P-H3-Image：8步图像生成，开放权重编辑

1. 在同一模型中生成与编辑

P-H3-Image 是基于 MiniMax-H3 视频模型构建的图像生成与编辑模型。据公司介绍，它可生成200万~1600万像素图像，擅长照片级写实场景和电影画面风格。模型卡建议文本生成使用800万像素，编辑使用400万或800万像素。

根据介绍用法与条件的模型卡，公开的处理流水线最多支持8张编辑输入图像。第一张图像作为编辑对象，其余图像用于提供人物或道具等参考。它也支持通过简短请求，将多张照片中的元素合并到一个场景中。

2. 将视频模型改造成图像模型

PrunaAI 以视频模型能学习物体的不同角度及材质反光这一特点，作为构建图像模型的出发点。公司使用相同的提示词和种子，即随机生成的初始值，对比了800万像素图像，并称在大多数提示词下，8步模型可媲美原始50步模型。

将文本转换为模型可读信号的编码器，通过让小模型学习大模型输出的蒸馏方法，将训练中可调整的内部参数从320亿个减至40亿个，图像生成计算则从50步减至8步。此外，团队训练了用于清晰还原单张图像的解码器，并通过降低权重数值精度的量化方法，提供8比特和4比特配置。

3. 权重更小，生成更快

据公司介绍，最小权重包从原版的143GB缩减至20GB。下表列出博客公布的各模型与精度配置的下载大小，不代表生成时的 GPU 显存用量。

表：各模型与精度配置的权重下载大小

条件：公司公布的 MiniMax-H3 原版及 P-H3-Image bf16、4比特权重包的下载大小。

单位：GB

最小配置可降低存储和传输负担。速度方面，据公司介绍，在单张 B200、bf16 条件下，400万像素生成耗时从12.4秒降至2.6秒，800万像素从30.6秒降至5.8秒。这些数值是在未作额外优化的情况下，对比原版50步与 P-H3-Image 8步所得。

运行成本随配置而变化。博客给出的800万像素峰值 GPU 显存为 bf16 56GB、4比特21GB；而模型卡中的 diffusers 流水线在相同分辨率、bf16 下，开启提示词上采样器约需101GB，关闭时约需83GB。因此，除下载大小外，还应考察所选运行方式的显存需求。

4. 流水线与提示词的使用

该模型可通过 diffusers 的 ModularPipeline 使用。启用自动 CPU 卸载后，组件会按需移至 GPU；根据模型卡，80GB GPU 也能运行800万像素任务。

import torch
from diffusers import ComponentsManager, ModularPipeline

manager = ComponentsManager()
manager.enable_auto_cpu_offload(device="cuda")

pipe = ModularPipeline.from_pretrained("PrunaAI/P-H3-Image", components_manager=manager)
pipe.load_components(dtype=torch.bfloat16)
image = pipe(prompt=prompt, height=3360, width=2496, output="images")[0]

提示词上采样器默认开启，会将简短请求转换为适合模型的详细指令。它减少了逐一润色请求的工作，但在模型卡所列的单张 B200、bf16、批大小为1、不编译且不卸载的条件下，会增加6~11秒生成时间。

自行编写提示词时，建议先说明所需图像的类型和一个场景，并用简短引文标出要放入图像的文字。编辑指令应同时写明最终效果和需要保留的元素。

ComfyUI 也原生支持该模型，无须额外的自定义节点。博客将其列为可选择 bf16、8比特或4比特权重的运行方式。

5. 许可与使用范围

P-H3-Image 采用 MiniMax H3 Community License 发布。博客和模型卡说明，在欧盟、英国、韩国和美国使用需要获得 MiniMax 的单独许可，衍生产品须标注“Powered by MiniMax H3”。

模型卡指出，在较低分辨率下，人脸、手部和小元素的缺陷会增多，细小或密集的文字可能失真。公司还表示，4比特配置可能改变细节或构图。

P-H3-Image 以更小、更快的形式承接了视频模型的图像生成与编辑能力，而是否采用它，不仅要看下载大小，还要看运行配置与使用许可。