MiniMax开源H3 Image：4K出图约10秒，支持16张参考图输入

内容编辑丨特工小海 特工小饼

内容审核丨特工少女

这半年，国内开源的大语言模型能力越来越趋同，价格一路往下走，水平也越做越强。

但文本模型带来的新鲜感正在退潮。图像、视频、3D 这些多模态方向上，想找一个理解力强、成本不高、速度还快的模型，可选项并不多，能期待的空间还很大。

MiniMax 今年把 H3 开源之后，视频这块的生态明显热闹起来：有团队基于 H3 改出了一分钟级别的视频模型，有人做出 24 小时连续直播的方案，甚至还有人把模型跑在了个人消费级电脑上。

图像和 3D 领域则还在等一个突破口——一直缺一个真正够强、同时又开源的 SOTA 模型。

11 月 10 日，MiniMax 官宣发布并直接开源了 SOTA 级别的图像模型：H3 Image。

发布之前我们提前拿到了内测权限，花两天时间认真测了一轮。有些地方，这个模型确实超出了我们对「图片生成模型」的预期。

来，看 H3 Image 的疯狂表演。

H3 Image 一手实测

H3 Image 发布当天就开放了权重，也支持 API 接入。

想直接体验，可以去海螺 AI 平台，4K 分辨率的图大约 10 秒就能出。也可以在 MiniMax Code 等 Agent 脚手架里通过 API 调用，这种用法下模型对指令的遵循会更精准，适合需要复杂控制的场景。

参考图最多能输入 16 张，分辨率覆盖 1K、2K、4K。

16 张参考图意味着什么？意味着你可以把一整套视觉参考体系喂给模型，从色彩、构图到细节风格，让它在一个非常明确的视觉框架里干活。

下面直接进入实测环节:

游戏空间概念图

游戏概念设计对图片模型的要求很综合：审美要在线，空间逻辑要正确，还得有足够的想象力。我让它生成一个云海环境场景，要求有光影、布局和人物活动。

要出的是一张电影级游戏环境概念图，16:9 横构图，主题定为“云海之上的最后一座茶驿”。场景只保留三座悬浮岛：中间的主岛上盖着一栋深色木构茶馆，左边那座种了一棵红枫，右边那座装了飞艇停靠台。中央岛和左右两岛各由一座窄木桥相连，桥两头都得踏踏实实落在岛面上，不能有断口，也不能多出别的桥。左桥上安排一位背着竹篓的旅人往茶馆走，飞艇则泊在右岛外侧，别挡住茶馆。视角取略高于建筑的¾角度，让三座岛的布局一眼能看明白。清晨的金色侧逆光从冷青色云海里斜穿过来，湿木头、铜屋檐和薄雾的质感要做得可信。视线落点是中央茶馆，远处保持简洁，画面下方给云海留出空白。文字、界面、水印都不要加。

整体效果很精致：空间的纵深感处理得很细，光影尤其出彩，光源投射方向一致，左边亮、右边是阴影，氛围感也到位。

我又测了几个场景，H3 Image 能做出非常极致的效果和惊人的清晰度，图像放大之后细节依然清晰可见:

海外博主的测评里，GTA 风格的场景生成和 3D 游戏场景同样表现突出，这是 H3 Image 比较擅长的长板。

人物形象

人物一直是 AI 图片生成的重灾区：五官变形、表情僵硬，几乎每个模型都有类似的毛病。

我测了几组不同风格的人物图，包括人物肖像、CG 角色和漫画风格，H3 Image 的效果都很不错:

H3 Image 生成的写实人像，光影层次细腻，人物主体清晰突出，构图也很讲究，整体很有专业人像摄影的质感。

不光是构图，同一个人的表情它也能抓得很准：

生活感十足的照片里再套一张小图的玩法，它同样拿手：

轮到虚拟人物和动漫角色，模型自带的艺术审美就显出来了：

鞋类产品广告图

下面换个商业场景试试。

我写了一段 prompt，让它出一张运动鞋的设计原型，光影方向、背景材质、品牌调性都做了指定。

概念碳板跑鞋的工业设计展示板，采用横向3:2画幅，底色为浅灰。整只右脚跑鞋的六层垂直爆炸图放在画面左侧，占约三分之二的面积；右侧则摆这只鞋组装完成后的侧视图。这双概念鞋的结构是定死的：从最上面往下数，依次是1针织鞋面、2薄鞋垫、3上层白色泡棉中底、4黑色碳板、5下层白色泡棉中底、6深灰橡胶外底。6个部件全部沿同一条竖直装配轴分开，鞋头一致朝向画面左边，各层的长度、弧度和接合轮廓彼此对得上，不做旋转，也不绕圈散开。每一层旁边只标注与之对应的数字1至6。鞋面是奶白色，外侧仅有一道橙红色斜纹；右侧那只整鞋得保持同一条斜纹，鞋底轮廓和配色也要一致。打摄影棚柔光，让针织、泡棉、碳纤维和橡胶的材质差异看得清楚，既有专业结构表达，也带高端运动品牌广告的质感。

