跳到主要内容
返回时间线
openbiox Bizard来源发表:

MiniMax 把 16 兆像素图像生成与编辑模型开放权重:单次采样 6 步,无需放大即可直出各比例大图

核心概要

MiniMax 在 GitHub 上以开放权重发布 MiniMax-H3-Image,把文生图与多图编辑放进同一个检查点,可在 1:3 到 3:1 的各比例下直接生成约 16 兆像素图像,不需要额外放大步骤,采样步数为 6。模型最多接收 16 张参考图,官方称其指令遵循在开源模型中表现最强,并给出 SGLang、vLLM-Omni、diffusers 与 ComfyUI 的本地部署方式。

深度剖析

开放权重的图像模型现在把文生图和多图编辑合并到一个检查点里,并直接输出约 16 兆像素的大图,覆盖 1:3 到 3:1 的各比例。 此前的常见做法是先出较小图像再交给放大模型补细节,而这一模型在每个比例下直接生成约 16 兆像素,不经过放大步骤。 官方给出的规格是 6 个采样步数、输出面积可选 1K、2K 或 4K,自定义宽高覆盖 655,360 到 20,000,000 像素,并称约 16 兆像素时效果最好。

模型把文字提示和参考图编码后拼成一条序列,由单个扩散变换器预测目标图像的潜变量,再解码成图。 图像编码器是带 16 倍空间下采样的 VAE,解码端为 24 层二维 ViT,因此每个变换器 token 覆盖 32×32 像素。 扩散变换器为 33.1B 参数的稠密单流结构,50 层、隐藏维度 5376、56 个注意力头,文本编码器沿用 MiniMax-H3 的 Qwen3-VL 并读取其第 50 层隐状态。

本地部署有现成路径,SGLang 与 vLLM-Omni 只需原始检查点加 MiniMax-H3 文本编码器,约 135 GB。 完整 Hugging Face 仓库同时存放原始检查点与 diffusers 格式,合计约 204 GB,按需下载可以省去重复部分。 官方建议单卡服务,或在显存不足 130 GiB 时由 SGLang 卸载模型组件,也可用序列并行把单个请求拆到多张 GPU 上以降低延迟。

启示与展望

已展示的范围是仓库自述的模型规格、架构说明、部署命令与示例图,面向希望在自有 GPU 上运行或调用该模型的开发者;材料未给出与其它模型的定量比较。

仓库称其指令遵循在开源模型中最强,但材料未给出支撑这一说法的对比评测;掩码修补、透明背景、用户指定种子和预览图被列为尚不支持。