MiniMax 正式发布 H3 Image：开源权重，支持 4K 生成
新智元报道
OpenAI Images 2.6 上线仅数日，业界便传出“GPT is cooked”的惊呼。引发这一波关注的，是 MiniMax 最新发布的图像模型 H3 Image。
此前内测用户透露，该模型支持最多 16 张参考图、7500 字符提示词及 4K 分辨率输出，并预测其将开源。今日，MiniMax 正式官宣发布 H3 Image，同步开源模型权重、开放 API，并接入 MiniMax Code、开放平台及海螺 AI。
继三个月前开源视频模型 H3（衍生出英伟达、Pika 等多个生态模型）后，MiniMax 此次将重心转向生图领域。官方将 H3 Image 定位为开源图像模型的 SOTA（State of the Art），核心优势在于指令遵循能力、高清画质与生成速度。
- 4K 超清输出：直接生成 4096×4096 分辨率图像，为海报适配、局部裁切提供更多细节与空间。
- 极速生成：相比主流模型分钟级的生成时间，H3 Image 生成 4K 图像仅需 10-20 秒，大幅降低创作试错成本。
AI 生图进阶：从“美观”到“精准理解”
早期评测显示，H3 Image 在真实感上表现优异，消除了传统 AI 人像的“塑料感”。但更令开发者兴奋的是其在复杂指令遵循上的突破。
海外博主 Papillon 测试将其用于《GTA：圣安地列斯》老截图的重绘，实现了次世代 3A 大作的画质升级；DrSadek 则在纪实摄影、赛博朋克等多种风格间自由切换。更为硬核的测试来自游戏资产生成，Israa Ali 利用该模型生成了高质量的 3D 场景与游戏资产。
|
|
除了视觉美感，H3 Image 在文字渲染、手势准确性及工业绘图等“生图老大难”问题上表现突出：
- 文字渲染：海报大字稳定，小字准确率大幅提升。
- 复杂手势：在美国手语测试中，正确率达 48.1%，远超 Moss 模型的 20.0%。
- 工业设计：能准确生成 CAD 风格图及机械爆炸图，零件拆解逻辑清晰，无错位现象。
左：H3 Image；右：Moss。H3 Image 在手势细节上表现更佳。
实测验证：指令遵循与多模态一致性
不同于 Midjourney 侧重艺术质感或 Claude 侧重逻辑代码，H3 Image 旨在实现“不偏科”的能力平衡。以下是三项核心能力测试：
测试一：复杂逻辑与空间理解
任务：将埃菲尔铁塔改造为赛博朋克星际通信中继站，并以专业建筑 CAD 蓝图形式呈现。
结果：模型精准输出了包含超精细矢量线条、严格对称结构及复杂剖面设计的工程蓝图，展现了对专业术语和空间结构的深刻理解。
进阶任务：生成应县木塔建设用蓝图，以及机器狗在地震废墟中的第一视角 HUD 界面（含三维点云、边界追踪框及姿态仪）。
结果：红色边界框贴合透视边缘，姿态仪刻度与机体倾角一致，证明模型具备构建三维空间并在其中准确放置物体的能力，适用于工业辅助设计及具身智能数据合成。
测试二：艺术质感与细节还原
任务：生成次世代暗黑奇幻游戏实机截图，包含复杂 UI 系统（血球、法力槽、技能图标、小地图）及特定光影氛围。
结果：画面呈现高精度 3D CG 质感，UI 元素未融入背景，主角与环境分离清晰，黑日、体积雾及光追反射效果出色。
此外，在毛毡定格动画及钢笔淡彩风格测试中，模型成功还原了绒毛透光、黏土指纹、水彩水痕等微小细节，避免了常见的“数码油腻感”。
测试三：多图参考与角色一致性
任务：输入 16 张参考图（8 张角色面部、4 张装甲结构、4 张环境色板），要求生成角色身穿指定装甲在车间调试机械臂的场景。
结果：模型未简单拼接图片，而是理解了角色、装备与环境的语义关系。生成的图像中，角色五官、装甲结构及环境光影均与参考图高度一致，有效解决了多参考图下的“串味”问题，极大提升了游戏资产批量生产的效率。
在工业图纸解析测试中，模型仅凭一页平面工程语言（正面图、剖面图、零件清单），便准确生成了 ORB-7 探照灯的七件拆解图，零件顺序、螺钉数量及材质质感（拉丝铝、硅胶、电路板等）均无误，展现了极强的“读图”能力。
技术底座：强化学习与提示词增强
H3 Image 的“高智商”源于两步走策略：
- H3 基础：H3 并非单纯的视频模型，其在预训练阶段便将文本、图像、视频、音频作为统一上下文处理，奠定了扎实的图像基本功。
- 后训练优化：MiniMax 在 H3 Image 上引入了强化学习以优化生成步数，并增加提示词增强（PE）层，使模型能自动补全用户简略指令。同时通过部署优化提升运行效率。
开源商业模式：小额免费，大额授权
MiniMax 延续了 H3 视频模型的开源策略，被开发者称为“源神”。H3 开源一个月下载量破 2400 万，衍生模型超 300 个，吸引了英伟达、MIT、Pika 等机构基于其进行二次开发。
针对商业化问题，MiniMax 采取分层授权模式：
- 免费商用：年收入 2000 万美元以下的企业，在协议覆盖地区可免费商用。
- 商业授权：超过收入门槛或在美、欧、英、韩等地区部署，需单独获取授权。例如 ComfyUI 背后的 Comfy 已代理此类授权，专业版起步价为每月 5000 美元。
这种“先通过开源建立信任与生态，再通过高端授权变现”的模式，已在视频领域得到验证。鉴于图像在游戏、电商、工业设计等领域的需求频次远高于视频，H3 Image 的商业想象空间更为广阔。
目前，H3 Image 的权重、API 及在各平台的入口均已开放，践行 MiniMax “Intelligence with Everyone” 的理念。
编辑：所罗门 大卫