鞋的结构和材质在画面里都交代得明明白白，光影自然，鞋面纹理放大到局部照样清楚。商业场景看重的正是这些：既得真实，又得还原具体的设计要求——这就考验模型对指令的遵循能力——细节还要经得起放大。

几项能力凑到一起，模型进入电商和品牌方实际工作流的机会就大了不少。

拿新品概念探索和广告创意阶段来说，先快速出几版不同材质、配色、构图的方案，把方向聊明白，再走正式设计和拍摄，前期沟通和反复试错的成本能省下不少。

手绘风格图

先挑最吃美学功底的手绘风格。我让它画一张钢笔手绘的城市街景。

画一张竖向4:5的钢笔淡彩建筑剖面插画，题目叫“雨后旧书店”。主体是一栋两层、面宽很窄的老房子，用三分之四轴测视角，把临街立面拆掉一部分，好让外墙和两层室内同时露出来。一层开书店，有入口、收银台和沿墙的书架；二层是阅读室，只摆一张长桌和四把椅子。两层之间靠建筑右侧一部连续楼梯连通，楼梯上下两端各自接到两层地板，不从书架中穿过。门外雨棚底下，只蜷着一只睡觉的橘猫。用细而带变化的黑色钢笔线描画砖缝、木窗和书脊，透明水彩画雨后的灰蓝街道和室内暖黄灯光。冷压水彩纸的纹理、自然水痕和适度留白都要留着，别把画面涂满。摄影质感、塑料材质、文字标签和尺寸标注一概不出现。

成品的晕染边界过渡自然，看不出生硬的色块，连画纸的质感都带了出来，乍看跟拍的照片似的：

这个风格恰恰是不少图片模型的软肋，毕竟这类美感很难用语言描述。H3 Image 在这儿的发挥，能看出训练时在美学数据上是下了功夫的。

测到这里，H3 Image 的审美已经有点炸了。

可这还没完，接下来的测试才让我真正意识到这个模型不一样在哪：

上传 16 张图

说到演唱会，国内足够震撼的少不了火星演唱会：2024 年

可惜我当时不在现场，能不能用 AI 复刻一下？

我想到的办法是，先给 AI 一片空地，再把对应舞台的组件一个一个生成出来：

接着交给它组合，就有了这样一张图：

3D 三视图

我先用 H3 Image 渲染出一张 3D 物体图，再让它把正视图、侧视图和后视图画进同一张画面。

难点在于，模型得从一个视角的信息推断出其他视角的形态，比例和结构还得保持一致，这要求很强的空间推理能力。短剧、设计这些行业很吃这一套，为了确认人物一致，常常需要这样的三视图。

三视图这块，H3 Image 交出的结果里，不同视角间的比例关系大体对得上，细节也能一一对应。

接着是定格动画的玩法。有人围绕最近很火的《后会友期》编了个友情故事，在 Codex 里接上 H3 Image 的 api，让模型保持角色一致，再生成不同场景的 2K 图，拿这些图拼成一段静态定格动画。

Harness 环境下的成片效果如下。从结果看，面对复杂提示词，H3 Image 的指令遵循依然很高：角色的长相、服装、发型和面部特征高度统一，变的只有表情和姿态。

对漫画作者和绘本作者来说，这个能力价值不小。连续创作场景里，角色一致性一直是 AI 图片生成绕不过去的坎。

更关键的一点，H3 Image 是开源的。开发者能围绕它做适配和优化，借 API 或工具封装接进不同的 Agent 和 Harness 平台。像这次在 Codex 里做故事短片，图像生成就能嵌进现有工作流，写内容、做方案、画分镜时随手就能调用。

还有数学题解答步骤的可视化。有人给 H3 Image 出了一道数学几何题，故意不给图形参考来加难度，看它能不能把解题步骤画出来。

题目是：已知三角形ABC中，E在AC上，F在BC上，角C=90度，AC=BC，AD=DB，AE=CF，证明：DE=DF。要求画出这个三角形和证明过程。

结果它把辅助线作对了，证明也完成得干净利落，文字清晰准确。

海外博主那边还有更有意思的案例。在他们做的测评里，一些案例挺新鲜。

工业设计类的图，大部分模型生成效果都一般。博主 celestial 认为 H3 Image 在 CAD、3D 和游戏场景上表现很强。她让它生成 3D 游戏的图纸，结果相当惊艳，堪比端游截图。

