MiniMax 开源 H3-Image:原生 4K 出图,最多用 16 张参考图改图
原文链接: https://huggingface.co/MiniMaxAI/MiniMax-H3-Image 来源: huggingface.co 发现于: 小互 · AI 解读站 · 2026/11/11 说明: 本文由 AIHot汪 自动聚合,并由 GLM 翻译为中文(保留全部代码与链接)
MiniMax-H3-Image
- 作者: MiniMaxAI
- 来源: https://huggingface.co/MiniMaxAI/MiniMax-H3-Image
pipeline_tag: text-to-image license: other license_name: minimax-h3-image-community-license-agreement license_link: LICENSE library_name: minimax-h3 language:
- en tags:
- text-to-image
- image-to-image
- image-editing
- image-generation
- minimax-h3
- diffusers base_model:
- MiniMaxAI/MiniMax-H3
MiniMax-H3-Image
在线 API
通过 API 直接使用 MiniMax-H3-Image。
- 国际站: platform.minimax.io | 国内站: platform.minimax.cn
API 文档:
在线应用
通过应用直接使用 MiniMax-H3-Image。
- WebApp 国际站: hailuoai.video | 国内站: hailuoai.com
- 桌面端国际站: agent.minimax.io | 国内站: agent.minimax.cn
简介
MiniMax-H3-Image 是源自 MiniMax H3 系列的最先进开源图像生成与编辑模型。它将创作意图的智能理解与构建视觉世界的能力相结合:凭借精准的指令遵循能力,将一个创意概念发展为具体的角色、场景与氛围。生成与编辑统一于同一个 checkpoint 中:既支持从文本生成图像(text-to-image),也支持编辑一张或多张参考图像,为创作者和开发者提供灵活且可控的图像创作方式。
它能直接生成约 1600 万像素的图像,涵盖所有宽高比,从 4096x4096(1:1)到 6272x2688(21:9),且无需上采样器(参见 Sizes)。该 checkpoint 经蒸馏至 6 个采样步骤(6 NFEs),无需 classifier-free guidance。其 diffusion transformer(DiT)采用不带音频层的 H3 架构,并原样使用 MiniMax-H3 文本编码器。

核心亮点
MiniMax-H3-Image 融合了三大核心优势:速度、图像质量和指令遵循能力。
- 以实用的计算成本生成 1600 万像素图像。 与当前常见的 1–4 MP 输出相比,16 MP(4096 × 4096)图像能够呈现多得多的细节,但通常需要大幅增加计算量。MiniMax-H3-Image 将这一计算成本控制在可管理的范围内,使 16 MP 生成在日常创作中切实可行。
- 细节丰富。真实感出众。 MiniMax-H3-Image 超越了人们熟悉的“AI 感”,生成具有精致细节和逼真质感的图像,为创意和专业用途开辟了更多可能。它让生成的图像更加贴近真实视觉世界的丰富性与细腻度。
- 更强的指令遵循能力。更大的创作掌控力。 出色的图像生成不止于美丽的画面——它帮助创作者将想法变为现实。MiniMax-H3-Image 在开源模型中提供了最强的指令遵循能力,并支持最多 16 张参考图像,让创作者对最终结果拥有更多控制权。
Model Zoo
| Model | Role | Precision | Size | Hugging Face |
|---|---|---|---|---|
| MiniMax-H3-Image | 文生图与图像编辑 | BF16 (DiT) | 68.65 GB | MiniMaxAI/MiniMax-H3-Image |
| MiniMax-H3-Image-PE(可选) | 用于文生图的提示词扩展器 | NVFP4 | 17.9 GB | MiniMaxAI/MiniMax-H3-Image-PE |
Model Architecture
MiniMax-H3-Image 遵循 H3-Base 设计,并移除了音频分支。文本提示词和参考图像由 H3 text encoder 编码;参考图像同时也会由图像 VAE 编码。所有 token 组成一个打包序列,输入单流 transformer,由其预测目标图像的 latent。VAE 将该 latent 解码为图像。
- Text encoder:MiniMax-H3 的完整 Qwen3-VL text encoder,保持不变。DiT 读取其第 50 层的隐藏状态。
- Image VAE:一个 CNN 编码器和一个 2D ViT 解码器(24 层),空间下采样倍率为 16x,latent 通道数为 24。DiT 使用 2x2 patch 对 latent 进行分块,因此每个 transformer token 覆盖 32x32 像素。
- Diffusion transformer:33.1B 参数,稠密单流 transformer,包含 50 层(hidden size 5376,56 个 attention heads,FFN size 14336)以及 3D multimodal RoPE,与 H3-Omni-Transformer 相同。权重采用 BF16;embedding、timestep 和输出层采用 FP32。
Quick Start
Download
| Component | Content | Size |
|---|---|---|
transformer/ |
DiT:BF16,其中 embedding、timestep 和输出层为 FP32。 | 66.28 GB |
pdd_fused_heads.safetensors, pdd_config.json |
逐步输出头(用于替换 transformer 的输出层)以及采样时间表。 | 12 MB |
vae/ |
图像 VAE,FP32。 | 2.34 GB |
tokenizer/, processor/ |
Qwen3-VL tokenizer 和 processor,与 MiniMax-H3 完全一致。 | 23 MB |
| Text encoder | 不包含在本仓库中。model_index.json 会从 MiniMaxAI/MiniMax-H3 的 text_encoder/ 文件夹加载它。如果你已经拥有 MiniMax-H3,则不会重复下载。 |
