MiniMax开源H3 Image：原生4K直出，登顶开放权重模型榜首

「GPT is cooked.」

最近两天，AI 社区里这句话被反复提起。真正让人坐不住的，是 MiniMax 新推出的图像模型。MiniMax刚刚发布的图像模型MiniMaxH3 Image。

它原生支持 4K 直出，10 秒级就能完成生成，还能吃下 16 张参考图。本周二该模型正式开源，开源图像模型的 SOTA 纪录随之被刷新。从第一波反馈来看，这个评价不算夸张。

一些提前拿到内测权限的开发者已经做了大量测试。新模型输出的人像里，那层「塑料皮」不见了，毛孔、雀斑、汗毛都看得清清楚楚。它在游戏设计、角色设定和 3D 场景上的表现，也让不少人连声称赞。

今天更新的 Artificial Analysis 榜单上，MiniMaxH3-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。

MiniMaxH3 Image 既能直接在网页端使用，也能通过 API 接入MiniMaxCode 或其他 harness，用来完成一些复杂任务。而且由于它是开源的，已经有人在尝试本地部署了。

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

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

我们第一时间拿到了新模型的使用权限，实测水平如何，下面来看。

画面美感和「真实感」，这次被重新定义了

新模型已经在MiniMaxCode 里上线。打开后能看到，参考图最多支持 16 张，出图最高 4K 分辨率。

我们站在普通用户的角度，把平时会用到的场景按四个能力维度逐个试了一遍。顺序是先看真实感，再攻文字和人脸这两个老难题，最后拿图生图做二次创作。

第一关是真实效果。最容易露馅的，恰恰是天天都在看的东西，微信聊天界面就是一个。

提示词：生成一张微信聊天截图：我先给对方发送一张非常逼真的可口可乐照片，并说：“这是MiniMaxH3 Image 生成的那张图，对方回了一句“我的天啊”，我接着说“开玩笑的，这是我自己拍的”。截图里的 iPhone 状态栏得做足细节，时间、电池电量、信号强度都要高度逼真。

我们只给了一段提示词，MiniMaxH3 Image 就交出整张微信聊天截图。

日常界面难就难在，人眼对熟悉场景几乎不留容错空间。微信的视觉规范相对固定，字体粗一点、聊天气泡间距差一些，或者状态栏图标比例不对，马上就会被看穿。

不少模型生成这类聊天截图时，界面元素不是错位就是变形，产品照片的高光也常常不自然，真实感掉了一大截。

而 MiniMaxH3 Image 这边，iPhone 状态栏、微信 UI 布局、聊天气泡、头像，细节都挺到位；可口可乐照片也够逼真，瓶身冷凝水、光影反射、桌面纹理都自然，几乎找不出 AI 的痕迹。

接着是生图模型的老大难：文字渲染。以前的模型不是错字、乱码，就是拼写崩坏。这回我们直接给 H3 Image 上难度，让它生成一张涂鸦：

提示词：竖构图、写实风格。粗粝的地下车站里停着一列银色不锈钢地铁车厢，车身带着岁月痕迹，侧面一整排车窗被一幅巨大的狂野风格涂鸦盖住。涂鸦是棱角分明的 3D 立体块状字母，拼出 “MiniMaxH3 Image” 字样；字母内部填着鲜艳橙色，带渐变，配深蓝色 3D 投影、粗黑轮廓线和细白亮线，连新鲜喷漆流下来的垂痕都看得见。背景里工业风天花板裸露，生锈钢梁、管道、线缆和冷色调荧光灯管都在；混凝土墙面满是污渍和积垢，再往下是铁轨和碎石道砟。冷调荧光灯光感配上金属反射质感，经过电影级调色，有细腻胶片颗粒和轻微暗角，地道的纽约地铁氛围。整张照片像 35mm 镜头拍的，细节丰富，呈现原始而真实的城市街头摄影风格。

「MiniMaxH3 Image」这一长串字母不光拼写完整，立体造型、渐变填充和喷漆效果也都做出来了。文字能力到这一步，已经有点画面设计的意思。

人物写真要出大片感，光靠颜值不够，面部刻画、服装细节和光影氛围都得跟上。我们挑战了一组维密后台大片：

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，细节全都给足了。直闪打下来，模特皮肤的光泽和衣服的反光分出层次，随手一拍就有时尚杂志内页的味道。

