MiniMax H3 Image开源：原生4K直出，10秒生成

「GPT is cooked.」

这句话这两天在 AI 社区被反复提起。真正让人坐不住的，是 MiniMax 刚拿出来的图像模型 MiniMax H3 Image。

它能原生直出 4K，生成只要 10 秒级，还支持 16 张参考图。本周二该模型正式开源，开源图像模型的 SOTA 随之被刷新。看大家第一波反应，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。新模型生成的人像少了那层「塑料皮」，毛孔、雀斑、汗毛都看得清。游戏设计、角色设定、3D 场景这几块的表现，也收获了不少称赞。

今天更新的 Artificial Analysis 榜单显示，MiniMax H3-Image 在文生图和图像编辑两个榜单里都排在开放权重模型第一。

网页端可以直接用 MiniMax H3 Image，也能通过 API 接入 MiniMax Code 或其他 harness，去完成一些复杂任务。开源之后，已经有人着手本地部署了。

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

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

新模型的使用权限我们已经提前拿到，这次实际跑一遍，看看它到底能做到什么程度。

画面美学与「真实感」，被这款模型重新做了一遍定义。

MiniMax Code 里已经能用到它，入口打开后可见最多 16 张参考图，出图分辨率最高 4K。

测试按普通用户的日常场景来，分成四个能力维度逐项过：先看真实感，再处理文字和人脸这两个老难题，最后试图生图的二次创作。

第一关是真实效果。最容易露馅的，恰恰是每天都会看到的东西，微信聊天界面就是其中之一。

提示词：做一张微信聊天截图——画面里，我先发过去一张可口可乐的照片，肉眼看上去很真，配文说：“这是 MiniMax H3 Image 生成的”；对方跟着回了一句：“我的天啊”。随后我再补一句：“开玩笑的，这是我自己拍的”。截图里要把 iPhone 状态栏的细节做足，时间、电池电量、信号强度都得到位，整体看起来高度逼真。

只给了一段提示词，MiniMax H3 Image 就产出了一整张微信聊天截图。

日常界面难就难在，人对熟悉场景的容错率极低。微信界面有一套相对固定的视觉规范，字体粗一点、气泡间距差一些，或者状态栏图标比例不对，马上就会被人看出来。

不少模型生成这类聊天截图时，界面元素会错位、变形，产品照片的高光也不自然，真实感因此打折。

MiniMax H3 Image 这边，iPhone 状态栏、微信 UI 布局、聊天气泡和头像的细节都处理得比较到位；可口可乐照片也够逼真，瓶身冷凝水、光影反射、桌面纹理看着都自然，AI 痕迹几乎找不出来。

再往下是生图模型的老问题：文字渲染。以前的产品不是错字、乱码，就是拼写直接崩掉，这次我们给 H3 Image 上了难度，让它生成一张涂鸦：

提示词：竖构图，写实风格照片。地下车站里停着一列银色不锈钢地铁车厢，表面带着使用过的痕迹。车侧一整幅狂野涂鸦横跨了整排车窗，由棱角分明的 3D 立体块状字母拼出 “MiniMax H3 Image” 字样：字母内填充鲜艳橙色，带渐变，配上深蓝色 3D 投影、粗黑轮廓线和细白亮线，喷漆未干留下的垂流痕迹也能看见。车站是工业风，天花板裸露，能看到生锈的钢梁、管道、线缆和冷色调荧光灯管；混凝土墙面沾满污渍和积垢，下方铺着铁轨与碎石道砟。画面用冷调荧光灯打光，带金属反光质感，经过电影级调色，有细腻的胶片颗粒和轻微暗角，纽约地铁那股地道的氛围就出来了。整张照片像用 35mm 镜头拍的，细节丰富，透着原始而真实的城市街头摄影味道。

「MiniMax H3 Image」这串字母被做成了立体字，带渐变填充和喷漆质感，完整拼写一个不缺。文字玩到这份上，多少有点画面设计的意思了。

人物写真想拍出大片感，光靠脸不够，面部刻画、服装细节、光影氛围都得跟上。我们拿一组维密后台大片做了测试：

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，细节全都立住了。直闪一打，模特的皮肤光泽和服装反光分出层次，看着就像时尚杂志内页随手翻到的一页。

再换个路子，试电影感人像：

出来的街头人像带着电影截图的质感。人物回眸那一瞬被定得清清楚楚，周围行人拉出大幅动态拖影，一静一动，张力就出来了。氛围、镜头感、情绪表达，都在线。

千禧年复古写真也试了一轮。

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.

