10 秒一张 4K，MiniMax 把生图模型开源了
11 月 10 日深夜，MiniMax 发布了 H3-Image，并且直接开放权重。
三个数字先摆出来：
- 33.1B 参数的扩散 Transformer
- 16MP，也就是 4096×4096 的 4K 图
- 10 秒，官方说这是生成一张 4K 图的时间
过去，4K 生图要么靠超分，要么等几十秒到几分钟。H3-Image 把这两件事一起掀了：不超分，直接出 4K；6 步采样，不用 CFG。
但先别急着下载。
它的 BF16 权重是 68.65GB，完整部署要带上 Qwen3-VL-32B 文本编码器，全套接近 95GB；许可证还把美国、欧盟、英国、韩国排除在外。
这是一篇“看起来很炸，但门槛写在细则里”的发布。
一、10 秒是怎么做到的
传统扩散模型出图，动辄二三十步，开了 CFG 每步还要算两遍。H3-Image 把这两项都拿掉了：
- 6 步采样（6 NFEs）
- CFG 固定为 1，没有分类器自由引导
- 不需要负面提示词
少算的步数，加上一套为高分辨率设计的 VAE：16 倍空间下采样、24 个 latent 通道，DiT 再按 2×2 patch 切分，一个 transformer token 覆盖 32×32 像素。33.1B 的单流 DiT 一次前向，直接吐出 16MP 的 latent，再解码成图。
所以它不是“先生成 1MP，再超分到 4K”，而是原生 4K。
官方对比图里，H3-Image 标准版在 4K 文生图上大约 10–17 秒，Highspeed 更快；对手普遍在 20–60 秒区间。官方口径是“主流水平的 5 倍”，API 服务里标准模式 1.5–2 倍、Highspeed 3–4 倍。
国内媒体实测的口径是 10–20 秒，和官方基本对得上。
但注意，这是服务端、高端卡的成绩。你自己在 4090 上跑，不能按 10 秒预期。
二、画质：官方样张到底什么水平
先看一组 15 张的官方样张，覆盖 3D 奇幻、风景、树蛙、靛蓝兔子、花卉人像、科幻城市、饺子、高地牛、像素猫、宝石甲虫、鱼眼自拍：
再挑三张写实向的看细节：屋顶晾白布的女人、拿杯子的卷发男人、浅水里的火烈鸟。
官方主打的是“去 AI 感”：布料的重力、皮肤纹理、羽毛层次、水面反光，都尽量按真实物理来。是不是真的没有 AI 味，你可以自己判断，但这组图至少不是那种一眼假的塑料质感。
更值得看的是文字。
这张中文“人员选派推理题”里，字形、条件、入选结果都排对了；官方另一张英文“机密文件丢失”推理板里，真值表和印章式的 TRUE/FALSE 也没有乱码。
文字渲染一直是生图模型的短板。H3-Image 这张样张说明它不只是“能写字”，而是能把文字内容、逻辑关系、版面结构一起排对。
另一个能力是统一编辑：同一个 checkpoint，既能文生图，也能编辑，最多支持 16 张参考图。
官方演示里，给 10 张参考图——9 件家具加一间空房——模型能把家具全部放进房间，保持材质、比例和光照一致。这种“多参考图合成”以前要靠多个模型、多次局部重绘，现在一个模型一次做完。
官方称它是“开源模型中最强的指令遵循”。这句话目前没有公开基准分数支撑，只能等第三方评测。样张很强，但样张不等于榜单。
三、价格：4K 一张两毛二
官方 API 的定价（人民币）：
| 规格 | 标准版 | Highspeed |
|---|---|---|
| 1K 文生图 | ¥0.1430 | ¥0.2319 |
| 2K 文生图 | ¥0.1531 | ¥0.2380 |
| 4K 文生图（首周 5 折） | ¥0.2261 | ¥0.4275 |
| 4K 编辑·1 张参考图 | ¥0.2404 | ¥0.4499 |
| 4K 编辑·3 张参考图 | ¥0.2605 | ¥0.5073 |
4K 文生图原价 ¥0.4522，首周打到 ¥0.2261。一张 4096×4096，两毛二。
官方说，H3-Image 的价格是同档位主流工具的 **50%–70%**。对需要反复试构图、试光线、试风格的设计师来说，这个价格意味着试错成本从“每张一块多”降到“每张两毛多”。
当然，这是 API 价，不是本地部署价。本地部署的账，要算显卡。
四、开源不等于你能跑
H3-Image 的权重构成：
