稀宇科技（MiniMax）发布图像模型 MiniMax H3-Image，同时在 Hugging Face 放出权重。文生图、图像参考和图像编辑做在同一个模型里，官方称约 10 秒能出一张 4096×4096、约 1600 万像素的 4K 图，最多支持输入 16 张参考图。
模型已经上线 Hugging Face 和 MiniMax 开放平台 API，并接入 MiniMax Code、海螺等自家产品。合作平台 PixPix 和 PixTV 也已能直接调用，不想自己部署的用户打开网页就能试 4K 出图。
模型卡里的几处细节
H3-Image 的主干是一个 33.1B 参数的扩散 Transformer，50 层、56 个注意力头，权重为 BF16。文本编码器直接沿用 H3 视频模型的 Qwen3-VL 编码器，没做改动，DiT 读取它第 50 层的隐藏状态。
速度主要来自蒸馏：检查点被压到 6 步采样，而且不用无分类器引导（CFG）。常规扩散模型出图动辄二三十步，开了 CFG 每步还要算两遍，这两项一起拿掉，单张耗时自然掉下来。
“The checkpoint is distilled to 6 sampling steps (6 NFEs) with no classifier-free guidance.” 检查点蒸馏到 6 个采样步，不使用无分类器引导。
分辨率上，模型卡给出的有效区间是 4 到 20 兆像素，16 兆像素附近效果最好。1:1 画幅对应 4096×4096，21:9 对应 6272×2688，都不需要额外的超分模型。官方同时推出 Highspeed 高速版本，称标准模式的出图速度约为主流工具的 1.5 到 2 倍，高速模式到 3 到 4 倍，对比的是哪几款工具没有列出。
随模型一起开源的还有一个 27B 的提示词扩写模型 H3-Image-PE，基于 Qwen3.8-27B 微调，作用是把一句简短需求扩成详细的画面描述，并推荐一个合适的画幅比例。图像编辑方向的扩写目前只放了提示词模板，仓库标注仍在开发中。
从视频到图像，H3 这条线怎么走过来
7 月底，MiniMax 先发布了 H3 视频模型，随后开放权重；之后 SGLang 给 H3 做了推理加速。这次的 H3-Image 和视频模型共用同一套文本编码器，图像 VAE 则是新做的：CNN 编码器配 24 层 2D ViT 解码器，16 倍空间下采样，每个 token 覆盖 32×32 像素。
把几个节点连起来看，MiniMax 在多模态生成上的打法比较一致：先出视频，再拆出图像，权重都放出来，部署框架同步适配。H3-Image 发布当天就给了 SGLang、vLLM-Omni、Diffusers 和 ComfyUI 四条部署路径，权重在 Hugging Face 和 ModelScope 同时提供。
指令遵循方面，官方博客称 H3-Image 是开源模型里最强的，模型卡没有附具体的基准分数。第三方评测出来之前，这一说法以官方口径为准。
哪些人会先用起来
16 张参考图的上限，对电商和品牌设计比较实用：同一件商品的多角度实拍、品牌色板、模特姿势可以一次喂进去，让模型保持主体一致。官方展示的案例里就用到了 10 张参考图。
做短视频的创作者可以把它当成视频的前一道工序：先用 H3-Image 定好 4K 静帧和角色造型，再交给 H3 视频模型去动。PixTV 的无限画布把图像和视频生成放在一张画布上，这条链路在网页里就能走完；偏商品图和详情页的需求，PixPix 的电商工作台更顺手。
许可方面，H3-Image 使用 MiniMax-H3-Image 社区许可协议，部分用途需要通过官方申请表拿书面授权。商用之前，建议先把协议第四节读一遍。
参考来源：MiniMax 官方博客、Hugging Face 模型卡、CocoLoop、MiniMax-H3-Image-PE 模型卡；核验参数规模、采样步数、分辨率区间与参考图上限，速度倍数以官方口径为准。