再换个风格，看看电影感人像是什么效果：

这张街头人像挺有电影截图的画面感。人物回眸那一下被清楚地定格住，周围行人被处理成大面积的动态拖影，一静一动，张力立马就有了。氛围、镜头感、情绪表达，都在线。

千禧年复古写真也顺手试了一把。

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、暖黄色的串灯，一下就把人拉回 2000 年代。轻微过曝的感觉也很像老式数码相机。提示词里那些细碎的氛围元素，基本都还原出来了。

文生图看完了，接着玩图生图。这一环节考验的是模型能不能看懂原图，再照着指令去改。

先拿马斯克开个刀。上传一张照片，让模型把他做成丑萌的手绘微信表情包。人物原来的神态被夸张放大，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炉了。

提示词：让 AI 把这张照片画成手绘风格的搞笑微信表情包。线稿走极简路线，丑萌丑萌的，保留随手涂鸦那股劲儿，背景留纯白。照着原照片里人物的神情，把震惊、嫌弃或者懒洋洋的状态夸张地表现出来。脑袋四周点缀些可爱的小涂鸦，比如汗珠、问号、闪光小星星之类。底部用手写体写上英文「So Dumb」，笔画歪歪扭扭，看着随意，又挺逗。

下一轮加点难度。传一张街头 CCTV 监控照片上去，让模型认出画面里的人，挨个加上白色人脸框，再给最显眼的那位生成一张高清放大特写。

结果原图的场景布局和监控视角都保住了，主画面维持着该有的噪点和轻微失真，放大框里的脸更清楚。整体看下来，很像监控系统自动生成的分析画面。

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.

想转画风的话也能玩。一张真实风格的照片，我们让它改成二次元的拼贴风格：

效果看着还挺不错。

可见，MiniMaxH3 Image 能出照片级的美图，能帮你把创作想法落地，还能陪你斗图。这回的效果，比过去又上了一个台阶。真实感拉满，AI 味已经淡了很多。同样值得一说的是它的指令遵循能力。面对我们给出的复杂信息，模型能理解到位，也能输出合适的结果。

这就让人开始期待它干活的能耐了。

物理世界理解与指令遵循

上面测的主要是 AI 生成画面的真实感，下面看更硬核的部分：模型是不是真的「理解」自己画的东西。这一点对实际的设计工作来说很关键。

要做到这点，模型得对物理世界的结构和材质有正确认识，信息点密集时能组织清楚，还要准确按指令去调整。

先来个硬核的：让MiniMaxH3 Image 画一张工业爆炸图。难点不在好看不好看。模型得懂点物理结构：相机有哪些零件、零件怎么装配嵌套、拆开之后各自待在什么空间位置，以前的 AI 常常在这儿翻车。

提示词：做一张复古味道的技术信息图海报。画面主体是一台经典 35mm 旁轴相机的爆炸分解图，横版 16:9，背景为温暖的奶油米白纯色。沿中轴竖向悬空排布七个相机部件，彼此精确对齐、层与层之间留出空隙：顶盖带黑色荔枝纹皮革和金属转盘，另有小型取景器、带距离刻度的银色镜头筒、四片玻璃镜片加黄铜光圈组件、黄铜快门齿轮机构、深色胶片传输齿轮组与摇柄、金属底板。每个部件都用细引出线接到黑色圆形编号标签上，标签内为白色数字 1–7。左上角放衬线大字标题 "VINTAGE 35mm CAMERA"，下面配副标题 "Exploded Technical View"，再加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。整体走精细技术插画路线，细腻钢笔线稿结合柔和写实渲染，拉丝金属、抛光黄铜、通透玻璃和皮革纹理都要有真实质感，投影柔和，配色低饱和复古，呈现干净的工程手册美学，构图采用扁平化信息图，高分辨率输出。

成图里，机身、镜头、齿轮这些零件一层层拆开摆好，编号标注、英文说明、参数表也一起出来了，水准基本贴近产品说明书的配图。

再换个玩法：上传一张衣服平铺图，H3 Image 能生成还原度很高的真人穿搭照。时尚博主的饭碗，怕是也要被「抢」了。

提示词：show woman wearing the outfit.

