MiniMax H3-Image 是 MiniMax 于 2026 年 11 月正式发布的一款开源图像生成模型，它衍生自其视频生成模型 MiniMax H3。MiniMax H3-Image 模型的核心突破是将高分辨率图像的生成与编辑能力整合一体，文生图和参考图编辑共用同一套权重，实现原生高分辨率直出带来的极高画质与极快的生成速度。这野心实在不小，居然鱼和熊掌全都要。

核心架构与规格

· 骨干网络：一个 331 亿参数的稠密（Dense）DiT，共 50 层，由 MiniMax H3 视频模型移除音频分支衍生而来。

· 关键维度：隐藏维度 5,376，56 个注意力头，FFN 宽度 14,336，并采用了 3D 多模态 RoPE。

· 文本编码器：沿用 H3 的 Qwen3-VL（约 334 亿参数），文本端未做根本性改动。

· 采样效率：经过蒸馏，仅需 6 步采样即可出图，且无需 CFG，大幅降低了高分辨率生成的计算开销。

· 精度配置：DiT 和文本编码器以 BF16 精度运行，图像 VAE（约 5.8 亿参数）则采用 FP32 精度。

核心能力：速度与画质兼备

H3-Image 最突出的特点是原生高分辨率直出与极快的生成速度。

· 原生 4K 直出：可直接生成 4096 × 4096 分辨率、约 1678 万像素（16MP） 的图像，无需额外的放大流程。

· 支持画幅：覆盖从约 400 万到 2000 万像素的范围，常见规格包括 4096 × 4096（方形）、5472 × 3072（16:9）和 6272 × 2688（21:9）。

· 极速生成：生成一张 4K 图像最快仅需 10 秒，速度宣称可达市面主流水平的 5 倍。

· 功能集成：在同一模型中整合了文生图、图像参考和图像编辑三项任务，可根据指令修改现有图片的纹理、构图等。

技术特点：真实感与精准控制

· 强真实感：模型着力减少常见的 "AI 感 "，致力于提供丰富的画面细节和极强的真实感。

· 强指令遵循：官方称其具备 " 开源模型中最强 " 的指令遵循能力，并最多支持 16 张参考图输入，便于实现精准控制与风格融合。

性能与效率

在官方对比中，H3-Image 的效率优势明显：

· 标准模式：速度约为市面主流工具的 1.5 至 2 倍。

· Highspeed 模式：速度可进一步提升至主流工具的 3 至 4 倍。

获取与使用

· 开源权重：模型权重已在 Hugging Face 开放下载，可供本地部署。

· 官方服务：已接入 MiniMax 开放平台、MiniMax Code 和 MiniMax 海螺，可直接调用。

· 定价策略：服务价格约为同档位主流工具的 50% 至 70%，发布首周对 16MP 及以上规格的请求提供五折优惠。

部署与资源要求

本地部署需准备充足资源，完整存储库（含文本编码器）约需 127 GB 磁盘空间，其中 DiT 权重文件约 68.65 GB。在 4 × H200 的配置下，生成一张 2048 ² 图像端到端延迟约 1.35 秒。社区专门针对单个消费级显卡的量化版权重文件约为 12.55GB，16GB 的显卡本地部署以后完美运行，用于高效率高质量生成和编辑 4K 图片。

MiniMax H3-Image 本地部署实测

本地部署实测采用了无限制版，该模型的图片生成和参考图编辑速度明显快于同类大模型，高分辨率带来的画质提高非常惊艳。如果对图片分辨率有很高要求，比如 4K 或者 1678 万像素，或者需要 16 张参考图进行精准控制与风格融合，那么这个大模型可以完美胜任，堪比神器！

值得注意的是，该模型在低分辨率下效果会明显下降，原因是该模型是以 4096 ✕ 4096（16MP）为训练目标尺度，一开始瞄准的就是高分辨率这个赛道，在生成速度和生成质量方面形成行业领先的优势。

在单机本地部署的时候，不要同时运行浏览器或者其它 GPU 密集型成程序，否则易触发 OOM（显存溢出）。模型运行时，建议关闭高内存占用程序，当然如果你有超大内存的设备，可以直接 PASS 这一条。

显存不足时，文生图模式建议将宽度降低至 "2048"；编辑模式建议将 " 缩放到 16MP" 改回 "4"。

Enjoy！

MiniMax H3-Image 文生图作品