件都用细引出线连到黑色圆形编号标签，白色数字 1–7。左上角放衬线大字标题 "VINTAGE 35mm CAMERA"，副标题 "Exploded Technical View"，下面一条细分隔线加一行小号说明文字。右侧设两个细线边框面板："PARTS LIST" 列出七个编号条目（粗体名称加灰色说明文字），"SPECIFICATIONS" 写明胶片格式、镜头、快门速度和重量。整体走精细技术插画风，细腻钢笔线稿融合柔和写实渲染，拉丝金属、抛光黄铜、通透玻璃、皮革纹理都要真实，配柔和投影，低饱和复古配色，干净的工程手册美学，扁平化信息图构图，高分辨率。

成品里，机身、镜头、齿轮等零件一层层拆开，编号标注、英文说明和参数表也随图一起生成，整体水准已接近产品说明书的配图。

再换个玩法：上传一张服装平铺图，H3 Image 就能产出还原度很高的真人穿搭照片，时尚博主这碗饭怕是要被「抢」了。

提示词只有一句：show woman wearing the outfit.

电商算得上 AI 图像生成最能落地的场景之一。

眼下已有不少商家拿 AI 做商品主图、详情页和营销海报。可真正难住模型的是另一件事：商品质感、品牌信息、视觉构图要同时顾到，让各个元素在同一张画面里互不打架。

H3 Image 做出来的物料，商品主体站得住，材质、包装和细节放大看也不虚，周边装饰元素还能跟产品卖点对上。多层文字排版这块，品牌标题、产品名称、促销信息之间拉出了清楚的视觉层级。

平面设计上，要的不只是好看，海报文字还得准。一条提示词里塞进十几个信息点，会不会乱？我们让模型做一张东方山茶花主题海报，主标题字体设计、中英文文案、花卉构图、文字排版要一起处理，「山间花序」的错位穿插与花瓣相融，文案层级分明：

提示词写的是：极简古典美学，高级排版海报，东方山茶花艺术，细腻花瓣纹理，白色到淡粉色渐变效果，艺术概念风格，视觉清雅且充满东方古典感。画面右下角安排主题字，字体要做设计，极细宋体风格写出「山间花序」，文字错位穿插摆放，字形优雅细长，笔画尾部加上花体曲线，让它自然穿在文字之间，整体往东方诗意上走，探索自然花卉与微观植物世界的艺术化表达。画面上方的小文案按顺序放「2026」「BOTANICAL ART」「2026」，下方左边文案把时间数字「TIME——08.18/08.24」拎出来，画面里再融进小字英文「Camellia in Bloom」「Oriental Botanical Aesthetics」「A Poetic Expression of Nature」。

接下来该验一验 H3 Image 听不听话了。增、删、改、替，这几样几乎是很多人每天用得最多的图像编辑动作，语义都很明确。想来想去，正好赶上马斯克今天发推，对有「机会招聘黄仁勋」这件事回了句「很荣幸」。那就试想这个场面：老黄拿着 Sink 站在 SpaceX 大门前，马斯克上前欢迎。要生成这么一张图，得给一长串指令，还得配上好几张参考图。

结果就这么火速加盟了。

这么一圈测下来，MiniMax H3 Image 各项能力都拿得出手。审美这块，照片级真实感能稳定输出，人脸保持、风格转换、细节质感都挑不出毛病；落到生产力上，文字排版、局部编辑、电商海报、工业示意图的完成度，撑起日常工作流没问题。从平时随手用到专业生产，开源的 AI 图像模型已经进了能用的区间。

实测看完，自然会好奇 MiniMax H3 Image 到底是个什么模型。它又是怎么成了生图 SOTA 的？

视频模型

与市面上多数生图模型的路数不同，H3 Image 脱胎于 MiniMax 的全模态视频模型 H3。这个通用全模态生成系统在 7 月底发布并开放权重，文本、图像、视频、音频被放进同一套架构里统一理解，还能生成带原生立体声的视频。

