MiniMax H3 Image开源：4K生图10到20秒，权重API同步开放

新智元报道

OpenAI 的 Images 2.6 在11月4日才上线，没几天就有人放话：

“GPT is cooked.”、“GPT-6 彻底完了。”

让这些人上头的，是 MiniMax 的新模型 H3 Image。

内测玩家 Emily 报了几个硬核参数：参考图最多 16 张，提示词能写到 7500 个字符，最高出 4K。

她还顺手押了一注：按她对 MiniMax 的了解，这模型迟早会开源。

她押对了，而且比她想的快。今天 MiniMax 正式发布 H3 Image，权重当天开源，API 同步开放，在自家的 MiniMax Code、开放平台和海螺 AI 里也能直接用。

三个月前，这家公司开源过视频模型 H3，英伟达的研究团队、Pika、fal 都拿它再训练了衍生模型。

这一回，轮到了生图。官方把 H3 Image 说成开源图像模型里的 SOTA，整体水平处在全球第一梯队。名次之类的说法听多了有点麻木，反倒是它身上另一个标签更该被盯住：指令遵循。

这次主打的是开源、高清、速度快。

H3 Image 能直接生成 4K（4096×4096）的图像。

对创作者来说，高分辨率意味着细节更多，裁切余地更大，图像可用的范围也扩大了，比如同一张图可以适配不同尺寸的海报和网页，也能截取局部，突出某个人物或产品。

主流模型多数落在一百万到四百万像素这个区间，出图速度一般是分钟级，最快也得 50 秒上下。H3 Image 要出一张 4K 图像，10 到 20 秒就够了，试错的时间成本被压了下来。构图要调、配色要改、光线细节要动，创作者也能马上看到结果，接着往下修。

也就是说，4K 的日常创作，第一次变得现实。

AI生图，不止于美

一批博主昨天拿到了内测资格，已经晒了一波图。

博主 Muhammad Ayan 一上来就写「中国又扔出来一个狠的」，随后贴图：一张照片喂进去，整套 4K 角色设定图吐出来，全身正面、背面、脸部特写全都有，毛孔、雀斑、细绒毛一样不少。

结论就一句：AI 人像那层「塑料皮」，没了。

看到这儿，我其实没太当回事。「更真的写真模型」，这话每个月都有人喊。

往下翻，画风变了。

Papillon 找出一张《GTA：圣安地列斯》的老截图，让模型把它重画成次世代 3A 大作，配文写的是：CJ 等了 20 年的画质升级，到货了。

DrSadek 一口气跑了纪实摄影、赛博朋克动画等四种画风，让网友投票。

喊「GPT is cooked」的 Israa Ali，测的是 3A 游戏资产和 3D 场景。话说得稍微有点满，可那股兴奋劲装不出来。

再往下说，就不光是「好看」这一层了。

plasm0拿它排版大字海报，反馈是大字挺稳，小字有时候会翻车，不过整体基本没问题；

美国手语的手势他也试了，给出的评价是「挺不错，比Moss 好多了。」

左图是H3 Image，右图是Moss。

手语属于特别难的场景，AI模型几乎都会栽跟头。ChatGPT-6.1 Sol统计下来，Moss的正确率只有20.0%，比如U、V两个手势被弄反，标着X的格子其实是W。H3 image同样有出错，但正确率已经做到48.1%，「比 Moss 好多了」这话确实站得住。

