Xiyu Keji (MiniMax) hat das Bildmodell MiniMax H3-Image vorgestellt und die Gewichte zugleich auf Hugging Face veröffentlicht. Text-zu-Bild, Bildreferenz und Bildbearbeitung stecken in einem einzigen Modell. Laut Hersteller dauert ein 4K-Bild mit 4096×4096 Pixeln, also rund 16 Millionen Pixeln, etwa 10 Sekunden; als Eingabe sind bis zu 16 Referenzbilder möglich.
Das Modell ist auf Hugging Face und über die API der MiniMax-Entwicklerplattform verfügbar und in hauseigene Produkte wie MiniMax Code und Hailuo eingebunden. Auch die Partnerplattformen PixPix und PixTV können es bereits direkt aufrufen; wer nichts selbst betreiben möchte, kann 4K-Bilder also einfach im Browser ausprobieren.
Details aus der Model Card
Das Rückgrat von H3-Image ist ein Diffusion Transformer mit 33,1 Milliarden Parametern, 50 Schichten und 56 Attention-Köpfen; die Gewichte liegen in BF16 vor. Als Textencoder dient unverändert der Qwen3-VL-Encoder des H3-Videomodells, der DiT liest dessen Hidden States aus Schicht 50.
Die Geschwindigkeit stammt vor allem aus der Destillation: Der Checkpoint wurde auf 6 Sampling-Schritte komprimiert und kommt ohne Classifier-Free Guidance (CFG) aus. Gewöhnliche Diffusionsmodelle brauchen oft zwanzig bis dreißig Schritte, und mit CFG wird jeder Schritt doppelt berechnet; fallen beide Posten weg, sinkt die Zeit pro Bild entsprechend.
“The checkpoint is distilled to 6 sampling steps (6 NFEs) with no classifier-free guidance.”
Der Checkpoint ist auf 6 Sampling-Schritte destilliert und verwendet kein Classifier-Free Guidance.
Bei der Auflösung nennt die Model Card einen effektiven Bereich von 4 bis 20 Megapixeln, wobei die Ergebnisse um 16 Megapixel am besten ausfallen. Das Format 1:1 entspricht 4096×4096, 21:9 entspricht 6272×2688; ein zusätzliches Upscaling-Modell ist nicht nötig. Zugleich bringt der Hersteller eine Highspeed-Variante heraus: Der Standardmodus sei etwa 1,5- bis 2-mal so schnell wie gängige Tools, der Highspeed-Modus 3- bis 4-mal. Welche Tools als Vergleich dienten, wird nicht genannt.
Gemeinsam mit dem Modell wurde außerdem ein 27B-Modell zur Prompt-Erweiterung, H3-Image-PE, als Open Source veröffentlicht. Es basiert auf einem Fine-Tuning von Qwen3.8-27B, macht aus einem kurzen Wunsch eine ausführliche Bildbeschreibung und empfiehlt ein passendes Seitenverhältnis. Für die Bildbearbeitung gibt es bislang nur eine Prompt-Vorlage; das Repository vermerkt, dass dieser Teil noch in Entwicklung ist.
Vom Video zum Bild: Wie sich die H3-Reihe entwickelt hat
Ende Juli hatte MiniMax zunächst das H3-Videomodell vorgestellt und anschließend die Gewichte geöffnet; danach beschleunigte SGLang die Inferenz für H3. H3-Image teilt sich den Textencoder mit dem Videomodell, der Bild-VAE ist dagegen neu: ein CNN-Encoder mit einem 24-schichtigen 2D-ViT-Decoder, 16-fache räumliche Downsampling-Rate, jedes Token deckt 32×32 Pixel ab.
Verbindet man diese Stationen, wirkt MiniMax' Vorgehen bei multimodaler Generierung recht konsequent: erst Video, dann ein ausgekoppeltes Bildmodell, die Gewichte werden freigegeben, und die Deployment-Frameworks ziehen parallel nach. Am Tag der Veröffentlichung gab es für H3-Image gleich vier Deployment-Wege: SGLang, vLLM-Omni, Diffusers und ComfyUI. Die Gewichte stehen auf Hugging Face und ModelScope bereit.
Zur Befolgung von Anweisungen erklärt der offizielle Blog, H3-Image sei unter den Open-Source-Modellen das stärkste; die Model Card nennt dazu keine konkreten Benchmark-Werte. Bis unabhängige Tests vorliegen, gilt diese Aussage als Herstellerangabe.
Wer zuerst zugreifen dürfte
Die Obergrenze von 16 Referenzbildern ist für E-Commerce und Markendesign praktisch: Echtfotos desselben Produkts aus mehreren Winkeln, Markenfarbpaletten und Model-Posen lassen sich auf einmal einspeisen, damit das Modell das Motiv konsistent hält. In einem der vom Hersteller gezeigten Beispiele kamen 10 Referenzbilder zum Einsatz.
Kreative, die Kurzvideos produzieren, können das Modell als Vorstufe zum Video nutzen: erst mit H3-Image ein 4K-Standbild und das Charakterdesign festlegen, dann das H3-Videomodell animieren lassen. Die unendliche Leinwand von PixTV vereint Bild- und Videogenerierung auf einer Fläche, sodass sich diese Kette komplett im Browser durchlaufen lässt; für Produktbilder und Detailseiten ist der E-Commerce-Arbeitsplatz von PixPix naheliegender.
Zur Lizenz: H3-Image steht unter der MiniMax-H3-Image Community License, für bestimmte Nutzungen ist eine schriftliche Genehmigung über das offizielle Antragsformular nötig. Vor einem kommerziellen Einsatz empfiehlt es sich, Abschnitt 4 der Lizenz zu lesen.
Quellen: offizieller MiniMax-Blog, Hugging-Face-Model-Card, CocoLoop, Model Card von MiniMax-H3-Image-PE; geprüft wurden Parameterzahl, Sampling-Schritte, Auflösungsbereich und Referenzbild-Limit, die Geschwindigkeitsfaktoren beruhen auf Herstellerangaben.