整体设计上，H3 Image 沿用 H3-Base，只是去掉了音频分支，骨干网络、文本编码器等架构都保留下来。文本这一侧，它直接用 H3 的文本编码器——一个 320 亿参数的多模态语言模型，复杂指令、长描述、多条件逻辑都靠它来理解；图像这一侧，参考图会同时进入两个模块，文本编码器管「图里有什么」，图像 VAE 则把像素压缩成生成模型能处理的视觉潜变量。

再往深处看，核心骨干是一个 331 亿参数的扩散 Transformer（DiT），三维多模态旋转位置编码与 H3 Omni Transformer 相同。文本 token 和参考图 token 被打包成一条完整序列，以单流方式送进网络，直接预测目标图像的潜变量，再由 VAE 解码成图。

分辨率方面，H3 Image 走的是原生直出路线，没有外挂超分模块。一个 checkpoint 就能生成约 1600 万像素的图像，4096×4096 到 21:9 的 6272×2688 等各种比例都在覆盖范围内。

出图速度也不慢。4K 文生图的 P50 中位耗时，极速版约 10.3 秒，标准版约 16 秒；同档对比模型普遍要 50 秒以上。

从视频模型切入再延伸到图像模型，MiniMax 这条路线和传统的图形优先路线正好相反。对图像生成来说，这其实有不少好处：视频模型为了保持连续画面的协调性，必须学习物体在不同视角下的样子、材质受光照后的变化，以及人物身体和物体的运动方式。

H3 Image 的生成效果不错，也就不奇怪了——MiniMax H3 本身已经积累了丰富的视觉世界知识，站在它肩膀上自然有底子。

全球 AI 生态正在依赖国产开源

AI 技术跑得越来越快，新模型能力突然蹿升一大截，似乎也不必每次都「震惊瘫坐」。这次真正让人感叹的，是 MiniMax H3 Image 发布前后全球 AI 社区的那股兴奋劲。

MiniMax 发个新模型，对 AI 圈来说已经是件大事，这份热度也早已转成了生态的繁荣程度。这家公司正从提供 AI 模型，慢慢变成其他 AI 创业公司做技术开发的基础平台。

在 H3 Image 面世之前，海外先冒出来一个叫 P-H3-Image 的图像生成模型。

它走的是开源路线。创业公司 Pruna 把 MiniMax-H3 改成了高性能图像模型，出图质量不低，推理成本也压得很低——和官方的思路撞到了一起。

如今 H3 Image 正式发布，「正版来了」。

在 MiniMax 的权重上接着做预训练、微调或者强化学习，再推出能力更强的模型，这事早就不稀奇了。M3.1 Flash 开放权重当天，就有美国创业公司放出专门适配的模型，让 M3.1 Flash 生成文本更快。

围绕 MiniMax H3 长出来的生态更热闹。英伟达团队拿出 Sol-H3，把视频生成的整条推理链路做了优化；Pika 推出 Pika H3 Flex，生成步数少了，画面和创作控制都有改进。Hugging Face 上以 MiniMax-H3 为基座的模型树已收录约 220 个衍生条目，有创业公司把 H3 改成独立的图像生成模型、视频人物替换模型，甚至做成了交互式世界模型。

国内领先的开源技术，已经成了海外团队的首选。

商业模式也在这套生态里慢慢成形。免费权重先把生态位占住，MiniMax 再用托管 API 和订阅计划接住用量收入。社区许可证里的营收门槛和托管限制，会把规模化玩家引向商业授权。

长尾免费、规模收费，开源就这样搭起了自己的商业循环。回看这一周，图像生成模型的能力边界几天就被重画一次，但决定长期格局的或许不再是跑分高低——开源生态正在定义能力扩散的广度。4K 生成、十几张参考图这些前沿能力变得人人可用之后，竞争的内核已经从「谁的模型更强」悄悄转向「谁的生态更好」。

下一个 AI 生成的新突破，或许就出在某个下载了 H3 Image 权重的开发者手里。