胶片那种轻微噪点、墙上的旧杂志海报、暖黄色串灯，把人一下拉回 2000 年代，略微过曝还带点老式数码相机的 feel。提示词里那些零碎的氛围细节，也基本都还原了。

文生图看完，接着玩图生图。这一步，模型得先看懂原图，再照着指令动手改。

先拿马斯克开刀。上传一张他的照片，让模型改成丑萌的手绘微信表情包：原本的神态被夸张放大，旁边配上歪歪扭扭的「So Dumb」、汗滴和问号，一张能直接拿去斗图的表情包就成了。

提示词：让 AI 把它画成一张手绘风格的搞笑微信表情包。线条要极简，丑萌一点，带出随手涂鸦的味道，背景留纯白。照着原照片里人物的神态来夸张，画出震惊、嫌弃或者懒洋洋的模样。脑袋周围点缀几滴汗珠、几个问号或者闪光小星星之类的可爱涂鸦。底部用手写体写上英文「So Dumb」，字写得歪歪扭扭，看着随意又好笑。

接下来把难度往上提一档。传一张街头 CCTV 监控照进去，让它认出画面里都有谁，给每张脸套上白色人脸框，再把最显眼的那位单独拉出来做一张高清放大特写。

出来的图把原片的场景布局和监控视角都留住了，主画面还带着该有的噪点和轻微失真，放大框里的脸则清楚不少，整体看着就像监控系统自己跑出来的分析画面。

提示词：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.

要是想做画风转换，也可以拿这么一张写实风格的图，让它改成二次元的拼贴味道：

效果瞧着也相当可以。

这么看下来，MiniMax H3 Image 不光能出照片级的美图，也能帮你把一些创作想法落地，还能陪你斗图。这回的效果比过去又有进步，真实感拉满，AI 味淡了很多。它的指令遵循能力同样拿得出手，我们丢过去的复杂信息，模型基本都能读懂并给出合适的结果。

这就让人开始惦记它干正事的本事了。

物理世界理解与指令遵循

前面测的多半是 AI 生成画面的真实感，下面换个更硬的题目：模型到底有没有「理解」自己画的东西。对一些实际的设计工作来说，这一点很关键。

这块要求模型对物理世界的结构和材质判断正确，信息点密集时能理清楚，还要能照着指令准确做调整。

先来一道硬题：让 MiniMax H3 Image 画一张工业爆炸图。难的不只是好看，模型还得懂点物理结构——相机由哪些零件组成、零件怎么装配嵌套、拆开后各自在空间里处于什么位置。以前的 AI 常常在这里露馅。

需要做一张复古味道的技术信息海报。画面主体是一台经典 35mm 旁轴相机的爆炸分解图，横版 16:9 构图，背景用温暖的奶油米白纯色。七个部件沿中轴竖直排开，彼此精准对齐、层与层之间留出空隙：顶部是带黑色荔枝纹皮革和金属转盘的顶盖，往下依次为小型取景器、带距离刻度的银色镜头筒、含四片玻璃镜片与黄铜光圈组件的部分、黄铜快门齿轮机构、深色胶片传输齿轮组连同摇柄，最底下是金属底板。每个部件都由一根细引出线接到黑色圆形编号标签上，标签内是白色数字 1–7。左上角放衬线大字标题 "VINTAGE 35mm CAMERA"，下面是副标题 "Exploded Technical View"，再配一条细分隔线和小号说明文字。右侧设两个细线边框面板：一个是 "PARTS LIST"，含七个编号条目（粗体名称加灰色说明文字）；另一个是 "SPECIFICATIONS"，逐项列出胶片格式、镜头、快门速度和重量。整体采用精细技术插画风格，细腻钢笔线稿配上柔和写实渲染，拉丝金属、抛光黄铜、通透玻璃和皮革纹理都要有真实质感，加柔和投影，配色偏低饱和复古，呈现干净的工程手册美学，扁平化信息图构图，高分辨率。

成图里，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都跟着生成出来，看上去已经接近产品说明书的配图水平。

换一种玩法：上传一张服装平铺图，H3 Image 能生成相当准确的真人穿搭照。时尚博主的饭碗，这下也要被「抢」了。

提示词：show woman wearing the outfit.

电商是 AI 图像生成最有落地价值的场景之一。

现在不少商家已经拿 AI 做商品主图、详情页和营销海报。可真正考验模型的地方在于，商品质感、品牌信息和视觉构图能不能同时照顾到，让不同元素在同一张画面里互不打架。

H3 Image 出的物料，商品主体够突出，材质、包装和细节经得起放大，周围的装饰元素也和产品卖点对得上。多层文字排版时，品牌标题、产品名称、促销信息之间的视觉层级分得清楚。

平面设计这块，要的不只是好看，海报文字也得准。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、花卉构图和文字排版要一起处理，「山间花序」的错位穿插与花瓣融合，文案层级分明：

提示词：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；画面右下角放主题字：主题字进行字体设计，极细宋体风格「山间花序」，文字进行错位穿插摆放，字体优雅细长，笔画尾部添加花体曲线，在文字间自然穿插，整体呈现东方诗意，探索自然花卉与微观植物世界的艺术化表达；画面上方小文案依次放「2026」「BOTANICAL ART」「2026」，下方左边文案突出时间数字「TIME——08.18/08.24」，画面中融入小小字英文「Camellia in Bloom」「Oriental Botanical Aesthetics」「A Poetic Expression of Nature」。

