MiniMax-H3-Image - 统一生成与编辑的 1600 万像素开源图像模型

MiniMax-H3-Image 是 MiniMaxAI 发布在 Hugging Face 上的开源图像生成与编辑模型，属于 MiniMax H3 系列。按项目自述，它把「生成」和「编辑」统一在同一个 checkpoint 里：既可以根据文本提示生成图像，也可以对一张或多张参考图进行编辑，面向需要可控出图能力的创作者与开发者。模型的任务类型为 text-to-image，框架标记为 minimax-h3。

维护者与状态

该仓库由 MiniMaxAI 维护，创建时间为 2026-11-03，最后更新时间为 2026-11-11。截至 2026-11-11，近 30 天下载量为 142989，点赞数为 611。事实表中未列出正式 release 信息，因此这里不对版本发布节奏作额外推断。

从仓库形态看，这是一个模型权重仓库而非应用仓库：项目说明中给出的目录结构包含 model_index.json、pdd_config.json、pdd_fused_heads.safetensors、processor/、tokenizer/、transformer/ 与 vae/。其中文本编码器并不在本仓库内，而是由 model_index.json 从 MiniMaxAI/MiniMax-H3 的 text_encoder/ 目录加载；据项目说明，如果本地已有 MiniMax-H3，这部分不会重复下载。

主要能力

以下能力描述均来自项目自述，未经本站独立验证。

• 生成与编辑合一。据项目说明，同一个 checkpoint 同时承担文生图与图像编辑两类任务，编辑时支持一张或多张参考图，参考图的上传顺序决定提示词中引用它们的次序。
• 高分辨率直出。项目自述可在各种画幅下生成约 1600 万像素的图像，从 4096x4096（1:1）到 6272x2688（21:9），无需额外的超分模型。README 中给出的常见尺寸还包括 4736x3552（4:3）、5024x3360（3:2）、5472x3072（16:9）等。
• 少步数采样。据项目说明，checkpoint 被蒸馏到 6 步采样（6 NFEs），且不使用 classifier-free guidance。服务端接口对 num_inference_steps 与 guidance_scale 有硬性约束，传入其他值会返回 HTTP 400。
• 指令遵循与多参考图。项目自述其指令遵循能力在开源模型中较强，并支持最多 16 张参考图，以便对最终结果施加更多控制。
• 可选的提示词扩写模型。项目提供 MiniMax-H3-Image-PE 作为可选的提示词扩写组件，采用 NVFP4 精度，体积 17.9 GB，可本地部署；据项目说明，MiniMax API 侧则使用 H3-Image-Context-IR 把任意语言的简短提示词转成详细英文描述。
• 架构信息。据项目说明，扩散 Transformer 为 33.1B 参数的稠密单流结构，50 层、隐藏维度 5376、56 个注意力头，权重为 BF16；图像 VAE 为 CNN 编码器加 24 层 2D ViT 解码器，16 倍空间下采样、24 个 latent 通道。

使用入口

模型权重与说明文档位于 MiniMax-H3-Image。

据项目说明，本地部署推荐使用 SGLang、vLLM-Omni、diffusers 或 ComfyUI 等推理框架。以 SGLang 为例，单卡启动服务的命令为：

sglang serve --model-path MiniMaxAI/MiniMax-H3-Image --host 0.0.0.0 --port 30000 --warmup-mode off

若希望降低延迟，可用序列并行把单个请求拆分到多张 GPU 上，例如 4 卡：

sglang serve --model-path MiniMaxAI/MiniMax-H3-Image --host 0.0.0.0 --port 30000 --warmup-mode off \
  --num-gpus 4 --ulysses-degree 4

vLLM-Omni 的启动方式类似，需要加上 --omni 参数：

vllm serve MiniMaxAI/MiniMax-H3-Image --omni --host 0.0.0.0 --port 8000

接口层面，文生图请求以 JSON 发往 /v1/images/generations，图像编辑请求以 multipart 表单发往 /v1/images/edits，两者都返回 data[0].b64_json 中的 PNG。必填字段为 prompt 与 size（格式为 WIDTHxHEIGHT），seed 建议显式指定，generator_device 推荐设为 cpu 以保证同一种子在不同机器上得到相同的初始噪声。项目说明还提到，negative_prompt 不受支持，会被拒绝。

下载权重可使用 Hugging Face CLI：

hf download MiniMaxAI/MiniMax-H3-Image
hf download MiniMaxAI/MiniMax-H3 --include "text_encoder/*"

许可与限制

该仓库的许可证在事实表中标记为 other，即自定义许可，具体条款以仓库内的 LICENSE 文件为准，本文不对其商用范围作任何结论。

据项目说明，使用前需要注意以下边界与前置条件：

• 体积与依赖。主模型 DiT 部分为 66.28 GB，VAE 为 2.34 GB，tokenizer 与 processor 合计 23 MB；文本编码器需从 MiniMax-H3 仓库另行获取，约 66.7 GB。模型总规模在模型库表中记为 68.65 GB（BF16 DiT）。
• 硬件。项目说明称 vLLM-Omni 同时支持 NVIDIA 与 AMD 加速卡，并列举了 NVIDIA H200、RTX PRO 6000 Blackwell、AMD Instinct MI350X 等型号；具体每类硬件的部署配置与实测延迟需参考其 recipe 文档。
• 分辨率区间。据项目说明，模型的有效工作范围约为 400 万至 2000 万像素，在 1600 万像素附近效果通常最好。接口参数 min_generation_area 默认为 4194304（即 2048x2048），若请求尺寸更小，会先在同画幅的更大画布上生成再用 LANCZOS 缩回；传入 1024 可关闭该行为。
• 提示词要求。项目说明指出，模型期望的是对整幅图像的详细英文描述，简短提示词需要先经过扩写步骤，否则效果可能不及预期；提示词会被截断到 4096 个 token。
• 采样参数固定。步数与引导系数只能取蒸馏后的设定值，不能像常规扩散模型那样自由调节。

以上限制均来自项目自述，实际表现会随部署框架、硬件与提示词质量而变化。