Xiyu Keji (MiniMax) ha presentado el modelo de imagen MiniMax H3-Image y ha publicado los pesos en Hugging Face al mismo tiempo. Texto a imagen, imagen de referencia y edición de imagen conviven en un único modelo; según la compañía, genera en unos 10 segundos una imagen 4K de 4096×4096, de unos 16 millones de píxeles, y admite hasta 16 imágenes de referencia como entrada.
El modelo ya está disponible en Hugging Face y en la API de la plataforma abierta de MiniMax, y se ha integrado en productos propios como MiniMax Code y Hailuo. Las plataformas asociadas PixPix y PixTV también pueden llamarlo ya de forma directa; quien no quiera desplegarlo por su cuenta puede probar la generación en 4K desde el navegador.
Algunos detalles de la ficha del modelo
La base de H3-Image es un Transformer de difusión de 33.100 millones de parámetros, con 50 capas y 56 cabezas de atención, y pesos en BF16. El codificador de texto es el mismo codificador Qwen3-VL del modelo de vídeo H3, sin modificaciones; el DiT lee el estado oculto de su capa 50.
La velocidad procede sobre todo de la destilación: el checkpoint se ha comprimido a 6 pasos de muestreo y prescinde de la guía sin clasificador (CFG). Los modelos de difusión convencionales suelen necesitar veinte o treinta pasos, y con CFG cada paso se calcula dos veces; al quitar ambas cosas, el tiempo por imagen baja de forma natural.
“The checkpoint is distilled to 6 sampling steps (6 NFEs) with no classifier-free guidance.”
El checkpoint está destilado a 6 pasos de muestreo y no usa guía sin clasificador.
En cuanto a la resolución, la ficha indica un rango efectivo de 4 a 20 megapíxeles, con mejores resultados en torno a los 16. El formato 1:1 corresponde a 4096×4096 y el 21:9 a 6272×2688, sin necesidad de un modelo de superresolución adicional. La compañía también lanza una versión Highspeed y afirma que el modo estándar es entre 1,5 y 2 veces más rápido que las herramientas habituales, y el modo de alta velocidad, entre 3 y 4 veces; no se indica con qué herramientas se compara.
Junto al modelo se ha abierto además un modelo de ampliación de prompts de 27B, H3-Image-PE, ajustado a partir de Qwen3.8-27B, que convierte una petición breve en una descripción detallada de la imagen y recomienda una proporción adecuada. Para la edición de imágenes, por ahora solo se ha publicado la plantilla de prompts; el repositorio indica que esa parte sigue en desarrollo.
Del vídeo a la imagen: el recorrido de la línea H3
A finales de julio, MiniMax lanzó primero el modelo de vídeo H3 y después abrió sus pesos; luego SGLang aceleró la inferencia de H3. H3-Image comparte con el modelo de vídeo el mismo codificador de texto, mientras que el VAE de imagen es nuevo: un codificador CNN con un decodificador 2D ViT de 24 capas, submuestreo espacial de 16 veces, de modo que cada token cubre 32×32 píxeles.
Si se unen estos hitos, la estrategia de MiniMax en generación multimodal resulta bastante coherente: primero vídeo, luego un modelo de imagen derivado, con los pesos abiertos y los marcos de despliegue adaptados a la vez. El mismo día del lanzamiento, H3-Image ya ofrecía cuatro vías de despliegue: SGLang, vLLM-Omni, Diffusers y ComfyUI, y los pesos están disponibles tanto en Hugging Face como en ModelScope.
En cuanto al seguimiento de instrucciones, el blog oficial sostiene que H3-Image es el más potente entre los modelos de código abierto, pero la ficha del modelo no incluye puntuaciones concretas de benchmarks. Hasta que haya evaluaciones de terceros, esta afirmación debe tomarse como la postura oficial de la compañía.
Quiénes lo usarán primero
El límite de 16 imágenes de referencia resulta práctico para el comercio electrónico y el diseño de marca: fotos reales de un mismo producto desde varios ángulos, paletas de color de la marca y poses de modelos pueden introducirse de una vez para que el modelo mantenga la coherencia del sujeto. Uno de los casos mostrados por la compañía utilizó 10 imágenes de referencia.
Los creadores de vídeo corto pueden usarlo como paso previo al vídeo: primero fijar con H3-Image el fotograma estático en 4K y el aspecto de los personajes, y luego pasárselo al modelo de vídeo H3 para animarlo. El lienzo infinito de PixTV reúne la generación de imagen y de vídeo en un mismo lienzo, de modo que todo el flujo puede completarse en el navegador; para fotos de producto y páginas de detalle, el espacio de trabajo de comercio electrónico de PixPix resulta más cómodo.
En cuanto a la licencia, H3-Image utiliza el Acuerdo de licencia comunitaria MiniMax-H3-Image, y algunos usos requieren una autorización por escrito que se solicita mediante un formulario oficial. Antes de un uso comercial, conviene leer la sección 4 del acuerdo.
Fuentes: blog oficial de MiniMax, ficha del modelo en Hugging Face, CocoLoop, ficha de MiniMax-H3-Image-PE; se contrastaron el número de parámetros, los pasos de muestreo, el rango de resolución y el límite de imágenes de referencia, y los múltiplos de velocidad siguen las cifras de la compañía.