Trọng số của MiniMax H3-Image đã được công bố, nhưng muốn chạy trên máy của mình thì rào cản đầu tiên là dung lượng tải về. Theo các tệp liệt kê trong model card trên Hugging Face, mô hình khuếch tán chính DiT nặng khoảng 68,65GB, bộ mã hóa văn bản khoảng 66,7GB, VAE ảnh 2,34GB; ba thành phần cộng lại khoảng 138GB, chưa tính mô hình mở rộng prompt tùy chọn.
Bộ mã hóa văn bản không nằm trong kho của H3-Image mà phải tải riêng từ kho của mô hình video H3. Những nhóm đã triển khai mô hình video H3 có thể dùng lại phần này, tiết kiệm được khoảng một nửa dung lượng tải.
Phần cứng nào chạy được
Model card không ghi mức VRAM tối thiểu, chỉ liệt kê các nền tảng mà framework suy luận đã được kiểm chứng: NVIDIA H200, RTX PRO 6000 Blackwell và AMD Instinct MI350X. Các nền tảng này hỗ trợ chạy trên một card, hoặc dùng song song theo chuỗi trên 4 card để giảm độ trễ.
VRAM của các card lần lượt là H200 141GB, RTX PRO 6000 96GB và MI350X 288GB. Riêng trọng số BF16 đã vượt quá 100GB, nên chạy trên một card nhiều khả năng phải nạp theo từng giai đoạn hoặc chuyển bộ mã hóa văn bản sang nơi khác; cấu hình cụ thể nên theo công thức triển khai vLLM-Omni và SGLang do phía chính thức cung cấp. Card đồ họa phổ thông, kể cả loại 24GB và 32GB, hiện không nằm trong phạm vi hỗ trợ chính thức.
Mô hình mở rộng prompt tùy chọn H3-Image-PE có yêu cầu thấp hơn nhiều. Mô hình này được tinh chỉnh từ Qwen3.8-27B, phát hành dưới dạng trọng số lượng tử hóa NVFP4 nặng khoảng 17,9GB, chạy cục bộ bằng Diffusers cần khoảng 19GiB VRAM, nên một card 24GB là đủ chứa. Nhiệm vụ của nó là biến một yêu cầu ngắn gọn thành mô tả đầy đủ cho bức ảnh và đề xuất tỷ lệ khung hình; có thể triển khai riêng, rồi giao kết quả cho H3-Image trên đám mây để vẽ.
Nhà phát triển ở Trung Quốc tải bằng cách nào
Trọng số được cung cấp đồng thời trên Hugging Face và ModelScope; người ở Trung Quốc tải trực tiếp từ ModelScope sẽ mượt hơn nhiều. Về framework triển khai có bốn lựa chọn: SGLang, vLLM-Omni, Diffusers và ComfyUI. Nhà thiết kế quen quy trình theo node sẽ dễ làm quen nhất khi bộ node của ComfyUI ổn định; các nhóm xây dựng dịch vụ nhiều khả năng sẽ chọn SGLang hoặc vLLM-Omni.
Giấy phép là Thỏa thuận Giấy phép Cộng đồng MiniMax-H3-Image, mô hình PE cũng áp dụng như vậy. Các mục đích sử dụng được nêu ở Điều 4 của thỏa thuận cần xin cấp phép bằng văn bản qua biểu mẫu chính thức, nên trước khi thương mại hóa phải xác định mình thuộc nhóm nào. Model card không ghi riêng hạn chế theo khu vực. Trước đó có bên thứ ba chỉ ra rằng giấy phép cộng đồng của mô hình video H3 loại trừ một số quốc gia và vùng lãnh thổ; liệu thỏa thuận của H3-Image có giữ nguyên hay không, bạn cần đối chiếu từng điều khoản trước khi tải.
Lựa chọn khi không có card đồ họa
Với đa số nhà sáng tạo cá nhân và nhóm nhỏ, tự triển khai một bộ mô hình 138GB không đáng. Các kênh chính thức gồm API của nền tảng mở MiniMax, Hailuo và MiniMax Agent; ai không muốn tích hợp API có thể dùng trực tiếp trên các nền tảng đối tác.
PixPix tập trung vào thương mại điện tử và ảnh sản phẩm, các công đoạn như bộ ảnh sản phẩm, trang chi tiết, ảnh người mẫu đều có sẵn lối vào, chọn H3-Image là xuất được ảnh 4K. PixTV là một canvas vô hạn, nơi có thể gọi các mô hình ảnh, video và âm thanh, phù hợp với quy trình dùng H3-Image chốt khung hình tĩnh rồi giao cho mô hình video dựng thành phim. Cả hai đều tính theo lượt dùng, không cần chuẩn bị bất kỳ phần cứng nào.
Ranh giới giữa tự dựng và gọi dịch vụ có thể vạch đại khái như sau: nếu mỗi ngày tạo trong vài trăm ảnh và không bắt buộc dữ liệu phải ở lại máy mình thì dùng web hoặc API; nếu khối lượng lớn, cần chỉnh sửa mô hình hoặc có yêu cầu triển khai riêng tư thì mới cân nhắc trang bị card để tự triển khai.
Nguồn tham khảo: model card Hugging Face, CocoLoop, model card MiniMax-H3-Image-PE, blog chính thức của MiniMax; đã đối chiếu dung lượng tệp của từng thành phần, các nền tảng phần cứng được hỗ trợ, framework triển khai và tên thỏa thuận giấy phép.