稀宇科技（MiniMax）發表圖像模型 MiniMax H3-Image，同時在 Hugging Face 釋出權重。文字生圖、圖像參考與圖像編輯整合在同一個模型裡，官方表示約 10 秒即可產出一張 4096×4096、約 1600 萬像素的 4K 圖，最多支援輸入 16 張參考圖。
模型已上線 Hugging Face 與 MiniMax 開放平台 API，並接入 MiniMax Code、海螺（Hailuo）等自家產品。合作平台 PixPix 與 PixTV 也已能直接呼叫，不想自行部署的使用者開啟網頁就能試用 4K 出圖。
模型卡裡的幾個細節
H3-Image 的主幹是一個 33.1B 參數的擴散 Transformer，共 50 層、56 個注意力頭，權重為 BF16。文字編碼器直接沿用 H3 影片模型的 Qwen3-VL 編碼器，未作修改，DiT 讀取的是它第 50 層的隱藏狀態。
速度主要來自蒸餾：檢查點被壓縮到 6 步取樣，而且不使用無分類器引導（CFG）。一般擴散模型出圖動輒二、三十步，開啟 CFG 後每一步還得計算兩次，這兩項同時拿掉，單張耗時自然就降下來。
"The checkpoint is distilled to 6 sampling steps (6 NFEs) with no classifier-free guidance."
檢查點蒸餾至 6 個取樣步，不使用無分類器引導。
解析度方面，模型卡給出的有效區間為 4 到 20 百萬像素，16 百萬像素附近效果最佳。1:1 畫幅對應 4096×4096，21:9 對應 6272×2688，都不需要額外的超解析模型。官方同時推出 Highspeed 高速版本，表示標準模式的出圖速度約為主流工具的 1.5 到 2 倍，高速模式則達 3 到 4 倍，但未列出比較的是哪幾款工具。
隨模型一併開源的還有一個 27B 的提示詞擴寫模型 H3-Image-PE，以 Qwen3.8-27B 微調而成，功用是把一句簡短需求擴寫成詳細的畫面描述，並推薦合適的畫幅比例。圖像編輯方向的擴寫目前只釋出提示詞範本，儲存庫標註仍在開發中。
從影片到圖像，H3 這條產品線怎麼走來
7 月底，MiniMax 先發表了 H3 影片模型，隨後開放權重；之後 SGLang 為 H3 做了推論加速。這次的 H3-Image 與影片模型共用同一套文字編碼器，圖像 VAE 則是全新設計：CNN 編碼器搭配 24 層 2D ViT 解碼器，空間下採樣 16 倍，每個 token 涵蓋 32×32 像素。
把幾個節點串起來看，MiniMax 在多模態生成上的打法相當一致：先推影片，再拆出圖像，權重全都釋出，部署框架同步適配。H3-Image 發表當天就提供了 SGLang、vLLM-Omni、Diffusers 與 ComfyUI 四條部署路徑，權重在 Hugging Face 與 ModelScope 同步提供。
指令遵循方面，官方部落格稱 H3-Image 是開源模型中最強的，模型卡並未附上具體的基準測試分數。在第三方評測出爐之前，這個說法仍以官方口徑為準。
哪些人會最先用起來
16 張參考圖的上限，對電商與品牌設計相當實用：同一件商品的多角度實拍、品牌色票、模特兒姿勢可以一次餵進去，讓模型維持主體一致。官方展示的案例中就用到了 10 張參考圖。
做短影音的創作者可以把它當成影片的前置工序：先用 H3-Image 定好 4K 靜態畫面與角色造型，再交給 H3 影片模型讓它動起來。PixTV 的無限畫布把圖像與影片生成放在同一張畫布上，這條流程在網頁裡就能走完；偏商品圖與詳情頁的需求，PixPix 的電商工作台會更順手。
授權方面，H3-Image 採用 MiniMax-H3-Image 社群授權協議，部分用途須透過官方申請表取得書面授權。商用之前，建議先把協議第四節讀過一遍。
參考來源：MiniMax 官方部落格、Hugging Face 模型卡、CocoLoop、MiniMax-H3-Image-PE 模型卡；已核實參數規模、取樣步數、解析度區間與參考圖上限，速度倍數以官方口徑為準。