Xiyu Keji (MiniMax) vừa ra mắt mô hình ảnh MiniMax H3-Image và đồng thời công bố trọng số trên Hugging Face. Tạo ảnh từ văn bản, tham chiếu ảnh và chỉnh sửa ảnh được gộp trong cùng một mô hình; theo hãng, mô hình cần khoảng 10 giây để tạo một ảnh 4K 4096×4096, tương đương khoảng 16 triệu điểm ảnh, và hỗ trợ đầu vào tối đa 16 ảnh tham chiếu.
Mô hình đã có trên Hugging Face và API của Nền tảng mở MiniMax, đồng thời được tích hợp vào các sản phẩm của chính hãng như MiniMax Code và Hailuo. Hai nền tảng đối tác là PixPix và PixTV cũng đã gọi trực tiếp được mô hình, người dùng không muốn tự triển khai chỉ cần mở trang web là thử được ảnh 4K.
Vài chi tiết trong model card
Phần lõi của H3-Image là một Diffusion Transformer 33,1B tham số, gồm 50 lớp, 56 đầu attention, trọng số ở định dạng BF16. Bộ mã hóa văn bản dùng nguyên bộ mã hóa Qwen3-VL của mô hình video H3, không chỉnh sửa gì; DiT đọc trạng thái ẩn ở lớp thứ 50 của bộ mã hóa này.
Tốc độ chủ yếu đến từ chưng cất: checkpoint được nén xuống 6 bước lấy mẫu và không dùng hướng dẫn không cần bộ phân loại (CFG). Mô hình khuếch tán thông thường thường cần hai ba chục bước, và khi bật CFG mỗi bước phải tính hai lần; bỏ cả hai thì thời gian cho mỗi ảnh giảm đáng kể.
“The checkpoint is distilled to 6 sampling steps (6 NFEs) with no classifier-free guidance.”
Checkpoint được chưng cất xuống 6 bước lấy mẫu và không dùng hướng dẫn không cần bộ phân loại.
Về độ phân giải, model card nêu dải hiệu dụng từ 4 đến 20 megapixel, hiệu quả tốt nhất ở quanh 16 megapixel. Khung 1:1 ứng với 4096×4096, khung 21:9 ứng với 6272×2688, đều không cần thêm mô hình siêu phân giải. Hãng đồng thời ra mắt phiên bản tốc độ cao Highspeed, cho biết chế độ tiêu chuẩn nhanh khoảng 1,5 đến 2 lần so với các công cụ phổ biến, chế độ tốc độ cao nhanh 3 đến 4 lần; các công cụ được đem ra so sánh không được nêu tên.
Đi kèm mô hình còn có một mô hình mở rộng prompt 27B là H3-Image-PE, tinh chỉnh từ Qwen3.8-27B, có nhiệm vụ biến một yêu cầu ngắn thành mô tả hình ảnh chi tiết và đề xuất tỷ lệ khung hình phù hợp. Với hướng chỉnh sửa ảnh, hiện mới có mẫu prompt; kho mã ghi chú phần này vẫn đang được phát triển.
Từ video sang ảnh, dòng H3 đã đi như thế nào
Cuối tháng 7, MiniMax ra mắt mô hình video H3 trước rồi mở trọng số; sau đó SGLang bổ sung tăng tốc suy luận cho H3. H3-Image lần này dùng chung bộ mã hóa văn bản với mô hình video, còn VAE ảnh là thiết kế mới: bộ mã hóa CNN kết hợp bộ giải mã 2D ViT 24 lớp, giảm mẫu không gian 16 lần, mỗi token phủ một vùng 32×32 điểm ảnh.
Nối các mốc này lại, cách làm của MiniMax ở mảng sinh đa phương thức khá nhất quán: ra video trước, sau đó tách thành mô hình ảnh, công bố trọng số, và các khung triển khai được tương thích cùng lúc. Ngay ngày phát hành, H3-Image đã có bốn đường triển khai là SGLang, vLLM-Omni, Diffusers và ComfyUI, còn trọng số có sẵn đồng thời trên Hugging Face và ModelScope.
Về khả năng bám sát chỉ dẫn, blog chính thức cho rằng H3-Image mạnh nhất trong các mô hình mã nguồn mở, nhưng model card không kèm điểm benchmark cụ thể. Trước khi có đánh giá của bên thứ ba, nhận định này cần được hiểu là phát biểu của chính hãng.
Ai sẽ dùng sớm nhất
Giới hạn 16 ảnh tham chiếu khá thiết thực với thương mại điện tử và thiết kế thương hiệu: ảnh chụp thật một sản phẩm từ nhiều góc, bảng màu thương hiệu và tư thế người mẫu có thể đưa vào cùng lúc để mô hình giữ chủ thể nhất quán. Một trong các ví dụ hãng trình diễn đã dùng tới 10 ảnh tham chiếu.
Người làm video ngắn có thể coi mô hình này như công đoạn trước của video: dùng H3-Image chốt khung hình tĩnh 4K và tạo hình nhân vật, rồi giao cho mô hình video H3 làm chuyển động. Canvas vô hạn của PixTV đặt tạo ảnh và tạo video trên cùng một canvas, nên chuỗi công việc này có thể hoàn tất ngay trên web; với nhu cầu ảnh sản phẩm và trang chi tiết, bàn làm việc thương mại điện tử của PixPix thuận tay hơn.
Về giấy phép, H3-Image dùng Thỏa thuận cấp phép cộng đồng MiniMax-H3-Image; một số mục đích sử dụng cần được cấp phép bằng văn bản qua biểu mẫu đăng ký chính thức. Trước khi dùng thương mại, nên đọc kỹ Điều 4 của thỏa thuận.
Nguồn tham khảo: blog chính thức của MiniMax, model card trên Hugging Face, CocoLoop, model card MiniMax-H3-Image-PE; đã đối chiếu quy mô tham số, số bước lấy mẫu, dải độ phân giải và giới hạn ảnh tham chiếu, các hệ số tốc độ theo số liệu của hãng.