MiniMax 开源 H3-Image33B 参数、6 步出 4K，但 “开源” 是有边界的

我先查清 MiniMax H3-Image 的发布时间、开源协议和参数。

模型卡、社区许可原文、ComfyUI 接入文档和中外媒体实测都核到了，成稿如下。

这次开源的真正价值在于把 “开源图像模型能做到什么” 这条线往上提了一大截，而不只是又多了一个能生图的模型。MiniMax 在 11 月 10 日深夜发布 H3-Image 并同步在 Hugging Face 放出权重：331 亿参数的稠密扩散 Transformer（DiT）、50 层、6 步采样、一个 checkpoint 同时管文生图和图像编辑、最多吃 16 张参考图、原生输出 4096×4096（约 1600 万像素）且不需要超分放大，官方称 10 秒内出图、约为市面主流速度的 5 倍。这些数字放在开源阵营里是第一次出现。但 “开源” 这两个字得打个引号：它用的是 MiniMax-H3-Image Community License（社区许可），不是 OSI 认可的开源协议，美国、欧盟、英国、韩国四个地区不在授权范围内，年化收入超过 100 万美元或对外提供托管服务还要单独拿书面授权。能力是真的，开放性是有条件的 —— 这两件事必须一起看。

一、先把它的 “身份” 摆清楚

项目	官方 / 模型卡信息	意味着什么
发布时间	2026 年 11 月 10 日深夜（北京时间）	距 OpenAI Images 2.6 上线（11 月 4 日）只隔 6 天
出身	由 H3 多模态模型衍生，去掉 H3 的音频分支	图像能力来自 H3 的预训练底子，不是从零训的
架构	331 亿参数稠密 DiT，50 层单流 Transformer	稠密而非 MoE，推理时全部参数都要过
文本编码器	沿用 H3 的 Qwen3-VL-32B（取第 50 层 hidden states）	与 H3 视频模型共用同一个 text encoder 文件
采样	6 步，CFG 蒸馏，guidance 固定为 1	不用调参、不用写负面提示词
输出	4096×4096（1:1）、4736×3552（4:3）、5024×3360（3:2）、5472×3072（16:9）、6272×2688（21:9）	原生生成到该尺寸，不是放大上去的
参考图	最多 16 张，用式占位符在提示词里指代	支持多素材分工融合
提示词长度	最长 4096 tokens（ComfyUI 口径）；内测称可写 7500 字符	复杂工业级描述能塞得下
权重体积	BF16 主模型 68.65GB，提示词增强模型 PE 另 17.9GB	单卡消费级显卡跑不动，需多卡或量化
部署	SGLang、vLLM-Omni、diffusers、ComfyUI；NVIDIA 与 AMD 加速卡	ComfyUI 已原生支持，模板直接可用
许可	MiniMax-H3-Image Community License	非标准开源，有地域与营收门槛

这张表里最容易被忽略的是 “文本编码器沿用 Qwen3-VL-32B”。这意味着它不是凭空多出一个 32B 的编码器，跑过 H3 视频模型的人本地已经有这个文件 —— 部署成本比参数看起来低一些。反过来，68.65GB 的 BF16 主模型也意味着 “开源” 对个人用户的实际门槛是：要么租卡，要么等社区出量化版。

二、33B、6 步、4K：三个数字各自解决什么问题

数字	解决什么	付出的代价	对比参照
33.1B 参数	撑住复杂指令遵循与画面细节	权重 68.65GB，显存吃紧	主流开源图像模型多在数 B 到十几 B 量级
6 步采样	把生成时间从分钟级压到十秒级	步数被蒸馏锁死，不能靠加步数换质量	常规扩散模型要 20—50 步
4096×4096 原生	4K 可直接用于海报、电商主图、印刷打样	高分辨率下显存与耗时同步上升	主流模型多在一百万到四百万像素，最快也要 50 秒左右