最后查一下 H3 Image 的指令遵循能力。对很多人来说，日常用得最多的场景就是图像编辑，增、删、改、替几乎是基操，这些都属于明确的语义操作。

顺带想到一件事：马斯克今天发推，说如果有「机会招聘黄仁勋」，他「很荣幸」。不妨设想一下那个场面——老黄拿着 Sink 站在 SpaceX 大门口，马斯克上前迎接。要把这个画面生成出来，得给出一长串指令，外加好几张参考图：

结果就这么火速加盟了。

一圈测下来，MiniMax H3 Image 各项能力都拿得出手。审美这块，照片级真实感输出很稳，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足以撑起一套工作流。从日常使用到专业生产，开源的 AI 图像模型已经走到可用的区间。

实测效果看完，自然会好奇：MiniMax H3 Image 到底是个什么样的模型？

视频模型

怎么就成了生图 SOTA？

它和市面上大多数生图模型的路子不一样——H3 Image 由 MiniMax 全模态视频模型 H3 衍生而来。H3 是 MiniMax 在 7 月底发布并开放权重的通用全模态生成系统，文本、图像、视频、音频在同一套架构里被统一理解，能生成带原生立体声的视频。

设计上，H3 Image 沿用 H3-Base 的整体框架，去掉音频分支，保留骨干网络、文本编码器等架构。文本这一侧直接使用 H3 的文本编码器，这是一个 320 亿参数的多模态语言模型，负责理解复杂指令、长描述和多条件逻辑；图像这一侧，参考图会同时进入两个模块——文本编码器管「这张图里有什么」，图像 VAE 则把像素压缩成生成模型能处理的视觉潜变量。

核心骨干是一个 331 亿参数的扩散 Transformer（DiT），位置编码沿用与 H3 Omni Transformer 相同的三维多模态旋转位置编码。文本 token 和参考图 token 被打包成一条完整序列，以单流方式送进这个网络，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 走原生直出路线，不外挂任何超分模块，一个 checkpoint 就能生成约 1600 万像素的图像，比例覆盖 4096×4096 到 21:9 的 6272×2688 等多种规格。

H3 Image 的出图速度同样不慢。按 P50 中位耗时算，4K 文生图极速版大约 10.3 秒、标准版大约 16 秒；同档模型做对比，普遍要 50 秒以上。

和传统图形优先的路线相比，MiniMax 是从视频模型起步，再往图像模型延伸，方向正好相反。对图像生成来说，这么做好处不少：视频模型得学会同一物体在不同视角下的样子、材质在光照下的变化，还有人物身体和物体的运动方式，这样才能让连续画面保持协调。

也正因如此，H3 Image 以已经积累了大量视觉世界知识的 MiniMax H3 为基础，生成效果不错并不让人意外。

全球 AI 生态正在依赖国产开源

AI 技术迭代越来越快，新模型能力忽然蹿升一大截，好像也没必要每次都「震惊瘫坐」。这回真正让人感叹的，是 MiniMax H3 Image 发布前后全球 AI 社区的那股兴奋劲。

眼下 MiniMax 发布一个新模型，对 AI 圈来说已经算得上一件大事，这股热度也早就转成了生态的繁荣度。这家公司正从单纯提供 AI 模型的角色，慢慢变成其他 AI 创业公司做技术开发时所依托的平台。

在 H3 Image 之前，海外其实已经出现过一个叫 P-H3-Image 的图像生成模型。

这是个开源图像生成模型，创业公司 Pruna 把 MiniMax-H3 改造成了高性能图像模型，生图质量高，推理成本又低，跟官方的思路撞到了一起。

如今 H3 Image 正式发布，算是「正版来了」。

在 MiniMax 的权重基础上继续预训练、微调或者做强化学习，再推出能力更强的模型，其实早就不稀奇。此前 M3.1 Flash 开放权重当天，就有美国创业公司发布了专门适配的模型，让 M3.1 Flash 生成文本更快。

英伟达团队拿出了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。围绕MiniMax H3长出来的东西越来越热闹。Hugging Face上以MiniMax-H3为底座的模型树，眼下已收录约220个衍生条目。有创业公司把H3改成独立的图像生成模型，也有改成视频人物替换模型的，甚至还有拿它做交互式世界模型的。

国内领先的开源技术，已经成了海外团队优先挑的那个。生意也在这一套生态里慢慢长出来：免费权重先把位置占住，MiniMax再用托管API和订阅计划把用量收入接住。社区许可证里设了营收门槛和托管限制，规模化的玩家会被引向商业授权。长尾免费、规模收费，开源就这么转出了自己的商业循环。

回看这一周，图像生成模型的能力边界几天就被重画一次。可长期格局真正取决于什么，或许已经不是跑分高低了，开源生态正在决定能力扩散的广度。4K生成、十几张参考图这些前沿能力一旦人人可用，竞争的内核就悄悄从“谁的模型更强”换成了“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。