MiniMax lanza el modelo de imagen H3 de código abierto con generación de 4K en 10 segundos

iconMetaEra
Compartir
AI summary iconResumen
MiniMax ha lanzado su modelo H3 Image de código abierto, una IA de 33,1 mil millones de parámetros capaz de generar imágenes en 4K en 10 segundos. El modelo admite hasta 16 imágenes de referencia y ofrece un descuento del 50 % en salidas de alta resolución durante su primera semana. Disponible a través de Hugging Face e integrado en la API de MiniMax, MiniMax Code y Hailuo AI, la herramienta se posiciona como un importante evento noticioso en cadena en el espacio de noticias de IA + cripto.
MiniMax lanza y abre el modelo de imagen H3 Image, que puede generar imágenes 4K directamente, con una velocidad de hasta aproximadamente 10 segundos por imagen, admite hasta 16 imágenes de referencia y libera simultáneamente los pesos de 33.1 mil millones de parámetros.

Autor del artículo: Li Dan

Fuente: Wall Street Journal

La empresa china de IA MiniMax vuelve a invertir en el sector de generación de imágenes.

El martes 10 de noviembre, MiniMax lanzó oficialmente y abrió el código del nuevo modelo de generación de imágenes H3 Image, enfocado en la generación de imágenes 4K de hasta 16 millones de píxeles (4096×4096), con una velocidad de hasta aproximadamente 10 segundos según la empresa, además de admitir la comprensión precisa de los prompts, la edición de imágenes y la entrada de hasta 16 imágenes de referencia.

MiniMax resume la ventaja competitiva de H3 Image en tres aspectos: velocidad, calidad de imagen y seguimiento de instrucciones: en velocidad, el modelo puede generar imágenes en 4K en 10 a 20 segundos; en calidad de imagen, busca superar la sensación típica de generación por IA, ofreciendo detalles más ricos y una mayor realismo; en seguimiento de instrucciones, la empresa afirma que alcanza el nivel más alto entre los modelos de imagen de código abierto y admite la creación colaborativa con múltiples imágenes de referencia.

A diferencia de los modelos de código cerrado que solo abren llamadas a la API, MiniMax ha liberado simultáneamente los pesos del modelo H3 Image y los ha integrado en su propia API, MiniMax Code y la plataforma Hai Luo AI. Durante la primera semana de lanzamiento, la generación de imágenes con resolución de 16 MP o superior aún disfrutará de un 50 % de descuento.

Imágenes 4K sin superresolución, generación directa más rápida que los modelos principales

La velocidad de generación es uno de los puntos de competencia destacados por H3 Image en esta ocasión.

Actualmente, la resolución de salida de los modelos principales de generación de imágenes en el mercado se concentra entre 1 y 4 millones de píxeles, con tiempos de generación típicamente en minutos; incluso los modelos más rápidos requieren aproximadamente 50 segundos. En comparación, H3 Image puede generar directamente imágenes 4K de 4096×4096 píxeles en solo 10 a 20 segundos, con la velocidad más rápida anunciada por el fabricante de aproximadamente 10 segundos.

Esto significa que H3 Image no solo aumenta la escala de píxeles por generación individual a aproximadamente 16 millones, sino que también intenta reducir significativamente el tiempo de espera para imágenes de alta resolución. Para diseñadores y creadores de contenido que necesitan ajustar repetidamente la composición, la paleta de colores, la iluminación y los detalles, el aumento en la velocidad de generación reduce el costo temporal de cada prueba y hace que la iteración creativa sea más eficiente.

Desde el punto de vista técnico, H3 Image no simplemente amplía imágenes de resolución estándar a 4K, sino que puede generar directamente imágenes de alta resolución de aproximadamente 16 millones de píxeles, sin necesidad de procesamiento adicional de superresolución.

La descripción del modelo publicada por MiniMax en Hugging Face indica que H3 Image admite múltiples proporciones de imagen, además de imágenes cuadradas de 4096×4096, también admite imágenes horizontales de 5472×3072 en proporción 16:9 y imágenes panorámicas de 6272×2688 en proporción 21:9. El rango de generación efectivo del modelo oscila entre aproximadamente 4 y 20 millones de píxeles, y se recomienda oficialmente obtener mejores resultados alrededor de 16 millones de píxeles.

Detrás del aumento de velocidad, el modelo utiliza optimización por destilación, reduciendo los pasos de muestreo a 6 (Sampling Steps) y eliminando la necesidad de guía sin clasificador (CFG) para reducir el costo computacional en la generación de imágenes de alta resolución.

Evita el típico "aire de IA"; los detalles visuales y la realismo se convierten en otro punto de venta.

Además de la velocidad de generación, MiniMax considera la calidad de la imagen como otra ventaja clave de H3 Image.

MiniMax enfatiza en la descripción oficial del modelo que H3 Image puede superar las características visuales comunes de las imágenes generadas por IA, ofreciendo detalles más ricos y una mayor realismo, haciendo que las imágenes generadas se acerquen más a la calidad visual del mundo real.

Esto no solo se trata de si la imagen es lo suficientemente realista, sino que también afecta directamente el rango de aplicaciones del modelo. Para escenarios como publicidad, comercio electrónico, diseño de productos, arte de juegos y producción visual comercial, los modelos de imagen deben no solo generar imágenes que cumplan con los requisitos creativos, sino también poder representar texturas detalladas, iluminación natural y detalles de escena creíbles. La mejora en el realismo visual y la expresión de detalles tiene el potencial de extender las imágenes generadas por IA más allá de bocetos conceptuales y materiales creativos, hacia creaciones comerciales más profesionales.

