MiniMax开源H3-Image：原生4K，单张成本两毛
「CAD拆解」
Jay发自 凹非寺 量子位|公众号QbitAI
坏了，多模态这块真让
MiniMax玩明白了😭。
视频旗舰H3开源后口碑不错，紧接着图像模型H3-Image又火遍全网。
最火的是「CAD拆解」玩法：给一张参考图，H3-Image能把小手办直接拆成零件图。
也有人拿宇树机器狗做了CAD拆解。
反正什么都能拆，拆完还顺手把零件标注好。
我自己也上手测了，还真有点东西……
另外，海外网友实测下来，其他类型的复杂生图任务它也接得住，比如游戏。
这效果，不说的话我还以为是GPT写代码做出来的😭。
如果只是做电商用的简单素材，那就更轻松了。
没想到的是，这家伙文理还挺全能？？
智商在线的同时，H3-Image的审美也拿得出手。
对了，还有件事。
这种质量的图像生成模型，居然是开源的？？？
那还说什么呢。
我单方面宣布，MiniMax就是多模态领域的「源神」（bushi）。
告别塑料「美商」
以前一提AI生图，大家第一反应就是：油光满面，皮肤滑得像剥了壳的鸡蛋，眼神发直，伪人感特别重。
说白了，一股浓浓的「AI味」。
GPT Image 2在这方面进步很大，可用久了，恐怖谷效应还是会冒出来。
这回的H3-Image，我觉得基本把这个问题解决了。
生成完我都愣住了，不是兄弟，这谁看得出是AI啊？？
最关键的是人脸，毛孔、雀斑、连绒毛都画出来了。
还有镜子上的水渍和灰尘、闪光灯打在镜头上形成的光晕，这些细节处理得离谱，真跟小某书首页刷到的一样。
就算从下往上仰拍，脸上的细节照样藏不住。下面这张像ins照片的时尚杂志封面就是例子：人物的眼神、面部肌肉那点细微牵动，都很贴合现实社交里的样子。
测H3-Image这段时间，我最大的感受就是这个——不少提示词我以前丢给老模型跑过，换成它，出来的解读是全新的。世界知识确实够丰富。
人脸之外的主体，它就更拿手了。
比如把里约热内卢的城市地标做成旅行手帐，还是立体纸雕风格。微缩景观、光影的厚度，嗯，总让人想起Fable 5宣传片那味儿。
结果又露了小鸡脚！看左下角那只手，瞧见没，大拇指关节附近给添了几颗痣！！
放大看也不会穿帮：手指上的皮肤纹理、关节的褶皱，连指甲边缘那层自然的光泽和质感，都清清楚楚。
有意思。
在我看来，H3-Image的AI味之所以这么淡，很大程度就靠这些故意留下的「瑕疵」。人主观做出来的东西，本来就满是随机性，太追求完美，反倒不合人脑接收信息的习惯。
不过这也让我有点心里发毛。我一直犟着认为，审美这东西机器学不会。
现在看，好像只要把里头的Trick摸透，人类不少引以为傲的品质，也许真没那么玄……
再放个demo，我拿H3-Image搓了张法国旅游海报。怎么说呢，我实在不好意思评价，以我的艺术素养已经完全看不出门道了。
唉。
SOTA级智力
还是做点我自己能搞明白的任务吧。
看多模态模型，我一直有两个标准——美商和智商。
美商就是上面测的那些，比较虚，只能谈主观感受。
智商这块倒能好好说说。
拿H3-Image来说，它有个很特别的技能点——世界理解能力。
它能生成CAD图纸。对，就是你给它一张产品外观图，它自动推演出规范的正交三视图——
正视图、侧视图、俯视图，三张一张不缺。
看到这里我已经彻底服了😭😭。
这还没完。除了CAD，这个模型还能把东西「炸」开。叫H3-Image画机械拆解的爆炸图，它会严格按机械的装配逻辑来，零件分层炸得清清楚楚，连组件引线都标上。
要做到这个，得对三维几何和空间关系有相当深的理解。当然，这类功能属性明确的图，指令遵循同样关键——光「画」出来难度不算大，真正考验的是模型的规划和推理。
否则用户扔过来一大堆提示词，它根本弄不明白在说什么。
不过要真进严肃生产力场景，标准得拉得很高，商用必须把信息准确传达出去。所以除了空间理解，文本排版这一维也很要紧。
于是我又试了一件事：让它生成一张高数期末考卷。十多秒就出来了。
