MiniMax H3 Image 开源：4K生图只需10到20秒

今年 8 月，MiniMax 把 H3 视频生成模型的权重放了出来，这是史上首个达到 SOTA 水平的开源视频模型。之后几个月，社区用它玩出的花样比官方演示多得多，还衍生出 H3 max 等一批模型，确实把 AI 创意行业往前推了一把。

如今，图像生成这块 MiniMax 也不打算捂着。MiniMax H3 Image 刚正式亮相，主打图像生成与编辑，瞄准的是开源图像模型里的 SOTA。

H3 此前靠统一的全模态预训练，已经能理解并生成图像、视频、音频等内容，文生图和图像编辑也在其中。H3 Image 则是在这套底子上，针对图像生成与编辑再做后训练优化，复杂指令遵循、图像细节和视觉审美都跟着提升。

分辨率和速度是最直观的感受。我们实测时，H3 Image 出一张 4096×4096、4K 画质的高规格图片，只要 10～20 秒。

过去高分辨率生图动辄要等几十秒甚至更久，现在十几秒就能出图。4K 级图像生成开始以十秒计，高分辨率带来的细节优势，也能更频繁地用在日常创作里。

我们用 H3 Image 生成过各种讲究美感的图片，CG、游戏场景、工业设计以及多种艺术风格，它都表现不错。

复杂指令遵循是这次强化的重点，最多可接入 16 张参考图片，能同时理解不同的主体、材质和风格要求。

发布当天权重就开放了，开发者可以通过 API 接入，也能在 MiniMax 开放平台、MCode 和 MiniMax 海螺平台里使用。

APPSO 提前试了这款新模型。除了画面好看，我们更想弄清它到底能读懂多复杂的需求，图像细节又能做到什么程度。

复杂需求也能画准

以前测图像模型，我们多半只看它能不能画出提示词里的物体。可实际工作里，交给设计师的需求往往复杂得多：产品零件怎么组装，某个区域要保留哪些元素，几张参考图之间又是什么关系。模型得先弄懂这些条件，才可能画对。

这次我们从工业产品的结构设计切入，让 H3 Image 画一台未来主义咖啡机的产品爆炸图。豆仓、研磨器、冲煮模块、水箱等结构都要展示出来，各部分的连接关系要标明，产品设计的一致性也得保住。

机械结构之外，文字处理也是图像生成模型常碰到的硬骨头，既要字写对，又要兼顾字体设计、画面构图和整体视觉效果。大字海报考验的是文字内容、字体造型和视觉构图三者兼顾；场景里塞进大段小字时，文字准确性、信息层级和排版又成了新难题。

我们先让 H3 Image 做了一张凤凰（Phoenix）主题的新古典主义装饰艺术海报，把西方神话、复古雕版画、维多利亚时代装饰纹样和现代极简排版揉在一起。

画面标题 PHOENIX MYTH（凤凰神话）和副标题 Eternal Rebirth of the Fire Bird（火鸟的永恒重生），H3 Image 都渲染准确了。

小字表现方面，我们找来这段时间闹得沸沸扬扬的黄仁勋公开信，让 H3 Image 生成了一份摆在桌面上的信纸版。

图里的文字基本都准确生成了，没有明显错误，整体样式也和图片周围的风格对得上。细看信纸四周的细节，全和老黄有关。

怀旧风场景也能出：墙上挂着一件经典皮衣，旁边打字机上的独白是「我已经被穿了 30 年了。」

我们还让 H3 Image 试了更复杂的游戏界面，文字渲染和布局都接近生存游戏，显示生命、魔力和体力等级。

再往深一步，就要看Image能不能读懂文字与图片之间的那层逻辑。这需要它具备语义理解能力，还得懂科学、数学、生物等领域的知识，并且把逻辑既准确又好看地呈现出来。

机械结构也好，文字排版也罢，再到知识理解，这些案例其实都指向同一个问题：模型能不能真正弄明白用户想表达什么，再把它准确变成图像。

H3 Image这次最多可接受16张图片作参考。也就是说，我们可以一次性给出产品的不同视角、材质参考、品牌元素和场景图，再让模型把这些信息揉进同一张作品里。

更让人期待的是，H3 Image还能通过API接入MiniMax Code、Claude Code、Codex等Agent Harness，直接参与到更复杂的任务流程中去。

换句话说，创作需求可以直接在Agent的对话框里提出，由Agent整理任务、调用H3 Image出图，再借助后续对话反复修改设计。

比如这个在Codex里用MiniMax H3 Image生成V8引擎爆炸拆解图的案例，Agent先搜集和整理信息，最后产出的几张拆解图都相当逼真。

对Agent来说，它得持续管理上下文和用户的修改意见；对H3 Image来说，则要理解Agent整理后的复杂指令，并尽可能准确地执行。这种工作方式，对图像模型的指令遵循和复杂信息理解能力提出了更高要求。