66.7 GB |
MiniMax-H3-Image/
├── model_index.json
├── pdd_config.json
├── pdd_fused_heads.safetensors
├── processor/
├── tokenizer/
├── transformer/
└── vae/
将本仓库以及 MiniMax-H3 的 text encoder 下载到 Hugging Face 缓存中:
hf download MiniMaxAI/MiniMax-H3-Image
hf download MiniMaxAI/MiniMax-H3 --include "text_encoder/*"
## optional prompt expander
hf download MiniMaxAI/MiniMax-H3-Image-PE
本地部署
我们推荐使用以下推理框架来部署该模型:
- SGLang - 参见 cookbook
- vLLM-Omni - 参见 vllm-omni recipe
- diffusers - 参见 diffusers 文档
- ComfyUI - 参见 Comfy 教程;使用 T2I 模板 / 编辑模板
vLLM-Omni 部署
请参阅 vLLM-Omni recipe,了解针对各硬件的部署配置及实测延迟。支持 NVIDIA 和 AMD 加速卡,包括 NVIDIA H200、RTX PRO 6000 Blackwell、AMD Instinct MI350X 等。
在单张 GPU 上启动服务器:
vllm serve MiniMaxAI/MiniMax-H3-Image --omni --host 0.0.0.0 --port 8000
如需更低延迟,可使用序列并行(sequence parallelism,Ulysses)将每个请求拆分到多张 GPU 上,例如 4 张 GPU:
vllm serve MiniMaxAI/MiniMax-H3-Image --omni --host 0.0.0.0 --port 8000 \
--num-gpus 4 --usp 4 --text-encoder-tp-size 4
SGLang 部署
这里以 SGLang 作为部署示例。更多部署配置请参阅 MiniMax-H3-Image 部署指南。
在单张 GPU 上启动服务器:
sglang serve --model-path MiniMaxAI/MiniMax-H3-Image --host 0.0.0.0 --port 30000 --warmup-mode off
若要使用 MiniMax-H3 text_encoder/ 文件夹的本地副本而非 Hugging Face 缓存,请添加 --text-encoder-path <path to text_encoder>。
如需更低延迟,可使用序列并行(sequence parallelism,Ulysses)将每个请求拆分到多张 GPU 上,例如 4 张 GPU:
sglang serve --model-path MiniMaxAI/MiniMax-H3-Image --host 0.0.0.0 --port 30000 --warmup-mode off \
--num-gpus 4 --ulysses-degree 4
请求参数
文生图(Text-to-image)请求是发送到 /v1/images/generations 的 JSON。图像编辑(Image editing)请求将参考图像以 multipart form data 形式发送到 /v1/images/edits;其上传顺序对应 prompt 中的 <Picture 1>、<Picture 2> 等。两者均通过 data[0].b64_json 返回 PNG。可运行示例见 完整工作流。
| 字段 | 文生图 | 图像编辑 | 说明 |
|---|---|---|---|
prompt |
必填 | 必填 | 按原样使用,截断至 4096 token。参见 完整工作流 |
size |
必填 | 必填 | WIDTHxHEIGHT。返回的图像尺寸与此完全一致;参见 尺寸 |
image |
— | 一个或多个文件 | 按上传顺序对应 prompt 中的 <Picture 1>、<Picture 2>、…… |
seed |
推荐 | 推荐 | 整数 |
generator_device |
推荐 cpu |
推荐 cpu |
相同 seed 在任何机器上都产生相同的初始噪声 |
response_format |
b64_json |
b64_json |
|
min_generation_area |
可选 | 可选 | 最小生成区域(像素),范围 1024-16777216,默认 4194304(2048x2048)。较小的 size 会在更大画布上按相同宽高比生成,再用 LANCZOS 缩放回目标尺寸;传入 1024 可关闭此功能。下表中的所有尺寸均高于该默认值 |
num_inference_steps |
省略或 6 | 省略或 6 | 其他值会返回 HTTP 400 |
guidance_scale |
省略或 1 | 省略或 1 | 其他值会返回 HTTP 400 |
negative_prompt |
不支持 | 不支持 | 会被拒绝 |
尺寸
MiniMax-H3-Image 的有效工作范围约为 4 MP 至 20 MP,通常在 16 MP 左右效果最佳。常见的 16 MP 尺寸如下:
| 宽高比 | 尺寸(宽 x 高) |
|---|---|
| 1:1 | 4096x4096 |
| 4:3 / 3:4 | 4736x3552 / 3552x4736 |
| 3:2 / 2:3 | 5024x3360 / 3360x5024 |
| 16:9 / 9:16 | 5472x3072 / 3072x5472 |
| 21:9 | 6272x2688 |
完整工作流程
MiniMax-H3-Image 需要针对整幅图像的详细英文描述。MiniMax API 会在生成前通过 H3-Image-Context-IR 将任意语言的简短 prompt 转换为这样的描述。我们还提供了 MiniMax-H3-Image-PE,可进行本地部署。
本节展示如何使用本地部署的 SGLang 服务器复现 MiniMax API 直接生成图像的质量。脚本位于
examples/ 中,仅使用 Python 标准库;请在该文件夹中运行:
hf download MiniMaxAI/MiniMax-H3-Image --include "examples/*" --local-dir .