A diferencia de los métodos tradicionales de generación de alta resolución, H3 Image puede generar directamente imágenes de aproximadamente 16 millones de píxeles, en lugar de crear primero imágenes de baja resolución y luego ampliarlas mediante técnicas de superresolución. MiniMax busca equilibrar calidad visual y eficiencia mediante la generación nativa de alta resolución y un proceso de inferencia más corto.

La capacidad de seguir instrucciones se considera la más fuerte entre los modelos de imagen de código abierto, con soporte para hasta 16 imágenes de referencia.

En cuanto al seguimiento de instrucciones, MiniMax posiciona a H3 Image como el modelo de imagen de código abierto con la mejor capacidad de seguimiento de instrucciones, combinándolo con entrada de múltiples imágenes de referencia y capacidad de edición de imágenes.

El modelo no solo puede generar imágenes directamente a partir de indicaciones de texto, sino que también puede recibir una o varias imágenes de referencia para modificar imágenes existentes según las instrucciones del usuario. La capacidad de ingresar hasta 16 imágenes de referencia ayuda al modelo a comprender simultáneamente diferentes elementos de referencia, como personas, objetos, escenarios y estilos visuales, manteniendo mejor las características del sujeto y la coherencia visual en creaciones complejas.

Por ejemplo, en el diseño de anuncios de productos, los usuarios pueden cargar por separado imágenes de referencia de la apariencia del producto, la identidad visual de la marca y el escenario, y luego utilizar instrucciones de texto para solicitar al modelo que integre diferentes elementos en una nueva imagen; en el arte y diseño de personajes para videojuegos, también se pueden utilizar múltiples imágenes de referencia para controlar la apariencia del personaje, la ropa, el escenario y el estilo general.

Este diseño, que integra la generación de imágenes a partir de texto, la edición de imágenes y la referencia de múltiples imágenes en un solo modelo, significa que los usuarios no necesitan cambiar frecuentemente entre diferentes modelos o flujos de trabajo especializados para completar una creación continua, desde la generación inicial hasta las modificaciones posteriores.

Arquitectura de 3,31 mil millones de parámetros, pesos del modelo abiertos sincronizados

En cuanto a la arquitectura del modelo, H3 Image se desarrolló a partir del modelo multimodal MiniMax H3, eliminando la rama de audio original y optimizándolo para la generación y edición de imágenes.

Según la documentación técnica publicada por Hugging Face, H3 Image utiliza un Transformer difuso denso (DiT) con 33,1 mil millones de parámetros, compuesto por 50 capas, y conserva el codificador de texto Qwen3-VL de MiniMax H3, combinado con un VAE de imagen para procesar imágenes de referencia y generar imágenes.

Otro aspecto importante de esta publicación es la apertura de los pesos del modelo. Los desarrolladores pueden obtener el modelo a través de Hugging Face y desplegarlo y desarrollarlo con herramientas como SGLang, vLLM-Omni, Diffusers y ComfyUI.

Sin embargo, el hecho de que los pesos estén abiertos no significa que una computadora de consumo común pueda ejecutar fácilmente el modelo completo. Los archivos de pesos de generación de imágenes DiT revelados por el equipo oficial son de aproximadamente 68,65 GB, y el despliegue completo requiere cargar un codificador de texto independiente, lo que implica altos requisitos de memoria gráfica y recursos de cómputo.

API, MiniMax Code y Shell AI se integran simultáneamente; primera semana con 50% de descuento en generación de alta resolución

En términos de comercialización, MiniMax adopta una estrategia paralela de pesos abiertos y su propia plataforma de productos.

H3 Image ya está disponible a través de MiniMax API, MiniMax Code y Hai Luo AI; los usuarios pueden experimentar funciones de generación y edición de imágenes de alta resolución sin necesidad de descargar ni implementar el modelo por su cuenta. Durante la primera semana de lanzamiento, las solicitudes de generación de imágenes con resolución de 16 MP o superior disfrutarán de un 50% de descuento.

Desde este lanzamiento, MiniMax busca cubrir tanto a desarrolladores como a creadores comunes: por un lado, atrae a desarrolladores mediante la apertura de los pesos del modelo para permitir implementación local, desarrollo secundario e integración en flujos de trabajo; por otro lado, impulsa la comercialización del modelo a través de API y productos como Hai Luo AI, ampliando así su alcance de usuarios.

Sin embargo, los pesos abiertos no equivalen a código abierto sin restricciones. La licencia comunitaria publicada por Hugging Face establece condiciones para la geografía aplicable, el uso comercial y el desarrollo de derivados del modelo, y en algunas regiones y para ciertos usos comerciales se requiere autorización adicional.

En un contexto de creciente competencia en la generación de imágenes por IA, H3 Image se enfoca en mejorar la velocidad de generación de alta resolución, el realismo visual y la capacidad de seguir instrucciones complejas. La capacidad de convertir estas tres ventajas técnicas en una demanda sostenida de creadores y ingresos por API, así como si los pesos abiertos impulsarán un ecosistema de desarrolladores más amplio, serán aspectos clave a observar en MiniMax.

Descargo de responsabilidad: La información contenida en esta página puede proceder de terceros y no refleja necesariamente los puntos de vista u opiniones de KuCoin. Este contenido se proporciona solo con fines informativos generales, sin ninguna representación o garantía de ningún tipo, y tampoco debe interpretarse como asesoramiento financiero o de inversión. KuCoin no es responsable de ningún error u omisión, ni de ningún resultado derivado del uso de esta información. Las inversiones en activos digitales pueden ser arriesgadas. Evalúa con cuidado los riesgos de un producto y tu tolerancia al riesgo en función de tus propias circunstancias financieras. Para más información, consulta nuestras Condiciones de uso y la Declaración de riesgos.