而开源的图像生成模型H3 Image确实做到了理解复杂需求、执行精确修改，并在连续创作中保持一致，这也让它开始真正融入Agent工作流。

尤其是现在很多主流生图模型还停留在百万像素或四百万像素，H3 Image却能直接生成4096×4096的超高清画面，像素数量达到4K画质。

这意味着在后续工作流里，即便把画面局部放大、裁切，细节依然够用。产品设计、商业海报，或者要在大屏上展示的视觉素材，后期处理空间都更大。

只给一段提示词，就能画出真实的美感

理解力强，不代表审美就一定好。能够严格遵守提示词的AI我们见过不少，可画出来的东西总差点意思。

就像GPT-Image，很多人对它的印象是生成信息图很强，但碰上Midjourney这类风格化极强的图片生成，GPT-Image也会有点力不从心。

对AI图像来说，尤其是CG、游戏概念设计、插画这些场景，很多时候我们没法把想要的构图、色彩和氛围全描述清楚，只能给个大致方向，基本靠模型自己的审美水平。

这次测H3 Image的美学，我们从Midjourney上挑了一些喜欢的参考图，先让ChatGPT把图里的构图、光线和材质拆成提示词，再拿这些提示词给H3 Image出题。

拿这几张速度感十足的赛马图来说，提示词里我们写明了核心风格：电影感动态摄影、慢门追焦，加上复古运动胶片美学。

马匹高速奔跑拉出的横向拖影、深墨绿的背景、金色夕阳打在马上，还有画面里大片幽暗抽象的负空间，H3 Image 都画了出来。

生成出来的照片没有 AI 味，甚至带着很强的大片电影感，像是摄影师花了大把时间修过的图。

接着我们换了一组运动场景继续试，赛车、骑行、滑板，行驶中的汽车、奔跑的人和动物都上了，看 H3 Image 能不能把速度之美表现出来，还有摄影里那种不完美却动人的质感。

张张都有感觉，运动中的主体一点点消融成光线、色彩和时间的痕迹。

人像方面，我们让 H3 Image 出了几张图，风格定在复古直闪胶片摄影、生活方式纪实摄影和独立时尚杂志美学。

画面像朋友在私人派对上随手抓拍的瞬间，姿势没有刻意安排，生命力却比正式写真更足。

人物真实感是这些图里最突出的一点。皮肤留着自然纹理，头发、衣物和光影的细节都够丰富，没有很多 AI 人像那种过度磨皮和油腻感。

换到别的图上套用这种风格，H3 Image 的把控力也看得出来。夜晚直闪的强烈明暗反差、人物大笑到失控的瞬间、略微凌乱的构图、浓郁的花卉色彩，还有不加修饰的胶片快照质感，全都被顺利生成出来。

东方古典美学那组电影剧照，同样出自 H3 Image 之手。它把中国古装电影的摄影方式、自然主义的光线走向和复古胶片的画面质感揉到了一起。

出来的画面，像把古代日常里某个平常又私密的片刻重新搬了回来。午后阳光穿过树叶，柔和地落在人物脸上，神情自然，树影斑驳，整张图因此有了一种被时间留住的电影记忆感。

复刻 GTA V 实机画面时，我们在提示词里写明了风格，也限定了第三人称视角，让 H3 Image 出一张《Grand Theft Auto V》实机视觉风格的开放世界 3D 游戏截图。

它抓住的是「GTA 游戏画面感」，而不是笼统的「GTA 风格」。几张图都像玩家在 GTA 开放世界里随手截下的一帧，跟其他 AI 生成的图不一样——后者更像官方精修过的宣传物料。

另外几张风格化很强的图，也全是文生图一次性直出：不给额外参考图，只靠一次提示词，H3 Image 就能在美学上做到看不出 AI 味，同时把我们指定的风格准确画出来。

手上已有参考图的创作者，可以用 GPT-Image 先把对应的风格提示词提取出来；也可以直接用 H3 Image 的参考功能，把某张照片的追焦方式、某幅插画透出纸底的笔触，挪到另一个题材上去。

复杂指令理解和视觉审美能同时兼顾，图像模型的实际用途就多了。游戏概念图、品牌海报、产品结构示意、设计方案，这些场景里用户反复解释需求、来回调提示词的次数，有望进一步减少。

从视频到图像，MiniMax 正把全模态能力对外开放。

说回 H3 Image，这次发布最该被盯住的一点，其实是开源。

不管是早先的视频生成模型，还是眼下的图像生成，都属于长期吃算力、吃训练数据、吃模型能力的领域。

顶尖视觉生成模型尤其如此。多数时候，普通人只能通过官方产品或 API 去用；模型能干什么、怎么跑起来、还能怎么改，话语权仍在服务提供方手里。

MiniMax把模型交到开源社区手里，事情就变了：它不再只是某家公司的产品，而成了更多用户和开发者继续往下做的起点。现成模型可以直接拿来用，也可以按自己的需要去部署、微调、优化，围绕它做新的创作工具，把模型能力接进已有的产品和工作流里。

放到内容和更大的行业里看，H3 Image 是 SOTA 级的开源图像模型，等于多了一个选项。游戏开发者可以试着搭一套贴合自身美术风格的素材生成流程；设计团队能针对具体产品做自动化工作流；个人开发者也有机会基于开放模型做自己的创作应用。

从视频做到图像，再叠加文本、语音等模型，MiniMax 的多模态布局正逐步拼成更完整的能力矩阵。H3 此前已经验证过一回：权重开放之后，社区里冒出来的玩法、衍生模型和工作流，远远超出官方演示划定的范围，也说明开源模型照样能撑起扎实的商业化。

真正让人期待的一点是，第一梯队的视觉生成能力，以后不必只靠少数几家封闭服务。

足够聪明、也足够好看的生成模型一旦向开发者开放，更多人就能把自己的创意做成真正属于自己的工具和作品。

*本文所有图片均用 MiniMax H3 Image 生成