MiniMax-AI/MiniMax-H3-Image

项目介绍

MiniMax-H3-Image 是 MiniMax H3 系列中的开放权重图像模型，把文生图和参考图编辑统一在同一个检查点里。它的 DiT 有 33.1B 参数，沿用 MiniMax-H3 的 Qwen3-VL 文本编码器（取第 50 层隐藏状态），图像 VAE 采用 CNN 编码器和 24 层 2D ViT 解码器，16 倍空间下采样。模型蒸馏到 6 步采样、不使用 classifier-free guidance，在各比例下直接输出约 1600 万像素图像，从 4096x4096（1:1）到 6272x2688（21:9），不需要外接放大模型。它面向需要可控高分辨率生成与编辑的创作者和开发者，编辑时最多可用 16 张参考图。权重发布在 Hugging Face 模型页。

快速使用

先把模型和共享的 H3 文本编码器下载到 Hugging Face 缓存，再用支持的推理框架启动服务。README 给出的 SGLang 流程：

hf download MiniMaxAI/MiniMax-H3-Image
hf download MiniMaxAI/MiniMax-H3 --include "text_encoder/*"
sglang serve --model-path MiniMaxAI/MiniMax-H3-Image --host 0.0.0.0 --port 30000 --warmup-mode off

在四张 GPU 上可加 --num-gpus 4 --ulysses-degree 4 开启序列并行；想用本地文本编码器目录而不是缓存，加 --text-encoder-path <path>。文生图请求以 JSON 发到 /v1/images/generations；编辑请求以 multipart 表单发到 /v1/images/edits，上传顺序对应提示词里的 <Picture 1>、<Picture 2>。两者都在 data[0].b64_json 返回 PNG。

关键参数约束：prompt 和 size 必填；num_inference_steps 只能省略或为 6，guidance_scale 只能省略或为 1，其他值返回 HTTP 400；不支持 negative prompt。需要按种子复现时把 generator_device 设为 cpu。min_generation_area 默认 4194304（2048x2048），更小的尺寸会按同比例在大画布上生成再用 LANCZOS 缩回，传 1024 可关闭此行为。

要达到 README 里 API 直出的画质，可用 MiniMax H3-Image-Context-IR API 把简短提示词扩写成详细英文描述，也有本地替代方案 MiniMax-H3-Image-PE。可运行脚本在 examples/ 目录，通过环境变量 MINIMAX_API_BASE（如 https://api.minimax.io）和 MINIMAX_API_KEY 读取服务地址与密钥。完整部署步骤见 SGLang cookbook；README 还列出了 vLLM、diffusers 和 ComfyUI 作为可选推理方式。

使用约束

• 下载体积大：transformer 66.28 GB、VAE 2.34 GB，文本编码器（66.7 GB）从独立的 MiniMax-H3 仓库拉取（若已有缓存则不重复下载）；可选的提示词扩写模型另需 17.9 GB。
• 生成固定为 6 步、guidance scale 为 1，不能通过该 API 改用其他采样配置。
• 有效工作范围约 4–20 MP，16 MP 附近效果最好；尺寸从文档列出的比例中选择。
• 本地部署需要 GPU，并依赖上述推理框架之一。
• 权重和 PE 模型受 MiniMax-H3-Image Community License Agreement 约束，超出许可范围的用途需向 MiniMax 申请额外授权。

HotRepo 点评

这是一个刚发布的仓库：HotRepo 在 2026-11-11 首次记录到 117 star、4 fork，新项目快照显示从当天 06:15 UTC 起的一小时观察窗口内净增 15 star。仓库未检测到编程语言代码，也没有全语言日榜名次记录，同口径的历史数据不足以判断趋势。记录体现出的特点是一个以权重分发为核心的发布，仓库本身主要是文档和示例，实际使用要经过 Hugging Face 检查点和推理框架。想评估是否上手，可把 16 MP 输出和生成/编辑统一的检查点作为具体差异点，对照上面的下载与服务要求来判断。