MiniMax开源H3 Image图像模型：4K生图仅10秒，支持16张参考图

OpenAI 在 11 月 4 日刚上线 Images 2.6，才没过几天，就有人喊出了一句：GPT is cooked.

GPT-6 彻底完了。

让大家上头的，是 MiniMax 的新模型 H3 Image。内测玩家 Emily 提前爆出几个硬核参数：最多支持 16 张参考图，提示词能写到 7500 个字符，最高可以生成 4K 分辨率。她顺手押了一注：以她对 MiniMax 的了解，这模型迟早会开源。

她押对了，而且比她想的还要快。今天，MiniMax 正式发布 H3 Image，当天就开源权重，同步开放 API，自家的 MiniMax Code、开放平台和海螺 AI 里也能直接用。

三个月前，这家公司开源了视频模型 H3，英伟达的研究团队、Pika、fal 都基于它再训练了衍生模型。这回轮到生图。官方给 H3 Image 的定位，是开源图像模型的 SOTA，整体效果处于全球第一梯队。名次这种词听得有点麻了，它身上另一个标签更值得在意：指令遵循能力。

这次主打开源、高清、速度快。H3 Image 可以直接生成 4K（4096×4096）的图像。对创作者来说，高分辨率意味着更多细节、更大的裁切余地，也扩大了图像可用的范围：同一张图可以适配不同尺寸的海报和网页，也可以截取局部，突出某个人物或产品。

市面上主流模型大多在一百万到四百万像素之间，速度普遍是分钟级，最快的也要 50 秒上下。H3 Image 生成 4K 图像只需要 10 到 20 秒，直接把尝试的时间成本打了下来。需要调整构图、配色或光线细节时，创作者也能很快看到结果、继续修改。

也就是说，4K 的日常创作，第一次变得现实。

AI 生图，不止于美

一批博主昨天拿到了内测资格，已经晒了一波图。

博主 Muhammad Ayan 开口就是一句「🚨 中国又扔出来一个狠的」，然后甩图：一张照片进去，一整套 4K 角色设定图出来，全身正面、背面、脸部特写都有，毛孔、雀斑、细绒毛都在。结论就一句：AI 人像那层「塑料皮」，没了。

看到这儿，我其实没太当回事。「更真的写真模型」，这话每个月都有人喊。往下翻，画风变了。

Papillon 翻出一张《GTA：圣安地列斯》的老截图，让它重画成次世代 3A 大作，配文是：CJ 等了 20 年的画质升级，到货了。

DrSadek 一口气跑了纪实摄影、赛博朋克动画等四种画风，让网友投票。

喊「GPT is cooked」的 Israa Ali，测的是 3A 游戏资产和 3D 场景。话说得多少有点满，可那股兴奋劲装不出来。

再往下，就不只是「美图」了。

plasm0 拿它排大字海报，说大字很稳，小字偶尔出错、但大体是对的。

他还测了美国手语的手势，评价是「挺不错，比 Moss 好多了」。

左边是 H3 Image，右边是 Moss。手语是非常难的场景，AI 模型基本都会出错。据 ChatGPT-6.1 Sol 统计，Moss 正确率只有 20.0%，比如 U、V 手势互换，一个标成 X 的格子实际是 W。H3 Image 虽然也有错，但已经做到了 48.1% 的正确率，完全对得起「比 Moss 好多了」的评价。

Ankit Patel 和 studio_oneroom 更野，让它出 CAD 风格图和机械爆炸图——就是零件一颗颗拆开、悬在半空的那种。

发现没有？这几样全是生图模型的老牌翻车现场。画面好看不难，难的是字不能错、手势不能混、零件不能装反。这考的不是画功，是脑子。

这个生图模型不偏科

Midjourney 这类模型是艺术生，光影、质感没得挑，可一碰到长文字、空间关系就犯迷糊。Claude 这类语言模型是理科生，逻辑清清楚楚，让它写代码画张图表也有条有理，但它本来就不是干生图的，画面质感没法跟专业视觉模型比。

