Los pesos de MiniMax H3-Image ya se han publicado, pero para quien quiera ejecutarlo en su propia máquina el primer obstáculo es el tamaño de la descarga. Según los archivos que figuran en la ficha del modelo en Hugging Face, el backbone de difusión DiT pesa unos 68,65 GB, el codificador de texto unos 66,7 GB y el VAE de imagen 2,34 GB. Los tres suman unos 138 GB, sin contar el modelo opcional de ampliación de prompts.
El codificador de texto no está en el repositorio de H3-Image y hay que descargarlo aparte desde el repositorio del modelo de vídeo H3. Los equipos que ya han desplegado el modelo de vídeo H3 pueden reutilizar esta parte y ahorrarse aproximadamente la mitad de la descarga.
Qué hardware puede ejecutarlo
La ficha del modelo no indica un mínimo de VRAM; solo enumera las plataformas en las que se ha validado el framework de inferencia: NVIDIA H200, RTX PRO 6000 Blackwell y AMD Instinct MI350X. Se admite la ejecución en una sola tarjeta, o con paralelismo de secuencia en 4 tarjetas para reducir la latencia.
La memoria de estas tarjetas es de 141 GB en la H200, 96 GB en la RTX PRO 6000 y 288 GB en la MI350X. Solo los pesos en BF16 ya superan los 100 GB, así que en una única tarjeta lo más probable es que haya que cargar por fases o trasladar el codificador de texto a otro sitio; la configuración concreta debe seguir las recetas de despliegue oficiales con vLLM-Omni y SGLang. Las tarjetas de consumo, incluidos los modelos de 24 GB y 32 GB, quedan por ahora fuera del soporte oficial.
El modelo opcional de ampliación de prompts, H3-Image-PE, tiene un listón mucho más bajo. Es un ajuste fino de Qwen3.8-27B y se publica con pesos cuantizados en NVFP4 de unos 17,9 GB; ejecutado en local con Diffusers necesita unos 19 GiB de VRAM, de modo que cabe en una tarjeta de 24 GB. Su función es convertir una petición de una frase en una descripción completa de la escena y recomendar la proporción del encuadre. Puede desplegarse por separado y pasar el resultado a H3-Image en la nube para que dibuje.
Cómo lo consiguen los desarrolladores en China
Los pesos están disponibles a la vez en Hugging Face y en ModelScope; en China, descargar directamente de ModelScope resulta mucho más fluido. Para el despliegue hay cuatro vías: SGLang, vLLM-Omni, Diffusers y ComfyUI. Los diseñadores acostumbrados a flujos por nodos lo tendrán más fácil cuando el paquete de nodos de ComfyUI se estabilice; los equipos que montan servicios probablemente elijan SGLang o vLLM-Omni.
La licencia es el Acuerdo de Licencia Comunitaria de MiniMax-H3-Image, que también se aplica al modelo PE. Los usos que recoge la sección 4 del acuerdo requieren una autorización por escrito solicitada mediante un formulario oficial, así que antes de comercializar conviene comprobar en qué categoría se encuadra cada caso. La ficha del modelo no menciona restricciones regionales por separado. Un análisis de terceros señaló antes que la licencia comunitaria del modelo de vídeo H3 excluye algunos países y regiones; si el acuerdo de H3-Image mantiene ese criterio, hay que contrastarlo cláusula por cláusula antes de descargar.
Opciones si no tienes tarjeta gráfica
Para la mayoría de los creadores individuales y equipos pequeños, desplegar por cuenta propia un modelo de 138 GB no compensa. Los canales oficiales son la API de la plataforma abierta de MiniMax, Hailuo y MiniMax Agent; quien no quiera integrar una API puede usarlo directamente en plataformas asociadas.
PixPix se centra en el comercio electrónico y las imágenes de producto: los juegos de fotos de producto, las páginas de detalle y las fotos con modelos tienen accesos ya preparados, y eligiendo H3-Image se obtiene 4K. PixTV es un lienzo infinito en el que se pueden invocar modelos de imagen, vídeo y audio, adecuado para flujos en los que H3-Image fija el fotograma estático y luego un modelo de vídeo lo convierte en la pieza final. Ambos se pagan por uso y no requieren preparar ningún hardware.
La frontera entre montarlo uno mismo y usarlo como servicio se puede trazar más o menos así: si se generan unos cientos de imágenes al día como máximo y no hay una exigencia estricta de que los datos no salgan del equipo, basta la web o la API; con volúmenes altos, necesidad de modificar el modelo o requisitos de despliegue privado, entonces sí conviene plantearse comprar tarjetas y desplegar.
Fuentes: ficha del modelo en Hugging Face, CocoLoop, ficha de MiniMax-H3-Image-PE, blog oficial de MiniMax; se contrastaron el tamaño de los archivos de cada componente, las plataformas de hardware compatibles, los frameworks de despliegue y el nombre del acuerdo de licencia.