另有人试了让它生成非常小的字体，效果也很棒，看上去跟真实照片差不多。

开源、智商、审美和速度，同时拥有

以往评价图片模型，基本是沿着一条审美轴线打分。GPT 的美学表现力强，可一旦要它处理逻辑复杂的信息呈现，就力不从心；反过来，Claude 等文本模型在 3D 可视化场景里逻辑处理能力不错，生成的图在视觉审美上却往往不够极致。

说到底，我们看到的不少好看效果是这么来的：擅长测评、有专业 know how 的博主花上几个小时精心打磨一版。时间和成本高得夸张，商业化落地根本无从谈起，更多是一种炫技。

这次难得的是速度，H3-Image 跑在前面，10s 就能生成 4K 高规格图像，速度可达市面主流水平的 5 倍。

在同一个模型里把这几种能力同时看到，H3 Image 算是头一回。

它能画出审美在线的手绘、水彩、CG 和广告图，也能读懂麻将牌型、空间关系和心理学模型的逻辑，再把这些逻辑准确可视化出来。

两种能力叠在一起带来的体验提升，可能比单独提升任何一项都大。真实使用场景里，用户几乎不会只要「好看」或者只要「准确」，他们要的是「又好看又准确」。

产品经理画流程图，逻辑得站得住，拿出去也得体面；游戏设计师出概念图，想象力要够，空间结构也不能乱；老师做教学示意图，知识点得准，学生还得愿意看。

价格这块，一张2K图只要一毛多，基本等于白送。

看H3 Image在这些场景里的表现，Minimax像是又踩中了一个此前没有模型真正占住的位置。

说白了，这次Minimax又开源了一个性能怪物。

开源的SOTA图片模型，会怎样改变整个生态？

H3 Image一出，整个开源圈可能又要经历一轮天翻地覆的变化。

回看MiniMax今年做的事，线索很清晰：

H3视频模型一开源，生态的响应比不少人预想的快得多：上线一个月，下载次数突破2400万，公开的衍生模型冒出300多个。英伟达拿H3做了4K视频重生成方案，Pika用它做后训练优化，fal则把H3用于推理加速。

一个SOTA级别的开源模型，在很短的时间里，直接变成了整个视频生成行业的公共基础设施。

基础设施铺好之后，受益的是一线创作者和Builder。大量创业者借H3搭起视频制作平台，也有Builder靠H3实实在在赚到了钱、跑通了变现。

作为第一个达到SOTA水平的开源图像模型，H3 Image大概率会复现类似的生态效应。

开源到底意味着什么？全球的开发者和团队都能针对这个模型做优化和改造。推理加速是一条路，让出图更快；风格微调是另一条，让模型在特定美学方向上做到更极致；还有工程适配，让模型能跑在更轻量的硬件上。

视频模型这边，已经出现了能在个人消费级电脑上跑的H3衍生版本。图像模型的计算量比视频小得多，靠工程优化塞进笔记本电脑的可能性只会更大。

当一个SOTA级别的图像模型的使用成本被压到接近零，很多行业的成本结构会发生变化。

游戏行业吃到的好处最直接。概念设计、场景原画、角色立绘、UI界面，这些环节眼下都要堆大量美术人力。一个足够强的开源图像模型，能把前期探索阶段的成本压下去一大截，设计师的精力就可以放在最终的创意决策上。

教育领域往后大概也会走出类似的曲线：图像生成成本低到每个老师都能随手用时，课堂的视觉化程度会明显上一个台阶。数学老师能即时生成几何推导的步骤图，物理老师能生成力学分析的示意图，历史老师能生成历史场景的还原图。这些事今天要靠专门做课件才能实现，将来或许一句话就够了。

从H3视频模型到H3 Image，MiniMax用开源的方式，把多模态生成的关键拼图一块块补上。文本模型的竞争已经进入存量博弈，图像、视频、3D这些领域还有大量增量空间没被开发。

一个够强的开源模型问世，往往不只是发了一款产品，更像是给整个生态发了张入场券。H3视频模型发布后发生的事，大概率会在图像领域再演一遍。这张入场券最后能催生什么应用和玩法，眼下谁也说不准。

但有一点可以确定：当SOTA级别的能力变成开源的公共资源，创造力的瓶颈就不再是技术，而是想象力。

H3 Image目前能在海螺AI官网直接体验，也可以走API接进自己的工作流。做设计、做游戏、做内容创作，或者只是对AI图像生成感兴趣，都建议马上上手试试。

至于下一个3D SOTA开源模型会不会也是来自Minimax？我已经整个期待住了。

- 完 -