指令遵循能力强、生成速度快、高像素，好像鱼与熊掌不可兼得。MiniMax 这次想要的，是不偏科。

口说无凭。拿到内测权限后，我们没测人像写真，也没测风景壁纸，直接出了三道专挑软肋的题。

第一题：考考生图模型理解能力

有海外创作者提前拿到了 MiniMax H3 Image 的试用资格，上来就扔出一道高难度考题：

把巴黎埃菲尔铁塔改造成赛博朋克世界里的未来星际通信中继站，还必须用专业建筑 CAD 蓝图的形式呈现。超精细矢量线条、严格对称的建筑结构、复杂剖面设计，甚至密密麻麻的工程细节，统统不能少。

结果让测试者都惊了。面对如此复杂的提示词，MiniMax H3 Image 展现出了令人意外的细节表现力，指令遵循能力可见一斑。

应县木塔也没问题，可以生成真正用于建设的蓝图。

接着加码，考空间感：

一台四足巡检机器狗在地震灾后废墟中的第一视角感知界面（HUD）。要求前景有机械足部的边缘透视，中景呈现坍塌建筑的残骸。画面上必须叠加三维点云测距网格，并在远处的特定水泥梁柱障碍物周围，画出贴合边缘的红色 3D 边界追踪框。界面两侧带有对称的机体倾角姿态仪。

这类图最容易做成「科幻贴纸」：框是框，楼是楼，谁也不挨着谁。这张不是。红色边界框顺着透视，贴在远处那根倒塌梁柱的边缘上；两侧姿态仪的刻度，还和机器狗前倾的姿态对上了。它是先在脑子里搭了一个三维空间，再往里摆东西。

工业辅助设计、具身智能的合成数据，这些靠空间感、真实细节吃饭的活，有戏了。

第二题：脑子好使了，手会不会僵？

理科生最怕被人说「画得像工程制图」。所以第二题换成纯美术：

次世代暗黑奇幻动作游戏实机界面截图。背景是一位身披残破重甲的骑士站在由巨大骨骸构成的废墟悬崖边，远方是正在崩解的黑色太阳，带有极其厚重的体积雾与光追反射。前景带有完整的游戏 UI 系统：左下角为巴洛克金属雕花环绕的暗红色血球与蓝色法力槽；屏幕底端排列着五个具有倒计时冷却效果的石雕符文技能图标；右上角是一张带有半透明迷雾的羊皮纸风格小地图。整体色调冷峻沉郁。

「游戏场景加整套 UI」这类题，有两种常见的死法：UI 化进背景里，或者 UI 保住了、主角崩了。这张很稳。画面呈现出极高精度的暗黑奇幻 3D CG 质感。天空被一个巨大且散发着压迫感的「黑日」占据，黑日边缘碎裂，无数黑色陨石碎片正向外漂浮散落。地面是荒芜、嶙峋的灰褐色岩石与枯骨，浓重的冷灰色雾气弥漫在深渊之上，画面充满史诗感与苍凉感。

再换手工路线。毛毡定格动画里两只穿粗毛线衣的小羊，逆光里绒毛透着亮，连黏土底座上的指纹、纸板切口的毛边都在。这些丰富的细节让图片看起来更加真实，也扩大了图像模型的可用范围。

钢笔淡彩也试了，下笔的轻重、水彩沉在粗纹纸上的水痕都有，没有 AI 图那股油腻的数码味。

第三题：一口气喂它 16 张图

前两题考的是单张图的本事。第三题考干活的人最头疼的事：一致性。

做过游戏资产、电商图、连环漫画的人都懂，参考图一多，模型就「串味」：A 的脸长到 B 身上，盔甲的颜色染进背景里，最后只能一遍遍抽卡。

H3 Image 一次最多吃 16 张参考图，我们索性喂满：8 张原创 3D 角色的多角度面部特写和表情，4 张机械义肢、动力装甲的局部结构和材质图，4 张赛车维修车间的光影和色板。

