MiniMax-H3-Image:文生图和改图合一,直出一千六百万像素

MiniMax 发布的开源图像生成与编辑模型,属于 MiniMax H3 家族:DiT 沿用 H3 架构但去掉音频层,参数 331 亿,文本编码器直接用 MiniMax-H3 的。同一个检查点既能文生图,也能按一张或多张参考图编辑,官方称最多支持 16 张参考图。官方称各种画幅都能直接生成约 16 MP 的图(1:1 为 4096×4096,21:9 为 6272×2688),不需要放大器;模型蒸馏到 6 步、不用 CFG。模型卡示例包括写实摄影、概念设计、中英文逻辑题解题板的文字渲染、把白模渲染改成电影剧照,以及把空房间加九件家具共十张参考图合成一个客厅。

原题:MiniMaxAI/MiniMax-H3-Image

MiniMax 发布的开源图像生成与编辑模型,属于 MiniMax H3 家族:DiT 沿用 H3 架构但去掉音频层,参数 331 亿,文本编码器直接用 MiniMax-H3 的。同一个检查点既能文生图,也能按一张或多张参考图编辑,官方称最多支持 16 张参考图。官方称各种画幅都能直接生成约 16 MP 的图(1:1 为 4096×4096,21:9 为 6272×2688),不需要放大器;模型蒸馏到 6 步、不用 CFG。模型卡示例包括写实摄影、概念设计、中英文逻辑题解题板的文字渲染、把白模渲染改成电影剧照,以及把空房间加九件家具共十张参考图合成一个客厅。

为什么重要 不用放大器直出约一千六百万像素,六步采样,最多接十六张参考图,主流推理框架和 ComfyUI 都已支持

上升分 471 · 点赞 476 · 下载量 667

理由

  • 官方称指令遵循在开源模型里最强;短提示词可先经 H3-Image-Context-IR(API)或可本地部署的 MiniMax-H3-Image-PE 扩写成完整英文描述再生成
  • 部署路径齐全:SGLang、vLLM-Omni、diffusers、ComfyUI 都有官方文档或模板,官方列出的硬件包括 H200、RTX PRO 6000 Blackwell 和 AMD MI350X
  • 模型卡给出本地 SGLang 和官方 API 用同一提示词出图的对照,并附可直接运行的示例脚本

用法

  • hf download MiniMaxAI/MiniMax-H3-Image,再下载 MiniMax-H3 仓库的 text_encoder/;用 sglang serve 或 vllm serve --omni 起服务,文生图请求发 /v1/images/generations,编辑请求发 /v1/images/edits(参考图按上传顺序对应提示词里的 <Picture 1>、<Picture 2>)
  • size 写成 宽x高,官方建议约 16 MP(如 4096x4096、5472x3072);步数只能是 6,guidance_scale 只能是 1,不支持负面提示词
  • 提示词要写完整的英文画面描述,短提示词先用 MiniMax-H3-Image-PE 扩写
  • ComfyUI:用 Comfy-Org/MiniMax-H3-Image 打包版,按官方教程套文生图或编辑模板

风险

  • 体量大:DiT 权重约 66 GB,另需约 67 GB 的 MiniMax-H3 文本编码器,要数据中心级大显存显卡
  • 按 MiniMax-H3-Image 社区许可发布,许可第四节所列情形需另行申请书面授权,商用前要读条款
  • “开源模型里指令遵循最强”为官方说法,模型卡未附第三方评测
  • 本条未运行,效果以模型卡为准

打开

Hugging Face Trending

浏览最新 AI 动态