据 Net.Coffee 报道,稀宇科技(MiniMax)发布并开放了 MiniMax H3 Image 的模型权重,将文生图、参考图生成和图像编辑放进同一个模型。官方介绍的能力包括直接生成 4096×4096 图像、最多输入 16 张参考图;原报道给出的出图速度约为 10 秒一张,实际耗时仍需结合运行环境判断。
十秒、4K 和 16 张参考图,分别意味着什么?
4096×4096 约为 1678 万像素,是 1024×1024 图像像素量的 16 倍。过去获得这一尺寸,常见流程是先生成小图,再通过超分辨率模型放大;布料、发丝以及包装小字的边缘,往往容易在放大时变模糊,或出现模型补出来的细节。
H3 Image 强调直接在 4K 尺度生成,而不是先出小图再放大。官方仓库的说明也写明,模型能够直接生成约 1600 万像素的图像,不需要额外的超分放大步骤。
速度的变化更多体现在反复试图的过程中。单次等待 10 秒还是 30 秒,差距可能不算突出;但如果需要多次调整提示词、每轮生成几张再筛选,累计等待时间就会明显不同。进入十秒级,意味着“先生成一张看看”的尝试成本进一步降低。
- 能力范围:文生图、参考图生成、图像编辑。
- 输出:最高 4096×4096,原报道引述的官方速度约为 10 秒一张。
- 参考输入:最多 16 张图片。
- 重点改进方向:复杂指令理解、多图参考和画面细节。
多图参考的难点,是分清每张图的作用
只有一张参考图时,模型主要学习主体或风格;参考图增加到五六张以上,问题就变成了“哪张图约束哪一部分”。例如,一张用于脸型,一张用于服装,一张用于场景光线,另外几张提供商品角度。模型需要分别理解这些信息,再组合到同一幅画面,避免把不同参考图的背景和人物混在一起。
最多 16 张参考图,对电商和角色设定尤其有用:同一商品的多角度实拍、同一角色的不同造型,可以一次提供给模型,减少反复尝试的次数。不过,像“只把左边第二个人的衣服改成红色,其余不动”这样的复杂要求,究竟能执行到什么程度,仍需要实际测试。
生成和编辑放进同一个模型
一些工作流会分别用不同模型负责出图、局部修改和放大。工具每切换一次,色调和细节都可能产生偏移。H3 Image 将生成与编辑统一起来,意图是减少在多个工具之间反复导出、导入,也让修改过程沿用同一套画面理解。
对系列图而言,确定主视觉只是第一步,后续延展更看重角色、色调和细节的一致,而不只是单张图是否足够惊艳。
想先看效果,可以不从部署开始
模型权重已在 Hugging Face 提供,开发者可以自行下载。4K 生成需要相应的显存和算力,具体硬件条件应以官方仓库为准,不宜把在线服务的速度直接当作个人显卡的表现。
只想先体验效果,也可以使用已经接入模型的产品。原文介绍了 PixPix 和 PixTV 两个入口:前者偏电商主图和商品图,后者偏画布、分镜及视频工作流。原文称其为合作站点;具体接入状态、模型选项与计费,以各站实际说明为准。
十秒级 4K 出图带来的变化,也许不只是画质,而是创作者愿意多尝试几次。能否稳定满足复杂需求,还要看真实工作流中的结果。
来源:Net.Coffee《开源 4K 图像模型进入十秒级:MiniMax H3 Image 发布》,JCK 源栈轻度改写整理。
核对参考:MiniMax H3 Image 官方仓库。仓库确认原生高分辨率、多图参考及社区许可;速度与发布期价格按原报道保留,不代表本站实测。
站内延伸阅读
封面为 AI 生成的主题创意插画,不是产品界面、实测结果或官方宣传图。