MiniMax 11 月 10 日发布图像生成与编辑模型 MiniMax H3-Image，并在 Hugging Face 公开权重。它用一个模型同时做文生图和多图参考编辑，原生输出约 1600 万像素（1:1 为 4096×4096），不需要额外超分；官方称 4K 图约 10 秒出图，最多可输入 16 张参考图。模型已上线 MiniMax 开放平台 API、MiniMax Code 和海螺 AI，11 月 17 日前 1660 万像素以上的生成享 5 折。
核心要点速览
- ✓规格：原生约 16MP 输出，1:1 为 4096×4096、21:9 为 6272×2688，有效范围约 4–20MP；一次最多 16 张参考图（Hugging Face 模型卡）
- ✓架构：33.1B 参数单流稠密 DiT（50 层），去掉音频分支的 H3 架构，文本编码器直接沿用 MiniMax-H3（Qwen3-VL）；蒸馏到 6 步采样、不用 CFG
- ✓价格：标准版每百万 token 输入文本 2.30 美元、输出图像 3.80 美元，官方示例 4K 文生图约 0.069 美元/张，促销期 0.034 美元（定价页）
- ✓部署：DiT 权重 BF16 共 68.65GB，文本编码器另需约 66.7GB；官方推荐 SGLang、vLLM-Omni、diffusers、ComfyUI
- ✓许可：采用 MiniMax-H3-Image Community License，并非 Apache/MIT，部分情形需按许可证第四节另行申请书面授权
开发者 3 秒速决决策指标
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
现在主流图像模型大多输出 100 万到 400 万像素，要做印刷、海报或大屏素材，往往还得再接一个超分模型，既慢又会丢细节。开源模型在指令遵循和多图参考编辑上也普遍落后于闭源产品。11 月 10 日，MiniMax 发布 H3-Image，并同步在 Hugging Face 和 GitHub 公开权重。此前社区已有 Pruna 基于 H3 视频模型改造的 P-H3-Image，这次是 MiniMax 官方版本。
架构亮点与底层机制
H3-Image 沿用 H3-Base 设计并去掉音频分支：文本和参考图经 MiniMax-H3 的 Qwen3-VL 文本编码器编码，参考图同时经过图像 VAE，所有 token 拼成一个序列送入单流 Transformer。扩散 Transformer 为 33.1B 参数、50 层稠密结构，VAE 做 16 倍空间下采样，每个 token 对应 32×32 像素，因此能直接生成 16MP 大图。模型蒸馏到 6 步采样且不需要 CFG，这是 4K 出图能快起来的关键。文生图和编辑放在同一个检查点里。
权威 Benchmark 与实测跑分对比
MiniMax 称 4K 图约 10 秒生成，并称其指令遵循能力是开源模型中最强的，但模型卡没有给出具体测评分数，量化跑分官方未公布，也暂无第三方独立测评。速度数据为官方托管服务口径，本地 GPU 上的实际耗时会因硬件不同而变化，官方 vLLM-Omni 指南列出了 H200、RTX PRO 6000 Blackwell、AMD MI350X 等硬件的部署配置。
开发者实战落地与开箱指南
最省事的方式是调用 MiniMax 开放平台：文生图走 /v1/images/generations，编辑走 /v1/images/edits，兼容 OpenAI SDK，还有更快的 MiniMax-H3-Image-Highspeed 版本。按定价页示例，4K 文生图约 0.069 美元一张，11 月 17 日前 1660 万像素以上打 5 折。想本地部署，需要准备 DiT 约 68.65GB 加文本编码器约 66.7GB 的权重，可用 SGLang 或 vLLM-Omni 单卡起服务，多卡可用序列并行降低延迟。商用前务必看清社区许可证条款。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察