- DiT：BF16，68.65GB
- 文本编码器：Qwen3-VL-32B，INT8 约 25–27GB
- 图像 VAE：FP16，1.17GB
- 可选提示词扩写器 PE：NVFP4 17.9GB，或 ComfyUI 模板里的 9B 量化版 7.34GB
完整 BF16 一套，接近 95GB。这不是一张消费级显卡能装下的。
ComfyUI 在发布当天就合并了原生支持（PR 17655），给了几个量化版本：
| 版本 | DiT | 文本编码器 | 大约总重 |
|---|---|---|---|
| BF16 | 40.2GB（剪枝） | 27.1GB | 68GB+ |
| INT8 | 21.0GB | 27.1GB | 49GB |
| W4A8 | 12.5GB | 15.7GB（NVFP4） | 29GB |
即便最省的 W4A8，加上 VAE 也要 29GB 左右，还没算激活和缓存。
所以现实是：
- 16GB 显存（比如 4060 Ti）：能靠 offload 跑低分辨率，4K 不用想，速度按分钟算
- 24GB 显存（4090）：W4A8 可以跑，但 4K 需要 offload，别指望 10 秒
- 32GB 显存：比较舒服，4K 可以认真用
- 48GB 以上：才谈得上“接近官方速度”
ComfyUI 模板默认从 4MP 起步，就是为了避免低显存直接 OOM；官方也提醒，低于 4MP 的结果会变模糊。换句话说，4K 是模型的卖点，但不是每个本地玩家的默认档。
五、许可证的坑：开源，但有地区限制
H3-Image 用的是 MiniMax-H3-Image Community License，不是 Apache 2.0，也不是 MIT。
最关键的一条：
“Applicable Territory” means worldwide, excluding the Excluded Territories.
“Excluded Territories” means the European Union, the United Kingdom, the Republic of Korea and the United States of America.
也就是说，美国、欧盟、英国、韩国不在授权范围内。这些地区的个人或公司要部署，需要单独联系 MiniMax 获得许可。
还有几条商业限制：
- 你或关联公司年化收入超过 100 万美元，需要单独书面授权
- 你对外提供 Hosted Service（让别人通过 API/网页用这个模型），也需要单独授权
- 商业产品界面要显著标注 “MiniMax-H3-Image”
- 不能用它的输出，去训练或改进其他 AI 模型
所以准确的说法是：开放权重，不是 OSI 意义上的开源。
对中国开发者来说，这条许可证是可用的；对跨国团队、美国/欧洲客户来说，这条款会直接影响能不能上线。很多“开源模型”的新闻不会告诉你这一点，但法务会。
六、谁该兴奋，谁该再等等
适合现在试的人：
- 电商、海报、品牌视觉：4K 直接出图，省掉超分和排版返工
- 游戏/影视概念设计：16 张参考图，能把角色、道具、场景一次性对齐
- 有 32GB 以上显存的本地玩家：W4A8 + NVFP4 文本编码器，是目前最现实的组合
- 想控制成本的设计团队：API 首周 4K 两毛二，先跑一轮再决定要不要自建
该再等等的人：
- 16GB 显存的普通用户：本地 4K 不现实，直接用 API 更划算
- 美国/欧盟/英国/韩国的团队：先解决许可证，再谈技术
- 需要稳定 SLA 的生产环境：开放权重不等于托管服务，宕机、限流、版本兼容都要自己扛
- 想看独立评测的人：目前只有官方样张和官方速度图，AA、Arena 这类第三方榜单还没有 H3-Image 的成绩
最后
H3-Image 最值得注意的，不是“又开源了一个模型”，而是它把开源模型和闭源模型的距离，从“画质”拉到了“分辨率 + 速度”。
过去开源模型赢在便宜、可定制，输在出图慢、分辨率低。H3-Image 第一次在这两项上，把闭源逼到了墙角。
但 10 秒是有前提的：对的机房、对的显卡、对的地区。
对大多数普通开发者来说，最现实的动作不是去下 68GB 权重，而是先花两毛二，用 API 生成一张 4K，看看它到底值不值得你为它换显卡。
参考来源：
暂无评论。