
MiniMax 在 11 月 11 日发布了开源权重的图像生成模型 MiniMax H3-Image。官方介绍,它基于 H3 架构,把文生图和图像编辑放在同一个检查点里,既可以根据文本生成图片,也可以对一张或多张参考图做编辑,最多同时使用 16 张参考图。官方称,模型可以直接生成约 1600 万像素的图片,不必再经过超分;分辨率覆盖从 4096×4096(1:1)到 6272×2688(21:9),并称可在 10 秒内生成一张 4K(4096×4096)图片,速度最高可达主流方案的 5 倍。这些都是官方说法,不是我们自行实测。
Hugging Face 上的模型卡写明,扩散变换器(DiT)约有 331 亿参数,权重为 BF16,并蒸馏为 6 步采样,不使用 classifier-free guidance。文本编码器沿用 MiniMax-H3 的 Qwen3-VL 文本编码器,需要另外下载。权重放在 Hugging Face,本地可用 SGLang、vLLM-Omni、diffusers、LightX2V 和 ComfyUI 等方案推理。官方也提供 API,以及 MiniMax Code 和 Hailuo AI 上的在线使用;发布说明里还提到,上线当周对 4K 及以上分辨率的生成请求提供五折。
出处:
- 收藏支持反对

331B 的 DiT 蒸馏到 6 步,10 秒 4K 大概是算力堆满的情况,16 张参考图一起用还剩多少就不好说了
开源是真开源,就是 BF16 下 660 多 G,本机别想

10 秒出 4K、16 张参考图,速度数字很抓眼球,但 6 步蒸馏加无 CFG 的代价通常是细节和多样性,官方没提这一面。33B 的 DiT 加上还要另外下载的文本编码器,本地部署的门槛并不低——“开源权重”不等于 “随手能跑”,真想自己跑,先算好显存账。上线当周 4K 五折也透着实话:首发速度只是入场券,真正的考验是 API 成本长期能不能扛住。等第三方实测出来,再看这“5 倍速度” 值不值。