描述
MiniMax-H3-Image 是由 MiniMaxAI 开发的尖端开源模型,属于其 H3 家族,专注于先进的图像生成和编辑。该模型旨在理解创意意图,并将其转化为具体的视觉输出,包括角色、场景和氛围,通过精确的指令遵循。它将生成和编辑能力统一在一个检查点内,使用户能够从文本创建图像(文本到图像)并修改一个或多个参考图像(图像编辑),为创作者和开发者提供灵活且可控的图像创作工具。
阅读更多
MiniMax-H3-Image 的一个关键亮点是其能够直接生成约 16 兆像素的高分辨率图像,无需外部放大器。它支持从 1:1(4096x4096)到 21:9(6272x2688)的多种纵横比。该模型经过优化以提高效率,精简至 6 次采样步骤(6 NFEs),且没有无分类器引导。其架构基于扩散变换器(DiT)与 H3 架构,排除了音频层,并利用 MiniMax-H3 文本编码器。
该模型具有三个核心优势:速度、图像质量和指令遵循。它以可管理的计算成本实现 16 兆像素图像生成,使高细节创作在日常使用中变得实用。MiniMax-H3-Image 超越了典型的“AI 外观”,生成具有复杂细节和逼真真实感的图像,增强了创意和专业应用的可能性。此外,它在开源模型中提供强大的指令遵循,支持多达 16 个参考图像以获得更大的创作控制。
MiniMax-H3-Image 可以通过在线 API 和在线应用程序访问。对于本地部署,它支持 SGLang、vLLM-Omni、扩散器和 ComfyUI 等推理框架,并兼容 NVIDIA 和 AMD 加速器。该模型架构集成了 Qwen3-VL 文本编码器、图像 VAE 和 331 亿参数的扩散变换器。它还提供可选的提示扩展模型 MiniMax-H3-Image-PE,以增强文本到图像的提示。
- 类别AI 模型与大语言模型
- 定价模式开源
- 部署云端, 本地运行
- 平台网页版
MiniMax-H3-Image亮点
文本到图像生成
基于参考图像的图像编辑
生成 16 兆像素图像
支持多种纵横比(例如,1:1、4:3、16:9、21:9)
无需放大器即可实现高分辨率
6 次采样步骤(6 NFEs)
基于 H3 架构的扩散变换器(DiT)
集成 MiniMax-H3 文本编码器
强大的指令遵循
支持多达 16 个参考图像进行编辑
在线 API 访问
在线 Web 应用程序
本地部署支持(SGLang、vLLM-Omni、扩散器、ComfyUI)
兼容 NVIDIA 和 AMD 加速器
可选的提示扩展模型(MiniMax-H3-Image-PE)
MiniMax-H3-Image入门
访问模型:通过其在线 API 或 Web 应用程序直接使用 MiniMax-H3-Image。
本地部署:将模型库和 MiniMax-H3 文本编码器下载到您的 Hugging Face 缓存中。
设置推理框架:配置推荐的推理框架,如 SGLang、vLLM-Omni、扩散器或 ComfyUI 以进行本地服务。
准备请求:对于文本到图像,向 /v1/images/generations 发送 JSON 请求,包含详细的英文提示和所需大小。对于图像编辑,将参考图像作为多部分表单数据发送到 /v1/images/edits。
生成图像:执行请求以生成或编辑图像,输出以 b64_json 格式的 PNG 形式接收。
优化提示(可选):使用 MiniMax API 的 H3-Image-Context-IR 或本地部署 MiniMax-H3-Image-PE 进行提示增强。
MiniMax-H3-Image的使用案例
- 照片级真实摄影生成
- 超现实编辑摄影
- 环境概念艺术
- 角色和生物设计
- 绘画和插图风格
- 带推理的文本渲染
- 3D 渲染到电影静帧
- 游戏地图到第一人称视角
- 多参考图像合成







