Titre original : MiniMaxAI/MiniMax-H3-Image
Modèle open source de génération et d'édition d'images publié par MiniMax, appartenant à la famille MiniMax H3 : le DiT reprend l'architecture H3 mais supprime les couches audio, compte 331 milliards de paramètres, et utilise directement l'encodeur de texte de MiniMax-H3. Le même point de contrôle permet à la fois la génération d'images à partir de texte et l'édition à partir d'une ou plusieurs images de référence, avec un maximum officiel de 16 images de référence. Selon les informations officielles, tous les formats d'image peuvent générer directement des images d'environ 16 MP (1:1 étant 4096×4096, et 21:9 étant 6272×2688), sans nécessiter d'upscaler ; le modèle est distillé en 6 étapes et n'utilise pas de CFG. Les exemples de la fiche du modèle incluent la photographie réaliste, la conception conceptuelle, le rendu de texte sur des tableaux de résolution de problèmes logiques en chinois et en anglais, la transformation de rendus de modèles blancs en scènes de film, ainsi que la composition d'un salon à partir d'une pièce vide et de neuf meubles, soit dix images de référence au total.
Pourquoi c'est important Sortie directe d'environ 16 mégapixels sans upscaler, échantillonnage en six étapes, prise en charge de jusqu'à seize images de référence, supporté par les principaux frameworks d'inférence et ComfyUI
Score en hausse 471 · J'aime 476 · Téléchargements 667
Raisons
- Selon les informations officielles, le respect des instructions est le meilleur parmi les modèles open source ; les prompts courts peuvent d'abord être étendus en descriptions anglaises complètes via H3-Image-Context-IR (API) ou MiniMax-H3-Image-PE (déployable localement) avant la génération
- Les voies de déploiement sont complètes : SGLang, vLLM-Omni, diffusers et ComfyUI disposent tous de documentation officielle ou de modèles, et le matériel listé officiellement comprend H200, RTX PRO 6000 Blackwell et AMD MI350X
- La fiche du modèle fournit une comparaison des images générées avec le même prompt via SGLang local et l'API officielle, accompagnée de scripts d'exemple prêts à l'emploi
Utilisation
- hf download MiniMaxAI/MiniMax-H3-Image, puis téléchargez text_encoder/ du dépôt MiniMax-H3 ; lancez le service avec sglang serve ou vllm serve --omni, envoyez les requêtes de génération d'images à /v1/images/generations et les requêtes d'édition à /v1/images/edits (les images de référence correspondent dans l'ordre de téléchargement aux <Picture 1> et <Picture 2> dans le prompt)
- Indiquez la taille sous la forme largeurxhauteur, officiellement recommandée à environ 16 MP (par exemple 4096x4096, 5472x3072) ; le nombre d'étapes doit être exactement 6, guidance_scale doit être exactement 1, et les prompts négatifs ne sont pas pris en charge
- Les prompts doivent être des descriptions visuelles complètes en anglais ; les prompts courts doivent d'abord être étendus avec MiniMax-H3-Image-PE
- ComfyUI : utilisez le paquet Comfy-Org/MiniMax-H3-Image, et appliquez les modèles de génération d'images ou d'édition selon le tutoriel officiel
Risques
- Taille importante : les poids du DiT pèsent environ 66 GB, auxquels s'ajoutent environ 67 GB pour l'encodeur de texte MiniMax-H3, nécessitant des cartes graphiques de niveau centre de données avec une grande mémoire vidéo
- Publié sous la licence communautaire MiniMax-H3-Image, les cas énumérés dans la section 4 de la licence nécessitent une autorisation écrite séparée ; lisez attentivement les conditions avant toute utilisation commerciale
- L'affirmation selon laquelle « le respect des instructions est le meilleur parmi les modèles open source » est une déclaration officielle, sans évaluation tierce partie jointe à la fiche du modèle
- Cette entrée n'a pas été exécutée ; les résultats dépendent de la fiche du modèle