然后只给一句话：「该角色身穿这套动力装甲，坐在赛车维修车间的工作台上调试机械臂，神情专注。」

出来的图，脸还是那张脸，五官轮廓和发色都对得上；装甲的关节卡扣、液压管路，是照着拆解图的结构长的；整张图的色温和反光，落在车间那套色板里。

它没把 16 张图硬拼到一起，更像是先把人、装备、环境分门别类读懂，再按新指令重新搭了一场戏。三视图、服装库、道具、场景一股脑丢给它，批量出分镜、出电商图，可以少抽几次卡。对靠这个吃饭的人来说，这比「再好看 10%」实在得多。

三道题做下来，我的感受是：生图模型的上半场比谁画得美，下半场要比谁听得懂人话了。

老外晒的爆炸图，我们也在 Harness 里试了一下。喂给它的只有一页 ORB-7 结构参考：一张正面图、一张中心剖面、一份零件清单，全是平面的工程语言。要求是把这盏微型探照灯沿光轴拆成七件，顺序不能错，螺钉只能有三枚。

出来的图，七个零件从前盖到外壳一字排开，01 到 07 的引线没有一根指错，螺钉和孔位也都是三个。拉丝铝、玻璃、橙色硅胶、绿色电路板、黑色阳极氧化金属，各是各的质感。电路板上那枚方形金色芯片、散热块外缘的散热槽，这些藏在清单小字里的细节也被它翻了出来。右下角还按要求配了一张装好的成品小图。

它是先理解了剖面图，知道要拆解的是什么物体，然后才动手拆的。看图纸这件事，以前的生图模型很难「看」懂。

接下来，我们直接给 H3 Image 喂了 16 张参考图，故意出成一道「连线题」：4 个机器人的头、4 套衣服、4 件乐器，再加拱门、地板、月面、灯光各一张，要求谁配谁，一点不能乱。出来的结果，一个都没连错。

这「脑子」是哪来的

这份「脑子」是分两步攒出来的。

第一步在 H3 身上。H3 从一开始就不是单纯的视频模型，它要把文字、图片、视频、声音当成同一份上下文读懂，再去生成画面或视频。所以早在预训练阶段，它就把图像这门基本功练得扎实。

第二步才是 H3 Image。底子有了，MiniMax 这次把功夫下在了「后训练」这条链路上。用强化学习，让模型朝更好的结果一遍遍去调；把出一张图要走的步数压下来；再加一层提示词增强，你随口说一句，它先替你把话补全再动笔。最后是部署优化，让它跑得更省、更快。

这条路 MiniMax 早有预告。8 月 7 日的社区问答里，H3 团队就说过要做一个生成和编辑统一的图像模型。

「源神」的账是怎么算的

H3 能被人抢着改，是因为它开得够大方。

国内开发者管这种厂商叫「源神」，MiniMax 这个名号就是 H3 挣来的：开源不到一个月，下载量破 2400 万次，公开的衍生模型 300 多个。fal 基于它做出了 H3 Max，海外开发者又拿去搭了 24 小时不停播的「AI 电视台」。英伟达和 MIT 的研究者 10 月 28 日基于它开源了视频增强项目 Open-H3-Regenerate-2K，11 月 9 日还更新了一版。Pika 也发了自己的改款。

可开源了，钱从哪来？

MiniMax 的办法，翻译成人话就是：小店随便用，做大了再来谈。按 H3 的社区许可，年收入 2000 万美元以内，在协议覆盖的地区可以免费商用；超过这条线，或者要在美国、欧盟、英国、韩国部署，就得单独找 MiniMax 拿授权。比如，ComfyUI 背后的 Comfy 已经在代理这类授权，专业版每月 5000 美元起；英伟达研究团队走的也是单独授权。

先让全世界的工程师在自己的显卡上跑起来，信任从代码里长出来，生意再跟上。H3 这三个月至少说明了一件事：开源和赚钱不打架。

而图像的需求比视频密得多，游戏原画、电商图、工业设计，天天都在用。同样的打法搬过来，想象空间只会更大。

H3 开源公告的最后一行，是 MiniMax 那句老口号：Intelligence with Everyone。把能力锁在订阅墙后面是一种活法，把钥匙发到每个人手里是另一种。

H3 Image 的权重、模型 API 以及 MiniMax Code 等平台的入口都已经开了。