这三个数字是互相咬合的：高分辨率最怕的就是 “步数多 + 尺寸大”，生成一张要等一分钟，创作节奏就断了。6 步采样把时间压下来，4K 才具备 “高频可用” 的意义。官方给的对照是：API 标准模式速度约为主流工具的 1.5—2 倍，Highspeed 模式 3—4 倍，定价约为同档位主流工具的 50%—70%；发布首周，16MP 及以上规格的请求打五折。

三、一个模型干两件事：文生图和编辑共用一套权重

它的工作方式不是 “两个模型拼起来”，而是同一张计算图，接不接图决定任务类型：

模式	输入	输出	关键设置
文生图	纯提示词	图像（默认 2048×2048，可指定尺寸）	不接参考图，宽高留 0 走默认
图像编辑	image_1 + 提示词	在原图基础上修改	必须接 VAE，参考图才会作为 latent 锚定
多参考融合	image_1…image_16	按提示词重组的新图	槽位顺序决定编号

这套设计对工作流的实际影响是：以前 “生成” 和 “改图” 往往要换模型、换参数、换提示词写法，现在同一套节点、同一套提示词体系。ComfyUI 官方文档写得很直白 —— 接上图就是编辑工作流，不接就是文生图工作流，中间没有模型切换。

四、16 张参考图，考的是 “分工” 不是 “拼图”

多图参考最容易翻车的地方是 “串味”：A 的脸长到 B 身上，盔甲的颜色染进背景。两个团队的实测都往这个方向压测：

测试	做法	结果	说明
16 图角色一致性（36 氪）	8 张 3D 角色多角度面部 + 4 张机械义肢 / 装甲材质 + 4 张车间光影色板，一句话指令	脸、装甲关节卡扣、色温都对得上	模型先分清 “谁是人、谁是装备、谁是环境”
16 项要求逐条核对（智东西）	人物、服装、发色、动作、材质、配色、字体、Logo 位置、排版线框共 16 项	16 项全部命中	抽象版式骨架也能被识别重组
机械爆炸图（36 氪）	一张 ORB-7 正面图 + 剖面图 + 零件清单，要求沿光轴拆七件、螺钉仅三枚	7 个零件 01—07 引线无错、螺钉数量正确	先读懂剖面图再动手拆
工业三视图（智东西）	尺寸、材质、屏占比、接口位置、内部布局多项约束	大部分规避了视图不一致，但显示屏宽度比例偏差	由 MiniMax Code 写像素测量脚本迭代修复
中文长文本海报（智东西）	标题 + 6 个编号步骤 + 约 100 汉字 + 15g/92°C/30 秒 / 2 分 30 秒 / 1:15 等数字单位	文字与数字单位全部正确	中文生图的老大难场景
手语手势（36 氪，二手数据）	美国手语手势生成	正确率 48.1%，Moss 为 20.0%	数据来自第三方统计，非官方评测

这组测试指向一个判断：它强的地方不是 “画得美”，而是 “听得懂复杂要求并且分得清主次”。这正是开源图像模型过去两年最弱的一环 ——Midjourney 一类模型光影质感没得挑，一碰长文字和空间关系就犯迷糊；语言模型逻辑清楚，画面质感又不够。H3-Image 想做的，是让同一个模型既懂结构又懂审美。

五、“开源” 两个字，有四道门要看清楚

条款	具体内容	对谁有影响
许可性质	MiniMax-H3-Image Community License，非 OSI 认可的开源协议	想把它当 Apache 2.0 用的人
地域限制	欧盟、英国、韩国、美国不在授权范围，协议明确 “范围外使用不被授权”	在这些地区本地部署的团队
营收门槛	年化收入超过 100 万美元，或对外提供托管服务，需 MiniMax 单独书面授权	中型以上公司、做 API 转售的服务商
品牌标注	商业产品需在界面显示 “MiniMax-H3-Image”	做白牌工具的厂商

这里有个容易混淆的点：H3 视频模型的社区许可门槛是 “年收入 2000 万美元以内免费商用”，而 H3-Image 写的是 “年化收入超过 100 万美元需单独授权”。两个数字差了一个量级，说明图像版的商业条款更紧，或者两份文本的统计口径不同。做商业规划时不能拿视频版的门槛去套图像版，必须以 H3-Image 自己那份协议为准。

