A Xiyu Keji (MiniMax) lançou o modelo de imagem MiniMax H3-Image e publicou os pesos no Hugging Face ao mesmo tempo. Texto para imagem, imagem de referência e edição de imagem estão reunidos em um único modelo; segundo a empresa, ele gera em cerca de 10 segundos uma imagem 4K de 4096×4096, aproximadamente 16 milhões de pixels, e aceita até 16 imagens de referência na entrada.
O modelo já está no Hugging Face e na API da plataforma aberta da MiniMax, além de integrado a produtos da própria empresa, como o MiniMax Code e o Hailuo. As plataformas parceiras PixPix e PixTV também já conseguem chamá-lo diretamente; quem não quiser hospedar o modelo por conta própria pode testar a geração em 4K direto no navegador.
Alguns detalhes do model card
A base do H3-Image é um Transformer de difusão de 33,1 bilhões de parâmetros, com 50 camadas e 56 cabeças de atenção, pesos em BF16. O codificador de texto é o mesmo codificador Qwen3-VL do modelo de vídeo H3, sem alterações; o DiT lê o estado oculto da sua 50ª camada.
A velocidade vem principalmente da destilação: o checkpoint foi comprimido para 6 passos de amostragem e dispensa a orientação sem classificador (CFG). Modelos de difusão comuns costumam precisar de vinte ou trinta passos, e com CFG cada passo é calculado duas vezes; sem essas duas coisas, o tempo por imagem cai naturalmente.
“The checkpoint is distilled to 6 sampling steps (6 NFEs) with no classifier-free guidance.”
O checkpoint foi destilado para 6 passos de amostragem e não usa orientação sem classificador.
Quanto à resolução, o model card indica uma faixa efetiva de 4 a 20 megapixels, com melhor resultado perto de 16 megapixels. O formato 1:1 corresponde a 4096×4096 e o 21:9 a 6272×2688, sem necessidade de um modelo extra de super-resolução. A empresa também lançou uma versão Highspeed, e afirma que o modo padrão é cerca de 1,5 a 2 vezes mais rápido que as ferramentas populares, e o modo de alta velocidade, de 3 a 4 vezes; as ferramentas usadas na comparação não são citadas.
Junto com o modelo foi aberto também um modelo de expansão de prompts de 27B, o H3-Image-PE, ajustado a partir do Qwen3.8-27B, que transforma um pedido curto em uma descrição detalhada da cena e sugere uma proporção de tela adequada. Para edição de imagem, por ora só há um modelo de prompt; o repositório indica que essa parte ainda está em desenvolvimento.
Do vídeo à imagem: o caminho da linha H3
No fim de julho, a MiniMax lançou primeiro o modelo de vídeo H3 e depois liberou os pesos; em seguida, o SGLang aplicou aceleração de inferência ao H3. O H3-Image compartilha o codificador de texto com o modelo de vídeo, mas o VAE de imagem é novo: codificador CNN com decodificador 2D ViT de 24 camadas, redução espacial de 16 vezes, cada token cobrindo 32×32 pixels.
Ligando esses pontos, a estratégia da MiniMax em geração multimodal é bastante coerente: primeiro o vídeo, depois a imagem como modelo à parte, com os pesos abertos e os frameworks de implantação adaptados em paralelo. No dia do lançamento, o H3-Image já tinha quatro caminhos de implantação, SGLang, vLLM-Omni, Diffusers e ComfyUI, e os pesos estavam disponíveis no Hugging Face e no ModelScope.
Sobre o seguimento de instruções, o blog oficial afirma que o H3-Image é o mais forte entre os modelos de código aberto, mas o model card não traz pontuações de benchmark. Até que haja avaliações de terceiros, a afirmação deve ser lida como posição oficial da empresa.
Quem deve usar primeiro
O limite de 16 imagens de referência é útil para e-commerce e design de marca: fotos reais de um mesmo produto em vários ângulos, paletas de cores da marca e poses de modelos podem ser enviadas de uma vez para que o modelo mantenha a consistência do sujeito. Um dos exemplos mostrados pela empresa usou 10 imagens de referência.
Criadores de vídeos curtos podem tratá-lo como etapa anterior ao vídeo: primeiro definem com o H3-Image o quadro estático em 4K e o visual dos personagens, depois entregam ao modelo de vídeo H3 para dar movimento. A tela infinita do PixTV coloca geração de imagem e de vídeo na mesma tela, de modo que todo esse fluxo se completa no navegador; para fotos de produto e páginas de detalhe, a bancada de e-commerce do PixPix é mais prática.
Quanto à licença, o H3-Image usa o Contrato de Licença Comunitária MiniMax-H3-Image, e alguns usos exigem autorização por escrito, solicitada por formulário oficial. Antes do uso comercial, convém ler a seção 4 do contrato.
Fontes: blog oficial da MiniMax, model card do Hugging Face, CocoLoop, model card do MiniMax-H3-Image-PE; foram conferidos o número de parâmetros, os passos de amostragem, a faixa de resolução e o limite de imagens de referência, e os múltiplos de velocidade seguem os números da empresa.