电商算得上 AI 图像生成最有落地价值的场景之一。

眼下不少商家已经拿 AI 做商品主图、详情页和营销海报。可真正考模型的是另一件事：商品质感、品牌信息、视觉构图能不能同时照顾到，让各种元素在同一画面里不打架。

H3 Image 出的物料，商品主体够突出，材质、包装和细节放大看也撑得住，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、促销信息之间的视觉层级排得很清楚。

平面设计要的不只是好看，海报上的字也得准。一条提示词里塞十几个信息点，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」的错位穿插和花瓣融在一起，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」。

最后测一测 H3 Image 的指令遵循。对多数人来说，日常用得最多的就是图像编辑，增、删、改、替几乎是基操，这些都属于明确的语义操作。

想起来，今天马斯克发推，对「有机会招聘黄仁勋」这件事表示「很荣幸」。那就设想一个场景：老黄拿着 Sink 站在 SpaceX 大门前，马斯克上前迎接。要生成这个画面，得写一串指令，还得配好几张参考图：

就这么火速加盟了。

一圈测下来，MiniMaxH3 Image 各项能力都在线。审美上，照片级真实感输出稳定，人脸保持、风格转换、细节质感都挑不出毛病；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，撑起工作流没问题。从日常使用到专业生产，开源的 AI 图像模型已经进入可用的区间。

实测效果看完，我们开始好奇：MiniMaxH3 Image 到底是个什么样的模型。

视频模型怎么成了生图 SOTA？

跟市面上多数生图模型的路数不同，H3 Image 是从MiniMax那款全模态视频模型 H3 身上长出来的。，后者是 MiniMax这套通用全模态生成系统 7 月底发布并开放权重，文本、图像、视频、音频都在同一套架构里统一理解，还能生成带原生立体声的视频。

H3 Image 保留了 H3-Base 的整体设计，去掉音频分支，骨干网络、文本编码器等架构照旧。文本这头直接用 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；图像那头，参考图会同时送进两个模块：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），用的三维多模态旋转位置编码和 H3 Omni Transformer 一样。文本 token、参考图 token 被打包成一条完整序列，单流喂进网络，直接预测目标图像的潜变量，再交给 VAE 解码成图。

分辨率上 H3 Image 走原生直出，不挂任何超分模块，一个 checkpoint 就能生成约 1600 万像素的图像，4096×4096 到 21:9 的 6272×2688 等各种比例都覆盖。

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，同档对比模型大多在 50 秒以上。

MiniMax先从视频模型起步、再延伸到图像模型，这条路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，得去学物体的不同视角、材质受光照时的变化，还有人物身体和物体的运动方式。MiniMaxH3 本身已经攒下丰富的视觉世界知识，拿它当底子的 H3 Image 生成效果不错，也就不奇怪了。

全球 AI 生态，正在依赖国产开源

现在 AI 技术跑得越来越快，新模型能力突然蹿一大截，好像也不必每次都「震惊瘫坐」。这回真正让人感叹的，其实是MiniMaxH3 Image 发布前后全球 AI 社区那股兴奋劲。

如今 MiniMax发个新模型，在 AI 圈里已经算大事，这份热度也早已变成生态的繁荣程度。MiniMax正从一家提供 AI 模型的公司，慢慢变成其他 AI 创业公司做技术开发的基础平台。

其实在 H3 Image 之前，海外就出现过一个叫 P-H3-Image 的图像生成模型。

这家叫 Pruna 的创业公司做的也是一个开源图像生成模型，它同样拿 MiniMax 开刀。MiniMax-H3 被它改成了性能很强的图像模型，出图质量不低，推理开销还小，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」。

其实在 MiniMax的权重被拿来接着预训练、微调或者做强化学习，再推出能力更强的版本，这种事早就不新鲜。M3.1 Flash 开放权重当天，就有美国创业公司放出了专门适配的模型，让 M3.1 Flash 生成文本更快。

围绕 MiniMaxH3 的衍生圈子更热闹：英伟达团队做出 Sol-H3，把视频生成的整条推理链路都做了优化；Pika 推出 Pika H3 Flex，生成步数压了下来，画面和创作控制也有改善。Hugging Face 上，以MiniMax-H3 为基座的模型树已经收录大约 220 个衍生条目，创业公司有的把 H3 改成独立的图像生成模型，有的拿它做视频人物替换，甚至还有人做出了交互式世界模型。

国内跑在前面的开源技术，已经成了海外团队的首选。

商业模式也在这套生态里慢慢长出来。先用免费权重占住位置，MiniMax再靠托管 API 和订阅计划把用量变成收入。社区许可证里的营收门槛和托管限制，会把上规模的玩家引向商业授权。长尾免费、规模收费，开源就这样转出了自己的商业循环。

回头看这一周，图像生成模型的能力边界几天就被重画一回。可长期格局靠什么定，恐怕已经不是跑分高低，开源生态正在决定能力扩散能有多宽。4K 生成、十几张参考图这些前沿能力一旦人人可用，比拼的核心就从谁的模型更强，悄悄换成了「谁的生态更好」。

下一个 AI 生成的新突破，说不定就出自某个下载了 H3 Image 权重的开发者之手。