Eileen 今年 8 月，MiniMax 开放了 H3 视频生成模型的权重，这是首个达到 SOTA 水平的开源视频模型。几个月来，社区基于它做出的玩法超出了官方演示范围，还衍生出 H3 max 等模型。现在，MiniMax 又把图像生成模型放了出来：H3 Image 正式发布，重点是图像生成与编辑，目标是成为开源图像模型中的 SOTA。
在此之前，H3 已经通过统一的全模态预训练，具备了图像、视频、音频等内容的理解与生成能力，文生图和图像编辑也在其中。H3 Image 是在这些能力的基础上，针对图像生成与编辑再做后训练优化，让模型在复杂指令遵循、图像细节和视觉审美上表现更好。比较直观的差别体现在分辨率和速度上：实测生成一张 4096×4096、4K 画质的图片，耗时 10～20 秒。
能否理解复杂需求
测试覆盖了几类要求较高的场景。一是工业产品的结构设计，让模型生成一台未来主义咖啡机的产品爆炸图，需要展示豆仓、研磨器、冲煮模块、水箱等结构，标出连接关系，并保持设计一致。二是文字与排版，例如以凤凰为主题的新古典主义装饰艺术海报，画面中的标题“PHOENIX MYTH”和副标题“Eternal Rebirth of the Fire Bird”都准确渲染出来；把一封公开信做成桌面信纸样式时，大段小字也基本生成正确，样式与周围元素保持协调。此外还有怀旧风格的皮衣场景、带有生命、魔力、体力等级的生存游戏界面等。
H3 Image 支持最多 16 张参考图片，可以同时理解不同的主体、材质和风格要求，把多个视角与品牌元素整合进同一张图。模型在发布当天就开放了权重，开发者可以通过 API 接入，也能在 MiniMax 开放平台、MCode 和 MiniMax 海螺平台中使用。
