MiniMax-H3-Image
генерация и редактирование в 16 Мп за 6 шагов
2 min readupdated
Новая открытая модель от MiniMax объединяет генерацию картинок по тексту и редактирование по референсам в одном чекпоинте. В её основе лежит архитектура MiniMax-H3 без аудиоблока: связка из текстового энкодера Qwen3-VL, VAE и диффузионного трансформера (DiT) на 33,1 млрд параметров. Главная фишка — модель выдаёт изображения разрешением около 16 мегапикселей (например, 4096×4096 или 6272×2688) напрямую, без отдельного апскейлера, и дистиллирована всего под 6 шагов семплирования. Подойдёт разработчикам, дизайнерам и всем, кому нужна высокая детализация и точное следование сложным сценариям.
Ключевые особенности
- Нативные 16 мегапикселей: эффективный рабочий диапазон составляет от 4 до 20 Мп, а пиковое качество достигается около 16 Мп в любых соотношениях сторон (от 1:1 до 21:9).
- Генерация + редактирование в одном файле: модель принимает до 16 референсных изображений за раз, обращаясь к ним в промпте через теги вроде
. - Быстрый инференс за 6 шагов: чекпоинт дистиллирован под 6 NFEs без classifier-free guidance, что делает генерацию сверхвысокого разрешения практичной по скорости.
- Широкая экосистема запуска: поддерживается из коробки в ComfyUI, diffusers, SGLang, vLLM-Omni и LightX2V.
Что можно сделать
- Генерировать детализированные иллюстрации и фотореализм: создавать крупные сцены с мелкой фактурой в 4K+ без мыла от последующего апскейла.
- Собирать сложные коллажи и сцены: загружать до 16 референсов персонажей, объектов или окружения и объединять их по текстовой инструкции.
- Развернуть локальный API-сервер: поднять сервис генерации на GPU через SGLang или vLLM-Omni (с поддержкой тензорного параллелизма) либо подключить готовые шаблоны в ComfyUI.
Пример
hf download MiniMaxAI/MiniMax-H3-Image
hf download MiniMaxAI/MiniMax-H3 --include "text_encoder/*"
vllm serve MiniMaxAI/MiniMax-H3-Image --omni --host 0.0.0.0 --port 8000
Подробнее
Архитектура: DiT на 33.1B параметров (50 слоёв, BF16) + текстовый энкодер Qwen3-VL + Image VAE (16x даунсемплинг).Объём весов: 68.65 ГБ сам чекпоинт + 66.7 ГБ текстовый энкодер из репозитория MiniMax-H3 (опционально 17.9 ГБ для расширителя промптов MiniMax-H3-Image-PE).
Ограничения API: поддерживаются только
num_inference_steps=6 и guidance_scale=1; negative_prompt не поддерживается.Железо: в рецептах vLLM-Omni протестирована на ускорителях уровня NVIDIA H200, RTX PRO 6000 Blackwell и AMD Instinct MI350X (поддерживается мульти-GPU через Ulysses).














Comments