Ankit Patel和studio_oneroom玩得更野，直接让它出CAD风格图和机械爆炸图，零件一颗颗拆开、悬在半空那种。

看出门道没有？这几样恰恰是生图模型常年翻车的地方。画面漂亮不难，难的是字不出错、手势不串、零件不装反。拼的不是画功，是脑子。

这个生图模型不偏科

Midjourney这类模型像艺术生，光影、质感挑不出毛病，可一遇上长文字、空间关系就犯迷糊。

Claude这类语言模型像理科生，逻辑清楚，让它写代码、画张图表也条理分明，但它本来就不做生图，画面质感跟专业视觉模型没法比。

指令遵循强、生成快、像素高，听着像鱼与熊掌不可兼得。MiniMax这回要的，是不偏科。

空口无凭。拿到内测权限后，我们没测人像写真，也没测风景壁纸，直接出了三道专挑软肋的题。

第一题：考考生图模型理解能力

有海外创作者提前拿到了MiniMax H3 Image的试用资格，上来就扔出一道高难度考题！

把巴黎埃菲尔铁塔改造成赛博朋克世界里的未来星际通信中继站，还必须用专业建筑CAD蓝图的形式呈现。

超精细矢量线条、严格对称的建筑结构、复杂剖面设计，甚至密密麻麻的工程细节，统统不能少。

结果让测试者都惊了！

这么复杂的提示词摆在面前，MiniMax H3 Image的细节表现力出人意料，指令遵循能力可见一斑。

应县木塔也扛住了，还能生成真正建设用的蓝图：

接着加码，考空间感：

画面设定为地震后废墟里四足巡检机器狗的第一视角 HUD。前景要露出机械足部的边缘透视，中景是坍塌建筑的残骸。上面再压一层三维点云测距网格，远处那根水泥梁柱障碍物四周，则要画出贴边的红色 3D 边界追踪框（Bounding Box）。界面左右两边各配一个对称的机体倾角姿态仪。

这种图十有八九会画成「科幻贴纸」——框归框、楼归楼，彼此不挨着。这张没有。红色边界框沿着透视走，紧贴远处那根倒塌梁柱的边；两侧姿态仪的刻度，也跟机器狗前倾的姿势对得上。说白了，是先在心里搭好一个三维空间，再把东西往里摆。

工业辅助设计、具身智能的合成数据，这些靠空间感、真实细节吃饭的活，有戏了。

第二题：脑子好使了，手会不会僵？

理科生最介意被人讲「画出来像工程制图」。于是第二道题直接换成纯美术：

次世代暗黑奇幻动作游戏的实机界面截图。

画面里，一名身披残破重甲的骑士立在由巨大骨骸堆成的废墟悬崖边上，远处是一轮正在崩解的黑色太阳，体积雾厚重，光追反射明显。前景是一整套游戏UI：左下角是巴洛克金属雕花围着的暗红色血球和蓝色法力槽；屏幕最下方排着五个石雕符文技能图标，都带倒计时冷却效果；右上角是一张半透明迷雾罩着的羊皮纸风格小地图。

整张图色调冷峻沉郁。

「游戏场景加整套UI」这种题，常见两种翻车方式：要么UI被化进背景里，要么UI保住了、主角崩了。

这张很稳。暗黑奇幻3D CG的质感精度很高。天空被一个巨大、压迫感十足的「黑日」占满，黑日边缘碎裂，大量黑色陨石和碎片向外漂浮散落。地面是荒芜嶙峋的灰褐色岩石与枯骨，冷灰色浓雾弥漫在深渊之上。史诗感和苍凉感都出来了。

再换手工路线。毛毡定格动画里两只穿粗毛线衣的小羊，逆光下绒毛透着亮，黏土底座上的指纹、纸板切口的毛边也都还在，细节一丰富，图片就更像真的，图像模型能用的地方也跟着变宽。

钢笔淡彩也试了。下笔的轻重、水彩沉在粗纹纸上的水痕都画出来了，没有AI图那种油腻的数码味。

第三题：一口气喂它16张图

前两题考的是单张图的本事。第三题考的是干活的人最头疼的事：一致性。

做过游戏资产、电商图、连环漫画的人都清楚，参考图一多，模型就「串味」：A的脸跑到B身上，盔甲的颜色染进背景，最后只能一遍遍抽卡。

H3 Image一次最多吃16张参考图，我们干脆喂满：8张原创3D角色的多角度面部特写和表情，4张机械义肢、动力装甲的局部结构和材质图，4张赛车维修车间的光影和色板。

