BLOG / 2026.11.11
把 4K 图像生成带进「10 秒时代」——这是 MiniMax 官方博客 11 月 11 日这篇发布的标题。同一天,MiniMax-H3-Image 开放权重,是 H3 家族里专做图像生成和编辑的一档。
它和前几天的 H3 视频模型、把视频再生成到 4K 的 Open-H3 IC 是两回事。
博客把卖点写成速度、画质和提示词跟随三件事同时成立,并称提示词跟随在开放权重模型里领先。这是官方自述,后面要拿同页的延迟图来对照。
小互当天也发了解读。下文数字和样张都来自官方博客、Hugging Face 模型卡和 API 文档;本站没有调用接口,也没有在本地计时。
官方博客正文写:H3-Image 能在 10 秒内生成一张 4K(4096×4096)图像。同页刊载的用户提供对比图,则把文生图 4K 的 P50 列为 Standard 16.0 秒、Highspeed 10.3 秒。
今天放出的是图像模型,权重可以直接下
模型卡把能力收成一句:同一套检查点既做文生图,也做一张或多张参考图的编辑。博客同样写明支持 text-to-image、reference-based generation 和 image editing。
API 文档把编辑接口写成 prompt 加 1 到 16 张参考图。高速档只需把 model 设为 MiniMax-H3-Image-Highspeed,参数和限制与标准档相同。
扩散主干沿用 H3 架构,但去掉了音频层,文本编码器原样沿用 MiniMax-H3 的 Qwen3-VL 文本编码器。检查点蒸馏到 6 个采样步(6 NFEs),不用 classifier-free guidance。6 步是采样计算步数,不能换算成 6 秒。
模型卡给的规模是:扩散 Transformer 为 331 亿参数的稠密单流结构,共 50 层;图像 VAE 做 16 倍空间下采样,再按 2×2 切块,每个图像 token 覆盖 32×32 像素。按这个比例算,一张 4096×4096 的图约对应 16,384 个图像 token。
提示词扩写被单独拿了出来。MiniMax API 会先用 H3-Image-Context-IR,把任意语言的短提示扩成详细的英文全图描述;本地可用仓库里的 MiniMax-H3-Image-PE。
模型卡强调,H3-Image 期望收到的是对整张画面的详细英文描述,短提示要先过这道扩写。
所谓 4K,指的是大约 1600 万像素的画布
模型卡给的常用尺寸:1:1 为 4096×4096,16:9 为 5472×3072,21:9 为 6272×2688,都在大约 1600 万像素一档,由模型直接生成,不接放大模型。
API 文档把 4K 面积档定义为 4096×4096 的像素面积,也允许自定义宽高,面积须在 655,360 到 20,000,000 像素之间。

参考图编辑是另一条硬能力,官方上限是 16 张。模型卡的多参考示例里,先给空房间和一组家具参考,再生成把这些家具放进同一空间的客厅。这是官方样张,不是本站改图。

「10 秒内」和同页对比图不是同一个数
博客正文还有「最高可达主流方案 5 倍速度」、Standard 1.5 到 2 倍、Highspeed 3 到 4 倍等表述,这段文字没有写测试硬件。
更值得并排看的,是同一页刊载的 Model Latency Comparison Across Resolutions 对比图。

图中单位是 P50(中位延迟),以秒计,越低越快。文生图、4K(16MP,4096×4096)这一组里,H3-Image Standard 是 16.0 秒,Highspeed 是 10.3 秒。
图下注明:H3 用的是第二轮基准表的 P50,其他模型保留原数据。官方博客正文的「10 秒内」与这张对比图给出的「Standard 4K P50 为 16.0 秒」是两个来源口径;最接近 10 秒的 Highspeed 也为 10.3 秒。
图里 4K 文生图这一组只有一家对照:Nano Banana 2.1 的 thinking medium 和 high 两档,分别是 50.0 秒和 51.0 秒;GPT-image 和 Seedream 在 4K 组没有柱子。
按这张用户提供的对比图,Standard 的 16.0 秒约为图中两档 Nano Banana 2.1 对照的三分之一。这个比较只说明图表列出的数值关系;图下注明的来源与第二轮 P50 口径,不等于 MiniMax 对整张图做了独立测试背书。
同一张图的编辑任务:4K、1 张参考图时,Standard 18.2 秒、Highspeed 12.5 秒;4K、3 张参考图时,分别是 21.4 秒和 14.4 秒。2K 文生图则是 10.5 秒和 7.6 秒。
再往下看 1K:Standard 10.6 秒,Highspeed 7.7 秒,和 2K 几乎持平。也就是说,Standard 在 1K、2K 都停在 10 秒出头,画布放大到约 1600 万像素后,中位延迟才多出大约 5.5 秒。
上述延迟数字来自官方博客刊载、但注明为用户提供的对比图,不是本站实测;本站也不采用没给硬件条件的二手「10 到 20 秒」说法。
价格和试用窗口,以官方表的注释为准
博客写,定价约为可比产品的 50% 到 70%,上线周对 4K 及以上请求打五折。
定价表示例里,文生图 4K Standard 现价示例每张 0.03439 美元,划线价 0.06879 美元;Highspeed 现价示例 0.06501 美元。
表下注释更关键:这些是示例任务成本,不是固定单价,实际按 token 计费。4K 优惠只适用于不少于 16,600,000 像素的图像,截止 11 月 17 日 16:00 UTC(北京时间 11 月 18 日 00:00),不含该时刻。
API 文档还写了调用边界:提示词最长 32,000 个字符;关闭提示词增强时,大约只有前 4,096 个 token 生效。单次可出 1 到 10 张,默认 1 张;输出为 jpeg(默认)、png 或 webp。
文档明确不支持预览图、蒙版编辑和透明背景。面积档可选 1K、2K、4K,默认 4K;也可以直接指定 WIDTHxHEIGHT,但两种方式同时用会返回 400。
使用渠道是 MiniMax API Platform、MiniMax Code 和 Hailuo AI。
权重在 Hugging Face 的 MiniMaxAI/MiniMax-H3-Image,文档提到可在 SGLang、vLLM、diffusers 和 ComfyUI 上部署,使用需遵守 MiniMax-H3-Image 社区许可协议;许可第四节所述的单独书面授权,要另走官方申请表。
官方样张能说明题材,不能代替自己的验收
模型卡放了写实照片、插画和多参考编辑等官方结果,比如黄昏天台上晾床单、人物侧影持杯,以及浅水里的火烈鸟。模型卡还单列了「带推理的文字渲染」:中英文逻辑谜题,答案直接写在画面里。
它们能说明官方想展示的题材范围,但代替不了在自己的提示词、分辨率和参考图组合下验收。样张经过缩小转载,也看不出原图 100% 放大后的文字和材质细节。
模型卡还写,有效工作区间大约在 400 万到 2,000 万像素,通常在 1,600 万像素附近效果最好。这是官方对自家模型的说明,不是本站验证过的最佳分辨率。
A nossa opinião:今天真正新的,是开放权重,以及同一套模型直接出大约 1600 万像素、最多吃 16 张参考图。官方博客的「10 秒内」是发布主张;同页用户提供对比图中的 Standard 4K P50 为 16.0 秒,读者应区分来源与测试口径。
Links de referência
- MiniMax Research:MiniMax H3-Image 官方博客
- Hugging Face:MiniMax-H3-Image 模型卡
- MiniMax API:Image Generation Guide
- 小互:MiniMax 开源 H3-Image:原生 4K 出图,最多用 16 张参考图改图


评论列表 (0条):
加载更多评论 Carregando...