六、Day0 适配 12 家芯片，这条开源路线的真实意图

开源首日，MiniMax 同步推进了 Day 0 接入的名单是：华为昇腾、平头哥、昆仑芯、摩尔线程、壁仞、海光、沐曦、天数、NVIDIA、AMD、英特尔、Tenstorrent，外加多家主流推理与云平台。

这份名单信息量很大：12 家里有 8 家是国产芯片。H3 在 7 月 31 日的发布博客里就写过一句关键话 ——“H3 设计初期就考虑了多款现有国产芯片的兼容性”。把这句话和 Day0 名单放在一起看，就能明白 MiniMax 的开源策略不只是 “普惠”，而是一套生态占位：先让模型在最多种类的硬件上跑起来，让国产算力厂商有东西可适配、有案例可宣传，厂商自然会反过来推它的模型。

上一代 H3 已经验证过这套打法：开源不到一个月，下载量破 2400 万次、公开衍生模型 300 多个；英伟达和 MIT 的研究者 10 月 28 日基于它开源了 Open-H3-Regenerate-2K、11 月 9 日又更新一版；Pika、fal 都出了自己的改款，fal 做了 H3 Max。Comfy 背后的 Comfy 公司已经在代理这类商业授权，专业版每月 5000 美元起。

七、它还不完美，四个短板是实的

三视图会不一致。 智东西实测里，工业设计三视图的显示屏宽度比例出现偏差，最后靠 Agent 写像素测量脚本才修回来。多视图一致性仍是难点，工业场景不能直接交付。
小字与细节仍有风险。 大字海报稳，小字 “偶尔出错但大体是对的”（36 氪实测口径）。印刷级交付前仍需人工校对。
手语等长尾场景只是 “比以前好”。 48.1% 的正确率说明进步明显，但离可用差得远，别拿它做无障碍产品的唯一方案。
部署门槛不低。 BF16 主模型 68.65GB，加 PE 模型 17.9GB；消费级显卡要靠量化版，量化后画质与速度的折损需要自己验。

八、谁该现在上手，谁该再等等

现在就该试的三类：

做游戏原画、概念设定、道具三视图的 ——16 图参考 + 4K 裁切，能少抽很多次卡。
做电商主图与详情页的 —— 同一张 4K 可裁成不同尺寸，省掉一次重生成。
做 Agent 工作流的 —— 官方 API 可直接接入 MiniMax Code、WorkBuddy、Codex，图像生成变成可调用能力。

可以再等的三类：

在美国、欧盟、英国、韩国本地部署商用的 —— 许可不覆盖，先解决授权。
年化收入超 100 万美元、还要对外提供托管服务的 —— 需要单独谈，别先用后谈。
只要 “偶尔出一张图” 的 —— 直接用海螺或开放平台按次付费，比折腾 68GB 权重划算。

九、这件事的分量在哪

2026 年的图像模型竞赛已经换了赛道：上半场比谁画得美，下半场比谁听得懂人话。H3-Image 押的是下半场 —— 用 33B 的体量去换指令遵循，用 6 步蒸馏去换速度，用 16 图参考去换一致性，用 4K 原出去换可用性。

它把开源图像模型的上限推到了一个新位置，但也顺手把 “开源” 这个词的边界画了出来：权重给你，地域和营收留了门。这种 “有限开源 + 生态占位 + API 变现” 的组合，和 H3 视频模型走的是同一条路。真正的观察点不在今天这波刷屏，而在三个月后：有多少衍生模型、有多少国产芯片把它跑进量产、有多少商业授权谈成。开源能不能赚钱这件事，H3 用了三个月给出了一份初步答卷，H3-Image 的答卷才刚开始写。

【相关 FAQ】

问题 1：MiniMax H3-Image 到底是开源模型吗？

回答 1：MiniMax H3-Image 开放了模型权重，可以在 Hugging Face 下载并在本地部署，但它用的是 MiniMax-H3-Image Community License 社区许可，不是 OSI 认可的开源协议。MiniMax H3-Image 的许可把欧盟、英国、韩国、美国排除在授权范围外，年化收入超 100 万美元或对外提供托管服务还需单独书面授权。所以准确说法是 “开放权重”，不是 “标准开源”。

