MiniMax开源H3-Image：原生4K生图，CAD拆解万物
「CAD拆解」
「CAD拆解」
坏，真让
MiniMax给多模态玩明白了😭。
开源视频旗舰H3收获大量好评之后，最新的图像模型H3-Image又一次刷屏全网。
热度最高的玩法是「CAD拆解」——丢一张参考图进去，H3-Image能把小手办直接给你开盒了。。。
还有人拿宇树机器狗做了CAD化处理。
一句话，万物皆可拆解，零件还能给你标注清楚。
我自己也实测了一回，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能Handle住，比如游戏。
不说的话，我还以为是GPT编程做出来的呢😭。
要是只做电商用的简单资产，那就更轻松了。
没想到的是，这家伙居然文理双全？？
在保证智商的前提下，H3-Image的审美也有点东西。
对了，还有件事。
这种质量的图像生成模型，居然是开源的？？？
那还说啥了。
我宣布，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，脑子里第一个反应就是：油光满面，皮肤光滑得像剥了壳的鸡蛋，眼神呆滞，伪人感极重。
说到底，就是一股浓浓的「AI味」。
GPT Image 2在这方面进步非常大，可用多了之后，恐怖谷效应还是会涌上心头。
这次的H3-Image，我感觉基本把这个问题解决了。
生成结果出来我都懵了，不是兄弟，这谁看得出来是AI啊？？
最关键是脸。毛孔、雀斑，连绒毛都给你画出来了。
Jay发自 凹非寺
镜子上的水渍、灰尘，还有闪光灯打到镜头上泛起的光晕，这些细节同样处理得相当夸张，跟小某书首页随手刷到的照片几乎没差。
从仰视角度看过去，面部细节照样经得起推敲。下面这张仿ins风格的时尚杂志封面就是例子：人物的眼神、脸上肌肉那点细微的牵动，都贴合现实社交里的真实状态。
这也是我测H3-Image时感受最深的一点：不少提示词我以前拿老模型跑过，H3-Image都能给出全新的诠释。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一件立体纸雕风格的旅行手帐。
微缩景观、光影的厚度，嗯，总让人想起Fable 5宣传片那股味道。
结果果然又露出了小鸡脚。看左下角那只手，瞧见没，大拇指关节附近被它加了几颗痣！
放大之后也完全不露怯，手指上的皮肤纹理、关节褶皱，连指甲边缘那种自然的光泽和质感，都交代得清清楚楚。
有意思。
H3-Image的AI味之所以这么淡，我觉得很大程度上就靠这些刻意为之的「瑕疵」。人主观创造出来的作品，本来就充满随机性，一味追求完美，反倒不合人类大脑接收信息的习惯。
不过这也让我心里有点发毛。我一直固执地认为，审美是机器学不会的东西。现在看，好像只要把其中的Trick摸透，很多人类引以为傲的品质，或许真没那么神秘……
再放个demo给大家看看，我用H3-Image做了张法国旅游海报。怎么说呢，我真不好意思评价，以我这艺术素养已经彻底看不出门道了。
唉。
SOTA级智力
还是整点我自己能搞明白的任务吧。对多模态模型，我一直有两个评判标准：美商和智商。美商就是上面测的那些，比较玄，只能聊主观感受。
智商倒是可以好好说道说道。比如H3-Image有一项很特别的技能点——世界理解能力。
你可以拿它来生成CAD图纸。
对，只要递给它一张产品外观图，它就能自己推出标准的正交三视图——
正视图、侧视图、俯视图，一样不缺。
看到这儿我直接瘫了😭😭。
这还没完。
除了CAD，你还能让这个模型把东西「爆炸」开。
让H3-Image画一张机械拆解的爆炸图，零件会按装配逻辑分层炸开，排得清清楚楚，连组件引线都给标上。
要做到这个，模型得对三维几何和空间关系有相当深的理解。
功能属性这么强的图，指令遵循能力自然也关键。光「画」出来难度不算大，真正考验的是模型的规划和推理。
不然用户一大串提示词，它根本搞不清在说什么。
真要进严肃的生产力场景，标准就得拉高，商业用途必须把信息传准。
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。
