Xiyu Keji (MiniMax) merilis model gambar MiniMax H3-Image dan sekaligus membuka bobotnya di Hugging Face. Teks ke gambar, gambar referensi, dan penyuntingan gambar digabung dalam satu model. Menurut klaim resmi, model ini bisa menghasilkan satu gambar 4K berukuran 4096×4096, sekitar 16 juta piksel, dalam kurang lebih 10 detik, dengan dukungan input hingga 16 gambar referensi.
Model ini sudah tersedia di Hugging Face dan API platform terbuka MiniMax, serta terhubung ke produk milik sendiri seperti MiniMax Code dan Hailuo. Platform mitra PixPix dan PixTV juga sudah bisa memanggilnya langsung, sehingga pengguna yang tidak ingin men-deploy sendiri cukup membuka laman web untuk mencoba keluaran 4K.
Beberapa detail di kartu model
Tulang punggung H3-Image adalah Diffusion Transformer dengan 33.1B parameter, 50 lapisan dan 56 attention head, dengan bobot berformat BF16. Encoder teks langsung memakai ulang encoder Qwen3-VL dari model video H3 tanpa perubahan, dan DiT membaca hidden state dari lapisan ke-50 encoder tersebut.
Kecepatan terutama datang dari distilasi: checkpoint dipadatkan menjadi 6 langkah sampling dan tidak memakai classifier-free guidance (CFG). Model difusi konvensional sering butuh 20 hingga 30 langkah, dan dengan CFG aktif setiap langkah harus dihitung dua kali. Begitu kedua hal itu dihilangkan, waktu per gambar otomatis turun.
"The checkpoint is distilled to 6 sampling steps (6 NFEs) with no classifier-free guidance."
Checkpoint didistilasi menjadi 6 langkah sampling tanpa classifier-free guidance.
Soal resolusi, rentang efektif yang tercantum di kartu model adalah 4 hingga 20 megapiksel, dengan hasil terbaik di sekitar 16 megapiksel. Rasio 1:1 setara 4096×4096 dan rasio 21:9 setara 6272×2688, keduanya tanpa model upscaling tambahan. MiniMax juga merilis versi Highspeed; menurutnya mode standar sekitar 1,5 hingga 2 kali lebih cepat daripada alat arus utama, dan mode cepat 3 hingga 4 kali, tetapi alat mana yang dijadikan pembanding tidak disebutkan.
Ikut dibuka bersama model ini adalah model perluasan prompt 27B bernama H3-Image-PE, hasil fine-tuning dari Qwen3.8-27B. Fungsinya mengubah permintaan singkat menjadi deskripsi gambar yang rinci sekaligus merekomendasikan rasio aspek yang sesuai. Untuk arah penyuntingan gambar, baru templat prompt yang dirilis, dan repositori menandainya masih dalam pengembangan.
Dari video ke gambar, perjalanan lini H3
Pada akhir Juli, MiniMax lebih dulu merilis model video H3 lalu membuka bobotnya; setelah itu SGLang menambahkan akselerasi inferensi untuk H3. H3-Image kali ini berbagi encoder teks yang sama dengan model video, sedangkan VAE gambarnya baru: encoder CNN dipasangkan dengan decoder 2D ViT 24 lapisan, dengan downsampling spasial 16 kali, sehingga setiap token mencakup 32×32 piksel.
Jika semua titik ini dihubungkan, pendekatan MiniMax dalam generasi multimodal cukup konsisten: video dulu, lalu gambar dipisahkan, bobot dibuka semua, dan framework deployment disesuaikan bersamaan. Pada hari rilis, H3-Image langsung datang dengan empat jalur deployment, yaitu SGLang, vLLM-Omni, Diffusers, dan ComfyUI, dan bobotnya tersedia di Hugging Face serta ModelScope sekaligus.
Dalam hal kepatuhan terhadap instruksi, blog resmi menyebut H3-Image yang terkuat di antara model open source, tetapi kartu model tidak menyertakan skor benchmark spesifik. Sebelum evaluasi pihak ketiga keluar, klaim ini sebaiknya dipahami sebagai versi resmi.
Siapa yang akan lebih dulu memakainya
Batas 16 gambar referensi cukup praktis untuk e-commerce dan desain merek: foto produk yang sama dari berbagai sudut, palet warna merek, dan pose model bisa dimasukkan sekaligus agar subjek tetap konsisten. Salah satu contoh yang ditampilkan secara resmi memakai 10 gambar referensi.
Kreator video pendek bisa menjadikannya tahap sebelum video: tetapkan dulu bingkai diam 4K dan tampilan karakter dengan H3-Image, lalu serahkan ke model video H3 untuk digerakkan. Kanvas tak terbatas di PixTV menempatkan pembuatan gambar dan video dalam satu kanvas, sehingga alur ini bisa diselesaikan di web; untuk kebutuhan foto produk dan halaman detail, ruang kerja e-commerce di PixPix lebih pas.
Dari sisi lisensi, H3-Image memakai perjanjian lisensi komunitas MiniMax-H3-Image, dan sebagian penggunaan memerlukan izin tertulis melalui formulir permohonan resmi. Sebelum dipakai secara komersial, sebaiknya baca dulu bagian keempat dari perjanjian tersebut.
Sumber: blog resmi MiniMax, kartu model Hugging Face, CocoLoop, kartu model MiniMax-H3-Image-PE; jumlah parameter, langkah sampling, rentang resolusi, dan batas gambar referensi telah diverifikasi, sedangkan kelipatan kecepatan mengikuti angka resmi.