MiniMax представила H3-Image — открытая модель для быстрой генерации изображений с поддержкой разрешения до 16К

MiniMax представила MiniMax-H3-Image — модель генерации и редактирования изображений, которая пополнила семейство H3. Главное отличие новинки в том, что она выдает изображения разрешением около 16 мегапикселей (4096 × 4096 в квадрате) напрямую, без использования апскейлера, и делает это примерно за 10 секунд. Модель распространяется с открытыми весами на Hugging Face, а также доступна через API MiniMax, MiniMax Code и Hailuo AI. Помимо скорости и разрешения, H3-Image поддерживает редактирование с использованием до 16 референсных изображений, что дает создателям больше контроля над результатом.

В основе модели лежит диффузионный трансформер (DiT) на 33,1 млрд параметров — плотная одноручьевая архитектура с 50 слоями, скрытой размерностью 5376, 56 головами внимания и шириной FFN 14 336. Архитектура повторяет H3-Omni-Transformer, но без аудиоветки. Текстовый энкодер Qwen3-VL взят из MiniMax-H3 без изменений, а DiT считывает скрытые состояния с его 50-го слоя. Скорость достигается за счет дистилляции: чекпоинт сжат до 6 шагов сэмплирования (6 NFE) и полностью обходится без classifier-free guidance. Это не настройки, которые пользователь может менять: официальный API возвращает ошибку, если num_inference_steps отличается от 6, а guidance_scale — от 1, и отклоняет негативные промпты.

Модель генерирует изображения примерно в 16 МП при любом соотношении сторон: 1:1 — 4096 × 4096, 4:3 — 4736 × 3552, 3:2 — 5024 × 3360, 16:9 — 5472 × 3072, 21:9 — 6272 × 2688. Рабочий диапазон составляет примерно от 4 до 20 МП, а наилучшие результаты достигаются около 16 МП. Поддерживается редактирование до 16 референсных изображений, которые адресуются в промпте позиционно.

Требования к ресурсам зависят от формата. Полная версия в BF16 вместе с текстовым энкодером занимает около 135 ГБ видеопамяти, в FP8 — около 90 ГБ. Облегченная NVFP4-версия требует примерно 47 ГБ, и, по данным сообщества, ее можно запустить на одной RTX 5090. Существуют и GGUF-кванты вплоть до Q2_K, которые помещаются на карты с 8–10 ГБ, хотя качество при этом снижается. Официальные веса опубликованы на Hugging Face; лицензия — MiniMax-H3-Image Community License, которая, по сообщениям, исключает использование в Европе, США, Великобритании и Южной Корее.

MiniMax-H3-Image меняет представление о том, что открытая модель для генерации изображений должна быть медленной и компромиссной. Сочетание 16-мегапиксельного вывода, шести шагов сэмплирования и поддержки 16 референсов делает ее практичным инструментом для дизайна, контента и коммерческой визуализации, а не только для экспериментов. Открытые веса и гибкие варианты квантования снижают порог входа: от одной потребительской карты до серверного развертывания.