问题 2：MiniMax H3-Image 真能 10 秒出 4K 图吗？

回答 2：官方口径是 10 秒内生成一张 4096×4096、约 16MP 的图像，Highspeed 模式速度约为主流工具的 3—4 倍；第三方实测中，海螺官网生成 4 张 4K 图等待约 1 分钟，单张约 10—20 秒。MiniMax H3-Image 的 4K 是原生生成而非超分放大，4096×4096 之外还支持 4736×3552、5472×3072、6272×2688 等尺寸。实际速度取决于显卡、量化和并发。

问题 3：MiniMax H3-Image 最多支持多少张参考图，能干什么？

回答 3：MiniMax H3-Image 最多支持 16 张参考图，用到在提示词里指代，槽位顺序对应输入顺序。实测里可以用它做角色多角度一致性、机械爆炸图、16 项要求逐条命中的海报融合。MiniMax H3-Image 的多图能力关键不在 “拼”，而在分清谁是人、谁是装备、谁是环境。

问题 4：跑 MiniMax H3-Image 需要什么显卡，显存要多少？

回答 4：BF16 主模型权重 68.65GB，提示词增强模型 MiniMax-H3-Image-PE 另需 17.9GB，消费级单卡跑不动，需要多卡、量化版或云租卡。MiniMax H3-Image 支持 SGLang、vLLM-Omni、diffusers、ComfyUI 四种部署方式，ComfyUI 已有原生模板；文本编码器沿用 Qwen3-VL-32B，跑过 H3 视频模型的人本地已有该文件。

问题 5：MiniMax H3-Image 和闭源模型比，差距还有多大？

回答 5：官方称其在开源图像模型中达到 SOTA、指令遵循最强，但没有公布与闭源模型的独立横评，现有对比多为媒体实测。从实测看，MiniMax H3-Image 在中文长文本、16 图参考、CAD 与爆炸图上表现突出，短板是三视图一致性、小字精度和手语等长尾场景。它缩小了开源与闭源在 “复杂指令理解” 上的差距，但没有全面超越。

【参考资料】

[2026-11-11]（MiniMax H3-Image 开源，10 秒内生成 4K 图像）新京报贝壳财经

[2026-11-11]（10 秒直出 4K 图，能画 CAD、拆机械，MiniMax 这个开源图像模型有点东西）智东西

[2026-11-11]（突发，「源神」MiniMax 开源 H3 Image，最强开源模型中国造）36 氪・新智元

[2026-11-11]（MiniMax 开源 H3-Image 图像模型，拓展智能体视觉创作能力）钛媒体

[2026-11-11]（MiniMax Opens Weights for H3-Image, a 16-Megapixel Text-to-Image and Editing Model Run in Six Steps）Pandaily

[2026-11-10]（MiniMax H3 Image is now available in ComfyUI）ComfyUI 官方博客

[2026-08-03]（开放通用智能，MiniMax H3 正式开源）MiniMax 官方

【免责声明】

本文所引 “10 秒内生成 4K”“速度为市面主流 5 倍”“开源模型 SOTA”“指令遵循最强” 等均为 MiniMax 官方及厂商传播口径，除注明第三方实测外，无独立横评支撑。模型参数、权重体积、输出尺寸、参考图数量来自 Hugging Face 模型卡与 ComfyUI 官方文档；许可条款摘要不构成法律意见，商业使用前须自行核对 MiniMax-H3-Image Community License 全文并咨询法务。手语正确率 48.1% 为第三方二手统计数据，非官方评测。文中提及的衍生模型数量、下载量、授权价格均为公开报道口径，随时间和统计方式变化。本文不构成采购、投资或法律建议，不承担因依据本文决策产生的任何后果。

本文来自作者[隧芯广播]投稿，不代表环球科技潮立场，如若转载，请注明出处：https://www.zennew.com/hlw/202611/494.html