Mô hình hình ảnh do Pruna AI tinh chỉnh trên nền tảng MiniMax-H3: quy trình tạo ảnh từ văn bản và chỉnh sửa ảnh dùng chung một pipeline, gồm 8 bước, không cần CFG hay lời nhắc tiêu cực (negative prompt), xuất trực tiếp ảnh độ phân giải 800 megapixel (8 MP); khi chỉnh sửa ảnh, có thể cung cấp tối đa 8 ảnh, trong đó ảnh thứ 1 là ảnh cần chỉnh sửa, các ảnh còn lại đóng vai trò tham chiếu (trong lời nhắc được gọi là Picture 2, Picture 3...). Mô hình tích hợp sẵn một bộ mở rộng lời nhắc dựa trên Qwen3.5-9B, mặc định được bật, giúp chuyển đổi yêu cầu ngắn gọn thành lời nhắc hoàn chỉnh mà mô hình xử lý tốt nhất; khi chỉnh sửa ảnh, định dạng sẽ là "chỉnh sửa phần nào, giữ lại những gì". Kho lưu trữ được tạo vào ngày 27 tháng 10, cập nhật hướng dẫn vào ngày 3 tháng 11, và không có mục nào được ghi nhận trong 7 kỳ gần đây.
Điểm tăng thêm 106 · Lượt thích 109 · Lượt tải xuống 287
Lý do
- Giải quyết nhu cầu "tạo ảnh độ phân giải cao từ một câu lệnh ngắn, chỉnh sửa ảnh mà không vẽ lại toàn bộ": tác giả cho biết mô hình này mạnh nhất về phong cách nhiếp ảnh thực tế, điện ảnh và tạp chí, cũng như thiết kế đồ họa có chứa văn bản ngắn trong dấu ngoặc kép; các hình so sánh của tác giả chỉ ra rằng khi nhập trực tiếp yêu cầu ngắn, mô hình thường vẽ lại toàn bộ bức ảnh, nhưng sau khi mở rộng thành lời nhắc dạng biên tập, nó chỉ chỉnh sửa phần được chỉ định.
- Theo thông tin chính thức, với cấu hình đơn lẻ B200, bf16, 8 MP, thời gian kết xuất một ảnh nguyên bản khoảng 9 giây, bộ nhớ VRAM đỉnh điểm là 83 GB; khi bật tính năng mở rộng lời nhắc, thời gian tăng thêm 6–11 giây, bộ nhớ VRAM đỉnh điểm khoảng 101 GB. Thành phần bao gồm transformer tham số 33.1B, bộ mã hóa văn bản 4B, VAE và mô hình mở rộng lời nhắc, tổng dung lượng ở định dạng bf16 là 100 GB.
- Tác giả cũng phát hành phiên bản ComfyUI (PrunaAI/P-H3-Image-Comfy), chỉ sử dụng các nút có sẵn trong ComfyUI, mỗi thành phần đều có ba mức độ chính xác để kết hợp: bf16, int8, w4a8. Bộ nhỏ nhất yêu cầu tải xuống 20 GB, bộ nhớ VRAM đỉnh điểm ở độ phân giải 8 MP khoảng 21 GB; tác giả cho biết phiên bản int8 gần như giống hệt từng pixel so với bf16, còn w4a8 sẽ thay đổi chi tiết và đôi khi thay đổi bố cục. Trên card L40S dung lượng 48 GB, phiên bản w4a8 tạo ảnh kích thước 2048×2048 mất khoảng 6.3 giây (phiên bản bf16 cần卸载 bộ nhớ, mất khoảng 19 giây). Ngoài ra còn có một LoRA dung lượng 2.0 GB có thể gắn vào mô hình MiniMax-H3 của riêng bạn.
Cách sử dụng
- ComfyUI: Trước tiên chạy lệnh
cd ComfyUI && git pullđể cập nhật lên phiên bản master mới nhất (phiên bản chính thức, phiên bản desktop và Comfy Cloud phải chờ bản phát hành tiếp theo), tải xuống từng tệp cho mỗi thành phần từ PrunaAI/P-H3-Image-Comfy vào các thư mục tương ứng trongComfyUI/models, mở tệpworkflows/p-h3-image_text_to_image.jsonhoặcp-h3-image_edit.json, nhập yêu cầu ngắn gọn và chạy; quy trình làm việc sử dụng bộ lấy mẫu euler, 8 bước, không có CFG, chọn loại Load CLIP là minimax. - diffusers: Chạy
pip install git+https://github.com/huggingface/diffusers，再用rồi dùngModularPipeline.from_pretrained('PrunaAI/P-H3-Image')cùng vớiload_components(dtype=torch.bfloat16); nếu truyền vào tham sốimagethì đó là chỉnh sửa ảnh, nếu truyền vào danh sách ảnh thì đó là tham chiếu đa ảnh. Với card đồ họa 80 GB, hãy sử dụngenable_auto_cpu_offloadcủa ComponentsManager, theo thông tin chính thức bộ nhớ VRAM đỉnh điểm ở độ phân giải 8 MP khoảng 76 GB. - Độ phân giải tuân theo bảng kích thước 8 MP trong card (mặc định là 2912×2912, dùng 3872×2176 cho 16:9), khi chỉnh sửa ảnh sử dụng mức 4 hoặc 8 MP. Khi viết lời nhắc thủ công, câu đầu tiên cần nói rõ "đây là bức ảnh gì" (ví dụ: một bức ảnh do nhiếp ảnh gia đường phố chụp), văn bản xuất hiện phải được đặt trong dấu ngoặc kép từng chữ và kết thúc bằng cụm từ "no other text", không sử dụng các từ như stunning, 8k, masterpiece (tác giả cho biết những từ này sẽ làm hình ảnh trở nên bóng bẩy quá mức và bão hòa màu). Nếu không muốn tải xuống, bạn có thể thử trước trên Space PrunaAI/P-H3-Image.
Rủi ro
- Giấy phép là Giấy phép Cộng đồng MiniMax H3: nếu không có sự ủy quyền riêng từ MiniMax, giấy phép này không bao gồm các khu vực EU, Vương quốc Anh, Hàn Quốc và Hoa Kỳ; sản phẩm dựa trên mô hình này phải ghi rõ "Powered by MiniMax H3"; chỉ phần bộ mã hóa văn bản Qwen3-VL-4B và mô hình mở rộng lời nhắc được cấp phép theo Apache-2.0.
- Các hạn chế do tác giả liệt kê: nhạy cảm với lời nhắc, các tính từ phóng đại hoặc lời nhắc quá dài sẽ làm giảm chất lượng; bàn tay và các nhân vật nhỏ trong nền có thể bị biến dạng; chữ nhỏ và văn bản dày đặc vẫn có thể trở thành ký tự giả mạo; ở độ phân giải 2–4 MP, khuôn mặt, bàn tay và chi tiết dễ bị lỗi hơn; chỉ tạo ra một ảnh duy nhất, không tạo video hay âm thanh. Chuyên mục này chưa xem qua các ảnh mẫu.
- Yêu cầu phần cứng khá cao: phiên bản diffusers gốc ở độ phân giải 8 MP cần khoảng 101 GB VRAM (tắt tính năng mở rộng lời nhắc thì còn khoảng 83 GB); phiên bản ComfyUI hiện chỉ khả dụng trên bản phát triển, các định dạng int8 / w4a8 phụ thuộc vào nhân INT8 của comfy-kitchen, yêu cầu card NVIDIA Ampere trở lên hoặc AMD RDNA3/4. Dữ liệu so sánh về tốc độ và chất lượng hình ảnh đều do tác giả tự cung cấp.