Die Gewichte von MiniMax H3-Image sind veröffentlicht, doch wer das Modell auf dem eigenen Rechner starten will, stößt zuerst auf die Download-Größe. Laut den auf der Hugging-Face-Modellkarte aufgeführten Dateien wiegt das Diffusions-Backbone (DiT) rund 68,65 GB, der Text-Encoder etwa 66,7 GB und der Bild-VAE 2,34 GB. Zusammen ergibt das etwa 138 GB, das optionale Modell zur Prompt-Erweiterung nicht mitgerechnet.
Der Text-Encoder liegt nicht im H3-Image-Repository, sondern muss separat aus dem Repository des H3-Videomodells geladen werden. Teams, die das H3-Videomodell bereits betreiben, können diesen Teil wiederverwenden und sparen so rund die Hälfte des Downloads.
Welche Hardware reicht
Eine VRAM-Untergrenze nennt die Modellkarte nicht, sie führt nur die Plattformen auf, auf denen das Inferenz-Framework verifiziert wurde: NVIDIA H200, RTX PRO 6000 Blackwell und AMD Instinct MI350X. Unterstützt wird der Betrieb auf einer einzelnen Karte oder mit Sequenzparallelität auf vier Karten, um die Latenz zu senken.
Die Karten bringen jeweils 141 GB (H200), 96 GB (RTX PRO 6000) und 288 GB (MI350X) Speicher mit. Allein die BF16-Gewichte übersteigen 100 GB; auf einer einzelnen Karte dürfte man deshalb wohl stufenweise laden oder den Text-Encoder auslagern müssen. Maßgeblich sind die offiziellen Deployment-Rezepte für vLLM-Omni und SGLang. Consumer-Grafikkarten, auch Modelle mit 24 GB und 32 GB, gehören derzeit nicht zum offiziell unterstützten Bereich.
Deutlich niedriger liegt die Hürde beim optionalen Prompt-Erweiterungsmodell H3-Image-PE. Es ist ein Fine-Tuning von Qwen3.8-27B und wird als NVFP4-quantisierte Gewichtsdatei von etwa 17,9 GB ausgeliefert. Lokal mit Diffusers braucht es rund 19 GiB VRAM, passt also auf eine 24-GB-Karte. Es verwandelt eine knappe Anforderung in eine vollständige Bildbeschreibung und empfiehlt ein Seitenverhältnis. Man kann es separat betreiben und das Ergebnis an ein in der Cloud laufendes H3-Image zum Zeichnen übergeben.
Wie Entwickler in China an die Gewichte kommen
Die Gewichte gibt es parallel auf Hugging Face und ModelScope; wer in China sitzt, lädt direkt von ModelScope deutlich flüssiger. Für das Deployment stehen vier Wege offen: SGLang, vLLM-Omni, Diffusers und ComfyUI. Designer, die knotenbasierte Workflows gewohnt sind, steigen am schnellsten ein, sobald das ComfyUI-Knotenpaket stabil ist; Teams, die einen Dienst aufbauen, greifen eher zu SGLang oder vLLM-Omni.
Als Lizenz gilt die MiniMax-H3-Image Community License Agreement, die ebenso für das PE-Modell greift. Für die in Abschnitt 4 der Vereinbarung genannten Verwendungen ist über ein offizielles Formular eine schriftliche Genehmigung zu beantragen; vor einem kommerziellen Einsatz sollte man daher klären, in welche Kategorie man fällt. Regionale Einschränkungen nennt die Modellkarte nicht eigens. Eine Drittanalyse wies zuvor darauf hin, dass die Community-Lizenz des H3-Videomodells einige Länder und Regionen ausschließt; ob die Vereinbarung von H3-Image das übernimmt, sollte man vor dem Download Klausel für Klausel prüfen.
Optionen ohne Grafikkarte
Für die meisten Einzelkreativen und kleinen Teams lohnt es sich nicht, ein 138-GB-Modell selbst aufzusetzen. Offizielle Kanäle sind die API der MiniMax Open Platform, Hailuo und MiniMax Agent; wer keine API anbinden möchte, kann das Modell direkt auf Partnerplattformen nutzen.
PixPix konzentriert sich auf E-Commerce und Produktbilder; Produktbildserien, Detailseiten und Model-Fotos haben fertige Einstiegspunkte, und mit H3-Image entstehen dort 4K-Bilder. PixTV ist eine unendliche Leinwand, auf der sich Bild-, Video- und Audiomodelle aufrufen lassen, passend für Abläufe, bei denen man mit H3-Image das Standbild festlegt und es dann einem Videomodell zum fertigen Clip übergibt. Beide rechnen pro Nutzung ab, Hardware ist nicht nötig.
Die Grenze zwischen Selbstbetrieb und Nutzung als Dienst lässt sich grob so ziehen: Wer pro Tag höchstens einige hundert Bilder erzeugt und keine harte Anforderung hat, dass Daten lokal bleiben, nutzt Web oder API; bei großen Mengen, Modellanpassungen oder privaten Betriebsanforderungen lohnt es sich, über eigene Karten nachzudenken.
Quellen: Hugging-Face-Modellkarte, CocoLoop, Modellkarte von MiniMax-H3-Image-PE, offizieller MiniMax-Blog; geprüft wurden Dateigrößen der Komponenten, unterstützte Hardwareplattformen, Deployment-Frameworks und der Name der Lizenzvereinbarung.