MiniMax H3-Image: 16 Мп за 10 секунд. Новая open-weight модель

Прорыв в разрешении и скорости

MiniMax представила MiniMax-H3-Image, первую в своем классе open-weight модель, способную генерировать изображения разрешением 16 мегапикселей (например, 4096x4096) напрямую, без использования внешних апскейлеров. В отличие от большинства современных моделей, выдающих 1–4 Мп, H3-Image сохраняет высокую детализацию при управляемых вычислительных затратах. Время генерации составляет около 10 секунд на современном оборудовании.

Архитектура и технические характеристики

Модель построена на базе диффузионного трансформера (DiT) с архитектурой H3, где удален аудио-блок. Ключевые параметры:

• Количество параметров: 33.1B (dense single-stream transformer, 50 слоев).
• Текстовый энкодер: Qwen3-VL (полная версия из семейства MiniMax-H3).
• VAE: CNN-энкодер + 2D ViT-декодер (24 слоя, 16x пространственное сжатие).
• Оптимизация: Дистилляция до 6 шагов сэмплирования (6 NFEs) без classifier-free guidance (CFG).

Управление и редактирование

H3-Image объединяет генерацию и редактирование в одном чекпоинте. Модель поддерживает до 16 референсных изображений для точного контроля над результатом. Она демонстрирует лучшие среди open-source решений показатели следования инструкциям (instruction following), что критично для профессионального креатива.

Развертывание и совместимость

Модель доступна для локального запуска через SGLang, vLLM-Omni, diffusers и ComfyUI. Поддерживаются ускорители NVIDIA (H200, RTX PRO 6000 Blackwell) и AMD (Instinct MI350X). Для работы требуется загрузка весов DiT (BF16, ~66 ГБ) и текстового энкодера.

*Текстовый энкодер загружается из репозитория MiniMaxAI/MiniMax-H3.

Поддерживаемые разрешения

Модель работает в диапазоне от 4 до 20 Мп, но оптимальное качество достигается при ~16 Мп. Ниже приведены стандартные соотношения сторон:

Источник: Huggingface ↗