Les poids de MiniMax H3-Image sont publiés, mais pour qui veut les faire tourner sur sa propre machine, le premier obstacle est le volume à télécharger. D'après les fichiers listés dans la fiche du modèle sur Hugging Face, le backbone de diffusion DiT pèse environ 68,65 Go, l'encodeur de texte environ 66,7 Go et le VAE d'image 2,34 Go. Les trois éléments totalisent environ 138 Go, sans compter le modèle optionnel d'enrichissement de prompts.
L'encodeur de texte ne se trouve pas dans le dépôt de H3-Image : il faut le télécharger séparément depuis le dépôt du modèle vidéo H3. Les équipes qui ont déjà déployé le modèle vidéo H3 peuvent réutiliser cette partie et économiser environ la moitié du téléchargement.
Quel matériel peut le faire tourner
La fiche du modèle n'indique pas de plancher de VRAM ; elle liste seulement les plateformes sur lesquelles le framework d'inférence a été validé : NVIDIA H200, RTX PRO 6000 Blackwell et AMD Instinct MI350X. L'exécution est prise en charge sur une seule carte, ou en parallélisme de séquence sur 4 cartes pour réduire la latence.
La mémoire de ces cartes est respectivement de 141 Go pour la H200, 96 Go pour la RTX PRO 6000 et 288 Go pour la MI350X. Les seuls poids en BF16 dépassent déjà 100 Go : sur une seule carte, il faudra vraisemblablement charger par étapes ou déplacer l'encodeur de texte ailleurs. Pour la configuration précise, on se réfère aux recettes de déploiement officielles pour vLLM-Omni et SGLang. Les cartes grand public, y compris les modèles de 24 Go et de 32 Go, ne font pour l'instant pas partie du périmètre pris en charge officiellement.
Le modèle optionnel d'enrichissement de prompts, H3-Image-PE, place la barre beaucoup plus bas. Il s'agit d'un affinage de Qwen3.8-27B, publié avec des poids quantifiés en NVFP4 d'environ 17,9 Go ; exécuté en local avec Diffusers, il demande environ 19 GiB de VRAM, ce qui tient sur une carte de 24 Go. Son rôle est de transformer une demande d'une phrase en description complète de l'image et de recommander un format. On peut le déployer seul, puis confier le résultat à H3-Image dans le cloud pour le dessin.
Comment les développeurs en Chine se le procurent
Les poids sont proposés à la fois sur Hugging Face et sur ModelScope ; en Chine, télécharger directement depuis ModelScope est bien plus fluide. Pour le déploiement, quatre voies sont proposées : SGLang, vLLM-Omni, Diffusers et ComfyUI. Les designers habitués aux flux par nœuds s'y mettront le plus vite une fois le paquet de nœuds ComfyUI stabilisé ; les équipes qui construisent un service choisiront plus probablement SGLang ou vLLM-Omni.
La licence est l'accord de licence communautaire MiniMax-H3-Image, qui s'applique aussi au modèle PE. Les usages visés à la section 4 de l'accord nécessitent une autorisation écrite demandée via un formulaire officiel ; avant toute exploitation commerciale, il faut donc vérifier dans quelle catégorie on se situe. La fiche du modèle ne mentionne pas de restriction géographique séparée. Une analyse tierce avait relevé que la licence communautaire du modèle vidéo H3 exclut certains pays et régions ; il faut comparer clause par clause avant de télécharger pour savoir si l'accord de H3-Image reprend ce critère.
Les options sans carte graphique
Pour la plupart des créateurs individuels et des petites équipes, déployer soi-même un modèle de 138 Go n'est pas rentable. Les canaux officiels sont l'API de la plateforme ouverte MiniMax, Hailuo et MiniMax Agent ; ceux qui ne veulent pas intégrer d'API peuvent l'utiliser directement sur des plateformes partenaires.
PixPix se concentre sur l'e-commerce et les visuels produit : séries de photos produit, pages de détail, photos avec mannequin disposent d'entrées toutes prêtes, et en choisissant H3-Image on obtient du 4K. PixTV est un canevas infini sur lequel on peut appeler des modèles d'image, de vidéo et d'audio, adapté aux flux où H3-Image fixe l'image statique avant qu'un modèle vidéo la transforme en film. Les deux fonctionnent à l'usage et ne demandent aucun matériel.
La frontière entre auto-hébergement et service en ligne peut se tracer à peu près ainsi : jusqu'à quelques centaines d'images par jour, et sans exigence stricte de garder les données en local, on passe par le web ou l'API ; pour de gros volumes, pour modifier le modèle ou en cas d'exigence de déploiement privé, il devient pertinent d'envisager l'achat de cartes.
Sources : fiche du modèle Hugging Face, CocoLoop, fiche du modèle MiniMax-H3-Image-PE, blog officiel de MiniMax ; ont été vérifiés la taille des fichiers de chaque composant, les plateformes matérielles prises en charge, les frameworks de déploiement et le nom de l'accord de licence.