然后只给一句话：「该角色身穿这套动力装甲，坐在赛车维修车间的工作台上调试机械臂，神情专注。」

出图之后，五官和发色跟本人对得上，脸还是那张脸；装甲的液压管路、关节卡扣，结构照着拆解图长的；色温和反光，也落在车间那套色板范围内。

它没把16张图硬拼在一起。更像是先分清谁是人、谁是装备、哪是环境，再按新指令把一场戏重新搭起来。三视图、服装库、道具、场景一次性丢进去，批量出分镜、出电商图，抽卡次数能少一些。对吃这碗饭的人来说，这比「再好看10%」有用得多。

三道题做下来，我的感受是：生图模型的上半场比谁画得美，下半场要比谁听得懂人话。

老外晒的那种爆炸图，我们也拿Harness试了试。只喂了一页ORB-7结构参考：正面图一张、中心剖面一张、零件清单一份，全是平面的工程语言。

要求是把这盏微型探照灯沿光轴拆成七件，顺序不能错，螺钉只能有三枚。

出来的图，七个零件从前盖到外壳一字排开，01到07的引线没有一根指错，螺钉和孔位也都是三个。

拉丝铝、玻璃、橙色硅胶、绿色电路板、黑色阳极氧化金属，质感各不相同。方形金色芯片在电路板上，散热槽在散热块外缘，这些细节原本只藏在清单小字里，也被它找了出来。右下角还按需求放了一张装好的成品小图。

它是先理解了剖面图，知道要拆解的是什么物体，然后动手拆的。

看图纸这件事，以前的生图模型很难「看」懂。

接下来，我们直接给H3 Image16张参考图，故意出成一道「连线题」：4个机器人的头、4套衣服、4件乐器，再加拱门、地板、月面、灯光各一张，要求谁配谁，一点不能乱。出来的结果，一个都没连错。

这「脑子」是哪来的

H3 Image 这套「脑子」分两步攒成。头一步落在 H3 本身——它打一开始就不是个只做视频的模型，文字、图片、视频、声音都得当成同一份上下文来读，读完再往外生成画面或视频。

正因如此，图像这门基本功在预训练阶段就练得够扎实。底子打好之后，第二步才轮到 H3 Image，MiniMax 这回把力气花在「后训练」这条链路上。

具体做法是用强化学习，让模型朝着更好的结果反复调，把生成一张图所需的步数压下来；再叠一层提示词增强（PE），用户随口说一句，它先把话补全再动笔。

收尾是部署优化，让它跑得更省、更快。

这条路 MiniMax 此前就透过口风。8 月 7 日的社区问答中，H3 团队提过要做一个生成与编辑合一的图像模型。

「源神」的账是怎么算的

H3 能被这么多人抢着改，原因在于它开得够大方。国内开发者把这类厂商称作「源神」，MiniMax 这个名号正是 H3 挣来的：开源不到一个月，下载量破 2400 万次，公开的衍生模型 300 多个。

fal 拿它做出了 H3 Max，海外开发者又用它搭起 24 小时不停播的「AI 电视台」。英伟达和 MIT 的研究者 10 月 28 日基于它开源了视频增强项目 Open-H3-Regenerate-2K，11 月 9 日还更新了一版。Pika 也发了自己的改款。

可开源之后，钱从哪来？MiniMax 的答案翻成大白话就是：小店随便用，做大了再来谈。

依照 H3 的社区许可，年收入不超过 2000 万美元、且处在协议覆盖区域内的用户，可以免费用作商业用途；超过这个门槛，或者打算在美国、欧盟、英国、韩国落地部署，则必须另外向 MiniMax 申请授权。

像 ComfyUI 背后的 Comfy 已经在代理这类授权，专业版每月 5000 美元起；英伟达研究团队走的同样是单独授权。

思路是先让全球工程师把模型跑在自己的显卡上，让信任从代码里自然积累，生意随后跟上。过去这三个月，H3 起码证明了一点：开源与赚钱并不冲突。图像方面的需求远比视频密集，游戏原画、电商图、工业设计每天都在用，把这套打法照搬过来，能打开的空间只会更大。

H3 开源公告的最后一行，是 MiniMax 那句老口号：Intelligence with Everyone。把能力锁在订阅墙后面是一种活法，把钥匙发到每个人手里是另一种。

H3 Image 的权重、API 和在 Mcode 等平台的入口都已经开了。