MiniMax 于 11 月 11 日以开放权重形式发布了 H3-Image，用于根据文本生成图像及编辑参考图像。开发者和创作者可下载权重，将其用于自己的工具和工作流程，也可通过 MiniMax API 生成 4K 图像。
1. 同一模型提供生成与编辑功能
H3-Image 既能仅凭文本描述生成图像，也能基于参考图像生成新结果。单次编辑请求可输入 1~16 张参考图像，因此也可用于整合多份素材的任务。
模型卡片及介绍模型信息和使用方法的文档，展示了将空房间与多张家具照片合成为客厅的案例。其用途不止于通过文字指定新场景，也面向将已有视觉素材融入新结果的任务。
模型卡片说明，该模型可直接生成 4096×4096 图像，无需放大处理。实用范围约为 400 万~2000 万像素，通常在 1600 万像素附近效果最佳。其配置将完成图像所需的计算过程缩减至 6 次。
2. 据公司介绍，生成 4K 图像不到 10 秒
据公司介绍，生成一张 4096×4096、约 1600 万像素的图像耗时不到 10 秒，速度最高可达主流替代方案的 5 倍。公司另称，标准模式速度为主流替代方案的 1.5~2 倍，高速模式为 3~4 倍。
据公司介绍，其费用约为同类主流服务的 50~70%。公司表示，发布周内，4K 及以上请求可享标准价格的 50% 折扣。公司同时强调生成速度与价格，希望推动高分辨率图像用于日常制作。
3. 选择所需的宽高比与尺寸
API 支持直接指定宽高，也可选择宽高比与面积档位。以下尺寸是同一 API 在选择相应面积档位，即按区间选择图像总尺寸的设置时给出的值。结合宽高比与尺寸，可按任务需求确定图像方向和构图。
表：各宽高比的 API 输出尺寸
条件：MiniMax-H3-Image API，各宽高比的 2K·4K 面积档位输出设置
单位：像素
| 宽高比 | 2K 宽度 | 2K 高度 | 4K 宽度 | 4K 高度 |
|---|---|---|---|---|
| 1:1 | 2048 | 2048 | 4096 | 4096 |
| 4:3 | 2368 | 1760 | 4736 | 3552 |
| 3:4 | 1760 | 2368 | 3552 | 4736 |
| 16:9 | 2720 | 1536 | 5472 | 3072 |
| 9:16 | 1536 | 2720 | 3072 | 5472 |
| 3:1 | 3552 | 1184 | 7104 | 2368 |
| 1:3 | 1184 | 3552 | 2368 | 7104 |
即使面积档位相同，宽高比不同也会导致宽度和高度不同。4K 档位并非固定宽度的设置，而是确定图像总面积的设置。
文本生成与图像编辑分别通过不同的 API 地址请求。文档中的文本生成请求体示例如下。
payload = {
"model": "MiniMax-H3-Image",
"prompt": "An orange cat lying on a windowsill basking in the sun, warm afternoon light, film texture",
"size": "2720x1536",
"n": 1,
"response_format": "url",
}API 默认启用提示词扩展功能，将简短请求扩展为描述整个场景的详细语句，并在响应中返回实际使用的文本。图像编辑始终启用该扩展。
直接指定宽高与指定宽高比和面积档位这两种方式，不能在同一请求中混用。
4. 自行部署需要模型存储空间与运维资源
据 Hugging Face 模型卡片，公开的图像模型文件为 68.65GB。将文本转换为模型可处理形式的文本编码器，即将语句转换为模型输入的组件，需从独立仓库 MiniMax-H3 下载，大小为 66.7GB。如需在本地使用提示词扩展器，还要额外下载可选的 17.9GB 模型。
MiniMax 推荐使用 SGLang 和 vLLM-Omni 作为部署工具。可选方案还包括 diffusers 和 ComfyUI。
高分辨率生成增加了细节表现，也提高了计算量。API 可免去自行运行模型文件的工作，而本地部署提供了适配自身环境的空间，同时也带来了存储与加速器运维负担。
该模型依据 MiniMax-H3-Image Community License Agreement 提供。
H3-Image 以开放权重形式带来了 4K 生成与多图像编辑能力，选择的关键是在 API 的便利性与自行部署的控制力之间取得平衡。