MiniMax H3 Image发布：开源图像模型追平SOTA，4K生图10秒级
4K 像素最快 10 秒生成
今年 8 月，
MiniMax 把 H3 视频生成模型的权重放了出来，这是历史上首个达到 SOTA 水平的开源视频模型。
接下来几个月，社区拿它玩出的花样比官方演示多得多，H3 max 等衍生模型也一批批冒出来，AI 创意行业确实被往前推了一把。
到了图像生成这块，MiniMax 也不准备再捂着。MiniMax H3 Image 刚刚正式亮相，主打图像生成与编辑，剑指开源图像模型里的 SOTA。
之前的 H3 已经通过统一的全模态预训练，能理解也能生成图像、视频、音频等内容，文生图和图像编辑本来就在其中。
这回的 H3 Image 是在 H3 原有能力上，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这几项因此表现更好。
上手最直观的感受落在分辨率和速度上。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。
以前生成高分辨率图，等上几十秒甚至更久是常事，现在十几秒就能拿到。4K 级图像生成正迈入以十秒计的时代，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 生成了一批讲究美感的图片，CG、游戏场景、工业设计以及多种艺术风格，它都拿得出手。
复杂指令遵循也是这次强化的重点，最多能接 16 张参考图片，不同主体、材质和风格的要求可以同时理解。
更关键的是发布当天权重就开放了，开发者能通过 API 接入，也能在 MiniMax 开放平台、MCode 和 MiniMax 海螺平台里用。
APPSO 提前试了这款新模型。画得好看之外，我们更想弄清楚：多复杂的需求它能读懂，图像细节又能做到什么份上。
需求再复杂，也能画准
以往测图像模型，我们多半只看它能不能画出提示词里提到的物体。
可实际工作中，交给设计师的需求常常复杂得多。产品零件怎么组装，某个区域要保留哪些元素，不同参考图之间又有什么关联，模型得先把这些条件理解透，图才可能画对。
这次我们从工业产品的结构设计切入，让 H3 Image 生成一台未来主义咖啡机的产品爆炸图。豆仓、研磨器、冲煮模块、水箱等结构都要呈现，各部分的连接关系要标明，产品设计还得保持一致。
机械结构之外，文字处理也是图像生成模型常碰上的硬骨头。字要写对，字体设计、画面构图和整体视觉效果还得兼顾。
做大字海报，模型得同时处理文字内容、字体造型和视觉构图。换成包含大段小字的场景，文字准确性、信息层级和排版又成了新难题。
我们先让 H3 Image 生成一张以凤凰（Phoenix）为主题的新古典主义装饰艺术海报，里面融了西方神话、复古雕版画、维多利亚时代装饰纹样和现代极简排版。
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 都渲染得准确。
小字表现如何，我们找来这段时间闹得沸沸扬扬的黄仁勋公开信，让 H3 Image 生成一份摆在桌面的信纸版。
图里的文字基本都准确生成出来了，没有明显错误，整体样式也和图片周围的风格对得上。仔细看信纸周围的细节，都和老黄有关。
怀旧风的场景也能生成：经典皮衣挂在墙上，打字机上打出一句独白「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，图里的文字渲染和布局跟生存游戏类似，生命、魔力、体力等级都显示出来。
再进一步，就看 Image 能不能理解文字与图片之间的逻辑。这要求它具备语义理解能力，还得有科学、数学、生物等知识，并且把逻辑准确、美观地呈现出来。
机械结构、文字排版、知识理解，这些测试其实都指向同一件事：模型能不能真正读懂用户想表达的信息，再把它准确变成图像。
H3 Image 这回最多能吃进 16 张图片当参考。产品不同视角、材质参考、品牌元素、场景图，一次给齐，让模型把这些信息揉进同一张作品里。更让人期待的是，它还能通过 API 接进 MiniMax Code、Claude Code、Codex 这些 Agent Harness，直接参与更复杂的任务流程。
换句话说，人可以在 Agent 的对话框里直接提创作需求，让 Agent 整理任务、调用 H3 Image 出图，再靠后续对话一轮轮改设计。
向左滑动查看更多内容
Codex 里用 MiniMax H3 Image 生成 V8 引擎爆炸拆解图就是个例子。Agent 先把信息搜集整理好，最后出的几张拆解图都相当真实。
向左滑动查看更多内容
在这套流程里，Agent 要持续管理上下文和用户的修改意见；H3 Image 则要读懂 Agent 整理后的复杂指令，尽量准确地执行。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 H3 Image 这款开源图像生成模型确实做得到：理解复杂需求、执行精确修改，在连续创作中保持一致。它也因此开始真正融入 Agent 工作流。
还有个细节，目前不少主流生图模型生成的图片还停在百万像素或四百万像素，H3 Image 能直接出 4096×4096 的超高清画面，像素数量达到 4K 画质。