cd examples
在运行示例之前,请设置你的 MiniMax API endpoint 和 key,以便使用 H3-Image-Context-IR API 和参考脚本。脚本会从环境变量中读取它们:
## MiniMax API endpoint (choose one)
## CN
export MINIMAX_API_BASE="https://api.minimax.cn"
## Global
## export MINIMAX_API_BASE="https://api.minimax.io"
## API key obtained from the MiniMax platform
export MINIMAX_API_KEY="<api-key>"
API 文档:
- H3-Image-Context-IR:使用 /v1/h3_image_context_ir 英文文档,中文文档
- 文生图:使用 /v1/images/generations 英文文档,中文文档
- 图像编辑:使用 /v1/images/edits 英文文档,中文文档
case-T2I
| 阶段 | 请求 | 结果 | |
|---|---|---|---|
| Prompt 增强 | H3-Image-Context-IR(MiniMax API) | python3 context_ir.py t2i(脚本) | revised_prompt.txt、revised_size.txt;我们的运行结果:revised_prompt.t2i.txt、revised_size.t2i.txt(4736x3552) |
| 本地替代方案:MiniMax-H3-Image-PE | PE 仓库中的 scripts/expand_prompt.py | 将 expanded_caption 保存为 revised_prompt.txt,并将 aspect_ratio 对应的尺寸保存为 revised_size.txt | |
| MiniMax-H3-Image 生成:本地 SGLang | python3 t2i.py --prompt revised_prompt.txt --size $(cat revised_size.txt)(脚本) | t2i.png | |
| E2E API 参考:直接调用 MiniMax API 进行文生图 | python3 api_generate.py t2i(脚本) | api_t2i.png | |
t2i.png 来自本地 SGLang(左),api_t2i.png 来自 MiniMax API(右),4736x3552(4:3 由 H3-Image-Context-IR 选定)
案例-Edit
使用 instruction.edit.txt,并将参考图像 reference1.png 作为 <Picture 1>。
| 阶段 | 请求 | 结果 |
|---|---|---|
| 提示词增强:H3-Image-Context-IR(MiniMax API) | python3 context_ir.py edit(脚本) |
revised_prompt.txt、revised_size.txt;我们的运行输出:revised_prompt.edit.txt、revised_size.edit.txt(4096x4096) |
| MiniMax-H3-Image 生成:本地 SGLang | python3 edit.py --prompt revised_prompt.txt --size $(cat revised_size.txt)(脚本) |
edit.png |
| E2E API 参考:直接调用 MiniMax API 进行图像编辑 | python3 api_generate.py edit(脚本) |
api_edit.png |
参考图像 reference1.png(左)、来自本地 SGLang 的 edit.png(中)以及来自 MiniMax API 的 api_edit.png(右),4096x4096(1:1 由 H3-Image-Context-IR 选定)
效果展示
文生图与图像编辑结果,以缩小尺寸展示。
写实摄影
超现实杂志风格摄影
场景概念图
角色、生物与道具
绘画与插画风格
带推理的文本渲染:中文与英文逻辑谜题,在画板上被正确解答
图像编辑,单参考图:未贴图的 3D 渲染(左)转换为月球研究基地的电影剧照(右)
图像编辑,单参考图:游戏地图(左)转换为从红色箭头位置出发的第一人称 3D 游戏视角,地图作为小地图显示(右)
图像编辑,十张参考图:空房间和九件家具(上)合成为一间客厅(下)
许可证
- MiniMax-H3-Image 基于 MiniMax-H3-Image 社区许可协议 发布。
- T2I PE 模型(MiniMax-H3-Image-PE)是 MiniMax-H3-Image 的组成部分,因此同样受 MiniMax-H3-Image 社区许可协议 约束。
- 许可证第四节所述的单独书面授权可通过申请表获取。
联系我们
通过 model@minimax.io 联系我们。