MiniMax 发布开源图像模型H3-Image：6 步采样直出最高 1600 万像素图像，支持最多 16 张参考图

11 月 10 日，MiniMax 正式宣布开源 MiniMax H3-Image 模型权重。作为 MiniMax H3 系列中专用于图像生成与编辑的顶尖模型，H3-Image 将智能意图理解与视觉世界构建能力深度融合。

• Hugging Face: https://huggingface.co/MiniMaxAI/MiniMax-H3-Image
• 魔搭：https://modelscope.cn/models/MiniMax/MiniMax-H3-Image
• API: https://platform.minimax.cn/docs/guides/image-generation
• MiniMax Code: https://code.minimax.cn/about

该模型在一个统一的检查点中集成了文本生成图像（文生图）与多参考图编辑（图像编辑）功能，为创作者和开发者提供了高度灵活且可控的图像创作方案。

核心亮点与性能指标

通过在数据、强化学习、步数压缩、提示词扩展（PE）及部署优化等方面的系统性后训练，MiniMax H3-Image 在速度、画质与指令遵循三个维度实现了显著突破：

1. 原生 1600 万像素与极速推理
   模型能够在无需超分辨率放大器（Upscaler）的情况下，直接生成约 1600 万像素（16 MP）的高分辨率图像，支持从 4096×4096 (1:1) 到 6272×2688 (21:9) 的多种宽高比。得益于蒸馏技术，模型仅需 6 个采样步数（6 NFEs）且无需无分类器引导（CFG-Free），即可在 10 秒内完成 4K 图像的生成，推理速度达到市面主流水平的 5 倍，使高规格图像生成具备日常实用性。
2. 超越“AI 感”的极致真实感
   模型在画面细节和物理真实感上进行了深度优化，能够生成细节精细、逼真自然的图像，在丰富度和细微层次上高度接近真实视觉世界，显著拓宽了其在专业创意领域的应用范围。
3. 开源模型顶级的指令遵循能力
   H3-Image 展现出开源模型中最强的指令遵循能力，能够精准解析复杂的创意概念，并支持最多同时输入 16 张参考图像，赋予创作者对最终生成效果的极强控制力。

模型架构解析

MiniMax H3-Image 沿用了 H3-Base 的基础设计，但针对纯视觉任务移除了音频分支。其核心工作流为：文本提示词与参考图像分别经过编码后，拼接为单一序列输入单流 Transformer，预测目标图像的潜变量表示，最后由 VAE 解码为像素图像。

• 文本编码器：完整保留了 MiniMax-H3 的 Qwen3-VL 文本编码器，未作任何修改。扩散 Transformer (DiT) 直接读取其第 50 层的隐藏状态作为文本条件。
• 图像 VAE：由一个 CNN 编码器和一个 24 层的 2D ViT 解码器组成。空间下采样倍率为 16 倍，潜变量通道数为 24。DiT 使用 2×2 的 patch 对潜变量进行分块，这意味着每个 Transformer token 对应原始图像中 32×32 像素的区域。
• 扩散 Transformer (DiT)：参数量为 33.1B，是一个 50 层的稠密单流 Transformer（隐藏层维度 5376，注意力头数 56，FFN 维度 14336）。架构采用与 H3-Omni-Transformer 一致的 3D 多模态 RoPE（旋转位置编码）。权重主体采用 BF16 精度，而嵌入层、时间步层和输出层保持 FP32 精度以确保数值稳定性。

模型库规格与部署信息

MiniMax 在 Hugging Face 上提供了完整的模型权重，开发者可根据实际需求选择主模型或可选的提示词扩展器。

部署与优化建议：

• 推理框架：鉴于模型参数量较大（68.65 GB），建议使用支持 BF16 精度及高效显存管理的推理框架（如 vLLM、ComfyUI 或 Diffusers 的最新优化版本）。
• 提示词扩展：对于复杂的生成任务，强烈建议搭配 MiniMax-H3-Image-PE 使用。该扩展器采用 NVFP4 量化，体积小巧，能有效将用户的简短自然语言指令扩展为模型更易理解的结构化提示词，进一步提升指令遵循的准确率。
• 采样配置：为达到官方宣称的 10 秒 16MP 生成速度，推理时需严格配置为 6 步采样，并关闭 CFG（CFG scale = 1.0 或无负面提示）。

商业化与生态支持

为鼓励开发者与创作者探索高分辨率图像生成的潜力，MiniMax 宣布在模型发布首周，针对 16MP 及以上规格的生成请求，提供官方 API 调用价格五折的限时优惠。这一举措将进一步降低高规格图像生成的门槛，加速 H3-Image 在专业设计、游戏资产生成及广告营销等领域的落地应用。