放到后续工作流里，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了。
只靠一段提示词，就能画出真实的美感
理解力强，不代表审美就好。能严格遵守提示词的 AI 我们见过不少，画出来的东西却总差点意思。
GPT-Image 就是个例子。很多人对它的印象是信息图很强，可碰上 Midjourney 那种风格化极强的图片生成，GPT-Image 也会有点力不从心。
而 AI 图像在 CG、游戏概念设计、插画这些场景里，很多时候人根本没办法把想要的构图、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。
向左滑动查看更多内容
比如这几张速度感十足的赛马图，提示词里我们把核心风格定死：电影感动态摄影、慢门追焦摄影、复古运动胶片美学。H3 Image 把赛马高速奔跑的横向拖影、深墨绿色背景、金色夕阳照亮的马匹，还有画面里大面积幽暗抽象的负空间，全都准确画了出来。
更不用说没有 AI 味，看到这些图生成出来，甚至带着很强的大片电影感，像是摄影摄像师花大量时间修过的。
我们接着用这组提示词换不同运动场景，赛车、骑行、滑板，到行驶的汽车、奔跑的人和动物，看 H3 Image 能不能呈现速度之美，以及摄影里那种不完美却动人的质感。
想看更多，可以向左滑动。
这组图每一张都挺有味道。画面里，奔跑、骑行、赛车的主体慢慢散开，化成光线、颜色和时间的印子。
更多图片向左滑动查看。
人像这块，我们让 H3 Image 出了几张图，走的是复古直闪胶片摄影、生活方式纪实摄影加独立时尚杂志美学混在一起的路子。出来像是朋友在私人派对上顺手按下的快门，姿势没怎么摆，生命力反倒比正式写真更足。
人物真实感是这几张图里最突出的地方。皮肤上的自然纹理还在，头发、衣服和光影的细节也够多，没有 AI 人像常见的那种磨皮磨过头、油光满面的感觉。
向左滑动，还有更多。
把这种风格套到别的图上，也能看出 H3 Image 对风格的控制力：夜里直闪造成的强明暗反差、人物大笑时收不住的那一下、略微有点乱的构图、浓烈的花卉颜色，还有不加修饰的胶片快照味道，都生成出来了。继续向左滑动可看更多。
还有一张人像，是我们用 H3 Image 生成的电影剧照，东方古典美学味道很重，把中国古装电影的摄影、自然主义光影和复古胶片的视觉质感揉到了一起。
午后的阳光穿过树叶，落在人物脸上，神情自然，树影斑驳。这些图把古代生活里一个平常又私密的瞬间还原了出来，看着像一段被时间收好的电影记忆。
复刻 GTA V 实机画面时，我们在提示词里写明了风格和第三人称视角，让 H3 Image 生成一张《Grand Theft Auto V》实机视觉风格的开放世界 3D 游戏截图。
向左滑动查看更多内容
H3 Image 读懂了我们要的是「GTA 游戏画面感」，而不只是「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 生成的图片不太一样——那些更像官方精修过的宣传图。
我们还另外生成了几张风格很强的图。全部是文生图，一次性直出，没有额外参考图，只靠一条提示词。H3 Image 在美学上没有 AI 味，我们要求的风格也描得准。
手里已有参考图的创作者，可以用 GPT-Image 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，拿一张照片的追焦方式，或者一幅插画露出纸底的笔触，套到另一个题材上。
复杂指令能理解，视觉审美也跟得上，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，有望继续减少。
从视频到图像，MiniMax 正在把全模态能力开放出去
说回 H3 Image，这次发布最该关注的点，大概就是开源。
视频生成模型也好，现在的图像生成也好，都是长期吃算力、吃训练数据、吃模型能力的领域。
顶尖的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 来用，模型能干什么、怎么跑、还能怎么改，话语权仍在服务提供方手里。
MiniMax 把它开源，模型就从一家公司的产品，变成了更多用户和开发者继续往下做的起点。现成的模型可以直接用，也能按自己的需求部署、微调、优化，围着它做新的创作工具，把模型能力真正接进现有产品和工作流。
对内容行业和更广的领域来说，H3 Image 作为一款 SOTA 的开源图像模型，多给了一个选项。游戏开发者可以试着搭一套符合自家美术风格的素材生成流程；设计团队能针对特定产品做自动化工作流；个人开发者也有机会围绕开放模型做自己的创作应用。
从视频到图像，再加上文本、语音等模型，MiniMax 的多模态布局正拼成一张更完整的能力矩阵。H3 此前已经验证过一回：权重开放之后，社区冒出来的玩法、衍生模型和工作流，远超官方演示划定的范围，开源模型撑得起扎实的商业化，这一点也一并得到了验证。
对我们来说，最值得等的是第一梯队的视觉生成能力，不再只能靠少数几家封闭服务。
够聪明、够好看的生成模型也能开放给开发者，更多人才有机会把创意变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