极限符号、复杂积分式……这么密的学术排版，一个字符都没乱码。
大概是觉得太简单，我又想出个天才提示词：把这份试卷做完。
打开一看，我仿佛看见椅子炸了——图像生成模型的微积分水平居然比我强？
凭我勉强结业的高数底子大致扫了一遍，答案居然是对的，还带解题步骤！？？
一时间说不出话。
当然，老本行资产生成也不能落下。现在不是流行Coding吃掉一切吗，Astra降维3D，Opus 5.5降维视频。
可我总觉得不少只是宣传口径——这些跟文本八竿子打不着的任务，我干嘛要用文本模型？只能说纯文本领域资源确实多，发展也快些。
如果从第一性原理去推，我还是偏向垂直模型这条路：各个领域分开训，上限能更高，成本也更贴近现实。
H3-Image这类垂直模型本身就走的是专精路线，跟这条路不冲突，接进Harness让Agent直接Tool Call正合适。
最近这种苗头也开始多了起来——不必指望一个模型把所有事都降维干掉，用通用模型把各个垂直模型串起来，整体效用反而更高。
要是只生成用来展示的资产，比如下面这只恐龙玩具，垂直图像模型明显更划算，犯不着让Computer Use折腾半天。
说到底，现在的图像模型在光影、几何这些基本物理常识上已经不成问题了。
小零食之类同样拿手，且看我怎样把中国辣条卖到全球去。
连3D游戏画面都能出，这属实倒反天罡了😭。
丢一段长文本战术指令进去——掩体、火力压制、侧翼包抄这些词一给，它马上就能搭出一个纵深真实、遮挡关系合理的3D战斗场景。
游戏术语它守得很严，几乎能直接拿去概念设计里用。
那我还费劲蹬什么Astra Ultra，反正都是看个demo，出几张图不就交差了。
（bushi）
多模态「源神」
大致就是这些。另外，作为一款旗舰图像模型，H3-Image还附带了几项小福利。
最关键的一项：H3-Image把分辨率拉到了16MP（4096×4096像素），也就是原生4K。
泪目了家人们，以后不用先让GPT出图、再丢给Nano Banana调半天了🥹。
4K出图还特别快，这么大的图，我在网页端体感也就10-20秒。
话说回来，谁不想在等GPT慢吞吞干活的时候，顺手来一把贪吃蛇呢（bushi）。
扯远了。
除了上面这些，H3还有个挺特别的参数——
最多能输入16张参考图。
装得下非常多，完美主义者会喜欢；在角色一致性、复杂分镜的连续性上，创作者的自由度是以前没有的。
4K日常创作，到这一步才算真正铺开。
于是你可以随手扔几张参考图进去，再喝口水……
就能拿到这种水准的装修效果图。
这还用什么Blender啊😭。
不过有件事确实没料到——H3-Image居然是开源的。
MiniMax此前开源了SOTA级视频模型H3，这次又出手，给全球开发者提供了一个可自由定制的SOTA底座。
多模态“源神”这个说法，不用多解释。
即便不想自己部署折腾，走API调用同样便宜。
价格只有主流竞品的50%到70%，首周16MP请求还能再打五折。
测到这里，一个预感冒了出来：多模态生成，也许正走到属于自己的Coding时刻。
过去AI生图在商业端常被当成玩具，原因就在于细节经不起推敲、塑料感太重，甲方看了谁都不乐意。
如今H3-Image解决了三件事：去AI味、可泛化的审美、逻辑。
这些条件一旦满足，多模态的应用市场不会比编程小。
高精度工业包装设计、商业插画、多语言跨境营销物料，图像模型能把这些传统工作流的周期大幅压缩。
再加上前面说的速度、开源、低价，未来会是什么样，很难想象。
视线拉回当下的AI圈：全球AI公司的目光几乎都盯着纯文本，MiniMax却仍把很大一部分精力放在多模态世界上。
这其实是这家公司一贯的特点，从一开始就押注多模态，到现在迎来涌现。
有人说多模态对AGI不重要，Coding才有商业模式。
但如果AI的定义只容得下文本，这个未来未免太无趣了。
从改写视频生成格局的H3，到在逻辑、结构与审美上全面突破的H3-Image，国产开源这把野火，已经彻底烧向多模态领域——
蔓延。
