Xiyu Keji (MiniMax) a dévoilé le modèle d'image MiniMax H3-Image et publié ses poids sur Hugging Face en même temps. Texte vers image, image de référence et édition d'image sont réunis dans un seul modèle ; selon la société, il produit en environ 10 secondes une image 4K de 4096×4096, soit près de 16 millions de pixels, et accepte jusqu'à 16 images de référence en entrée.
Le modèle est disponible sur Hugging Face et via l'API de la plateforme ouverte de MiniMax, et intégré aux produits maison comme MiniMax Code et Hailuo. Les plateformes partenaires PixPix et PixTV peuvent déjà l'appeler directement ; ceux qui ne veulent pas le déployer eux-mêmes peuvent tester la génération en 4K depuis leur navigateur.
Quelques détails de la fiche du modèle
L'épine dorsale de H3-Image est un Transformer de diffusion de 33,1 milliards de paramètres, avec 50 couches et 56 têtes d'attention, poids en BF16. L'encodeur de texte reprend tel quel l'encodeur Qwen3-VL du modèle vidéo H3, sans modification ; le DiT lit l'état caché de sa 50e couche.
La vitesse vient surtout de la distillation : le checkpoint a été compressé à 6 étapes d'échantillonnage et se passe du guidage sans classifieur (CFG). Les modèles de diffusion classiques exigent souvent vingt ou trente étapes, et avec le CFG chaque étape est calculée deux fois ; en retirant les deux, le temps par image chute mécaniquement.
“The checkpoint is distilled to 6 sampling steps (6 NFEs) with no classifier-free guidance.”
Le checkpoint est distillé en 6 étapes d'échantillonnage et n'utilise pas de guidage sans classifieur.
Côté résolution, la fiche indique une plage effective de 4 à 20 mégapixels, avec de meilleurs résultats autour de 16 mégapixels. Le format 1:1 correspond à 4096×4096 et le 21:9 à 6272×2688, sans modèle de super-résolution supplémentaire. La société lance aussi une version Highspeed et affirme que le mode standard est environ 1,5 à 2 fois plus rapide que les outils courants, et le mode haute vitesse de 3 à 4 fois ; les outils servant de point de comparaison ne sont pas cités.
Avec le modèle, la société a également ouvert un modèle d'enrichissement de prompts de 27 milliards de paramètres, H3-Image-PE, affiné à partir de Qwen3.8-27B, qui transforme une demande courte en description détaillée de l'image et recommande un format adapté. Pour l'édition d'images, seul le modèle de prompt est publié pour l'instant ; le dépôt précise que cette partie est encore en développement.
De la vidéo à l'image : le parcours de la série H3
Fin juillet, MiniMax a d'abord lancé le modèle vidéo H3, puis ouvert ses poids ; SGLang a ensuite accéléré l'inférence de H3. H3-Image partage le même encodeur de texte que le modèle vidéo, tandis que le VAE d'image est nouveau : un encodeur CNN associé à un décodeur 2D ViT de 24 couches, avec un sous-échantillonnage spatial de 16, chaque token couvrant 32×32 pixels.
Si l'on relie ces étapes, la démarche de MiniMax en génération multimodale est assez constante : d'abord la vidéo, puis l'image en modèle distinct, les poids ouverts et les frameworks de déploiement adaptés en parallèle. Le jour de sa sortie, H3-Image disposait déjà de quatre voies de déploiement, SGLang, vLLM-Omni, Diffusers et ComfyUI, et les poids sont proposés à la fois sur Hugging Face et ModelScope.
Sur le respect des instructions, le blog officiel affirme que H3-Image est le meilleur des modèles open source, mais la fiche du modèle ne fournit aucun score de benchmark précis. Tant que des évaluations tierces n'existent pas, cette affirmation reste la position officielle de la société.
Qui s'y mettra en premier
La limite de 16 images de référence est utile pour l'e-commerce et le design de marque : photos réelles d'un même produit sous plusieurs angles, palettes de couleurs de la marque et poses de mannequins peuvent être fournies en une seule fois pour que le modèle garde la cohérence du sujet. L'un des exemples présentés par la société utilisait 10 images de référence.
Les créateurs de vidéos courtes peuvent l'utiliser comme étape préalable à la vidéo : fixer d'abord avec H3-Image l'image fixe en 4K et le look des personnages, puis confier le tout au modèle vidéo H3 pour l'animer. Le canevas infini de PixTV réunit génération d'images et de vidéos sur un même canevas, si bien que cette chaîne se déroule entièrement dans le navigateur ; pour les visuels produit et les fiches détaillées, l'espace de travail e-commerce de PixPix est plus pratique.
Côté licence, H3-Image relève du contrat de licence communautaire MiniMax-H3-Image, et certains usages nécessitent une autorisation écrite demandée via un formulaire officiel. Avant tout usage commercial, mieux vaut lire la section 4 du contrat.
Sources : blog officiel de MiniMax, fiche du modèle sur Hugging Face, CocoLoop, fiche de MiniMax-H3-Image-PE ; le nombre de paramètres, les étapes d'échantillonnage, la plage de résolution et la limite d'images de référence ont été vérifiés, les multiples de vitesse suivent les chiffres de la société.