估计是太简单，我又想了个天才提示词：
把这份试卷做完。
打开一看，我像被椅子炸了一下——
图像生成模型的微积分水平比我强，这算什么？
凭我勉强结业的高数底子粗粗看了一遍，答案居然是对的，还带解题步骤！？？
一时间说不出话。
当然，老本行资产生成也没落下。
现在不是流行Coding吃掉一切吗，Astra降维3D，Opus 5.5降维视频。
但我一直觉得很多只是宣传口径，这些跟文本八杆子打不着的任务，我干嘛要用文本模型？
这么说吧，纯文本这块资源确实多，跑得也快。
不过从第一性原理看，我还是站垂直模型这边。各领域分开训，上限更高，成本也更靠谱。
再说H3-Image这种垂直模型本来就是专精选手，一点都不冲突，接进Harness让Agent直接Tool Call正合适。
这大概也是最近冒出来的路子：不一定非要一个模型包打天下，拿通用模型把各个垂直模型串起来，总效用反而更高。
如果只是生成用来展示的素材，比如下面这种恐龙玩具，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，光影、几何这些基本物理常识早就不是坎了。
小零食之类的也照样拿捏，且看我如何把中国辣条推向全球。
连3D游戏画面都能出，属实倒反天罡了😭。
甩一段长文本战术指令过去——掩体、火力压制、侧翼包抄，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。
游戏术语遵循得很严，几乎能直接拿去概念设计用。
那我还蹬什么Astra Ultra啊，反正都是看个demo，出几张图不就得了。
（bushi）
多模态「源神」
差不多就这些。另外作为旗舰图像模型，H3-Image还附送了几样小福利。
最要紧的一条：H3-Image直接把分辨率拉到16MP（4096×4096像素），也就是原生4K。
泪目了家人们，以后不用GPT出完图再丢给Nano Banana修半天了🥹。
4K生成还特别快，这么大的图，我在网页端体感也就10-20秒。
话说回来，谁不想趁GPT磨洋工的时候，美美搓一把贪吃蛇呢（bushi）。
扯远了。
除此之外，H3还有个挺特别的参数——
最多能喂16张参考图。
装得下海量素材，完美主义者狂喜，角色一致性、复杂分镜的连续性上，创作者的自由度一下打开了。
4K日常创作，这回算是真普及了。
结果就是，随手丢几张参考图，再喝口水……
就能拿到这种水准的装修效果图。
还要啥Blender啊😭。
不过有件事完全出乎我意料。
开源？H3-Image居然是开源的？
此前刚把SOTA级视频模型H3开放出来，MiniMax又动了一次手，给全球开发者再添一个能自由改的SOTA底座。
多模态源神这个称呼，不用多解释。
就算你懒得自己部署，走API调用，价格也便宜得很。
只相当于主流竞品的50%到70%，首周16MP请求还能再减一半（站起来蹬啊兄弟们！！）。
测到这里，我心里冒出个念头——
多模态生成，兴许正走到属于它自己的Coding时刻。
此前AI生图在商业端经常「沦为玩具」，问题就出在细节撑不住、塑料感太重，换哪个甲方看了都不乐意。
可眼下，H3-Image把三件事做成了——
去AI味、审美可泛化、有逻辑。
这几条一旦满足，多模态的应用市场绝不会比编程逊色。
高精度工业包装设计、商业插画、多语言跨境营销物料，这些活儿图像模型一进来，传统工作流的周期就能大幅压缩。
再把刚才那几样叠上去：速度、开源、低价……
那样的未来是什么样，真不好想象。
话说回来，最后把目光收回到当下的AI圈。
全球AI公司几乎都把注意力压在纯文本上，MiniMax却仍将很大一部分精力投在多模态世界。
这家公司一向如此，从起步就押注多模态，到现在总算等来涌现。
常有人说多模态对AGI不重要，Coding才有商业模式……
可我一直认为，若AI的定义只装得下文本，那个未来也太无趣了。
从改写视频生成格局的H3，到眼下在逻辑、结构、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。
