Inilunsad ng MiniMax ang open-source na H3 Image Model na may 4K generation sa 10 segundo

iconMetaEra
I-share
AI summary iconSummary
Lumunsad ng MiniMax ang kanilang open-source na H3 Image model, isang AI na may 33.1 bilyong parameter na kayang mag-generate ng 4K images sa loob ng 10 segundo. Suporta ng model ang hanggang 16 reference images at nag-aalok ng 50% discount sa high-res outputs sa unang linggo nito. Magagamit sa Hugging Face at integrado sa MiniMax API, MiniMax Code, at Hailuo AI, ang tool ay itinuturing na malaking on-chain news event sa larangan ng AI + crypto news.
Inilabas at in-open source ni MiniMax ang image model na H3 Image, na kayang mag-generate ng 4K images nang direkta, pinakamabilis na 10 segundo bawat imahe, at sumusuporta sa hanggang 16 reference images, kasama ang 33.1 bilyong parameter weights na in-open source.

May-akda ng artikulo: Li Dan

Pinagkunan: Wall Street Journal

Ang Chinese AI company na MiniMax ay nagdaragdag pa ng pagsisikap sa larangan ng image generation.

Martes, Nobyembre 10, ang MiniMax ay opisyal na ipinakilala at inilabas ang open source na bagong henerasyon ng image generation model na H3 Image, na nagtatampok ng pagbuo ng 4K image na may maximum na 16 milyong pixel (4096×4096), na ayon sa opisyal, maaaring matapos sa pinakamabilis na 10 segundo, at sumusuporta sa tumpak na pag-unawa sa prompt, pag-edit ng imahe, at pag-input ng hanggang 16 reference images.

Isinama ng MiniMax ang pangunahing kakayahan ng H3 Image sa tatlong aspeto: bilis, kalidad ng imahe, at pagsumbong sa mga utos: Sa bilis, ang modelo ay nakakagawa ng 4K imahe sa loob ng 10 hanggang 20 segundo; sa kalidad ng imahe, sinisikap nito na malampasan ang karaniwang pakiramdam ng AI-generated, na nagtataglay ng mas maraming detalye at mas malakas na realismo; sa pagsumbong sa mga utos, sinasabing umabot ito sa pinakamalakas na antas sa mga bukas-sourcem na modelo ng imahe at sumusuporta sa paggawa ng mga imahe gamit ang maraming reference image.

Sa pagkakaiba sa mga sariling modelo na nagpapahintulot lamang sa API calls, inilabas ng MiniMax ang mga timbang ng H3 Image model at isinama ito sa kanilang sariling API, MiniMax Code, at platform ng Hai Luo AI. Sa unang linggo ng paglalabas, may 50% discount para sa paggawa ng mga imahe na may resolusyon na 16MP o higit pa.

Ang 4K images ay walang kailangang super-resolution, direkta ang pagbuo nito at mas mabilis kaysa sa mga pangunahing modelo

Ang bilis ng pagbuo ay isa sa mga pangunahing kompetensya na binigyang-diin ni H3 Image.

Ang karaniwang resolusyon ng mga output ng pangunahing mga modelo ng paggawa ng imahe sa merkado ay nasa pagitan ng 1 milyon hanggang 4 milyon na pixel, at ang karaniwang bilis ng paggawa ay nasa minuto, kahit ang pinakamabilis na mga modelo ay nangangailangan ng halos 50 segundo. Sa kumpara, ang H3 Image ay kayang direktang lumikha ng 4K na imahe na may sukat na 4096×4096, na nagpapababa ng oras ng paggawa sa 10 hanggang 20 segundo, na may pinakamabilis na inaasahan ng opisyal na 10 segundo.

Ibig sabihin nito, hindi lamang itinataas ng H3 Image ang bilang ng pixel sa bawat paggawa patungo sa halos 16 milyon, kundi sinusubukang palakasin ang pagkakaroon ng mataas na resolusyon sa mas maikling oras. Para sa mga disenyanter at tagapaglikha ng nilalaman na nangangailangan ng paulit-ulit na pagpapalit sa komposisyon, kulay, ilaw, at detalye, ang pagtaas ng bilis ng paggawa ay nagpapababa sa gastos sa oras bawat subok at pagkakamali, na nagpapahintulot sa mas epektibong pag-itera ng kreatibidad.

Batay sa teknikal na spesipikasyon, ang H3 Image ay hindi simpleng pinapalaki ang karaniwang resolusyon ng imahe patungo sa 4K, kundi kayang direktang lumikha ng mataas na resolusyon na imahe na may halos 16 milyong pixel, nang walang karagdagang super-resolution processing.

Ang paglalarawan ng modelo na ipinahayag ni MiniMax sa Hugging Face ay nagpapakita na ang H3 Image ay sumusuporta sa iba’t ibang aspeto ng imahe, kabilang ang 4096×4096 na parisukat na larawan, 5472×3072 na 16:9 na horizontal na imahe, at 6272×2688 na 21:9 na widescreen na imahe. Ang epektibong sakop ng paggawa ng modelo ay humigit-kumulang 4 milyon hanggang 20 milyon na pixel, at inirerekomenda ng opisyal na 16 milyon na pixel para sa mas mabuting epekto.

Sa likod ng pagtaas ng bilis, ang modelo ay gumamit ng distilasyon na optmisasyon upang i-compact ang mga hakbang ng pagpili sa 6 (Sampling Steps), nang walang tradisyonal na classifier-free guidance (CFG), upang bawasan ang computational cost sa pagbuo ng mataas na resolusyon na imahe.

Lumayas sa karaniwang “AI feel”; ang detalye ng imahe at realismo ay naging isa pang pangunahing katangian

Kasama sa iba pang pangunahing kahusayan ng H3 Image ang kalidad ng imahe, hindi lamang ang bilis ng pagbuo.

Pinapahalagahan ni MiniMax sa pormal na paliwanag ng modelo na ang H3 Image ay nakakalabas sa karaniwang mga visual na katangian ng AI-generated na mga imahe, nagtataglay ng mas mayamang detalye sa larawan at mas malakas na realismo, upang gawing mas malapit sa visual na kalikasan ng totoong mundo ang mga generated na imahe.

Hindi lamang ito tungkol sa kung gaano kapatid ang imahe, kundi direktang nakakaapekto sa saklaw ng aplikasyon ng modelo. Para sa mga escena tulad ng advertising, e-commerce, product design, game art, at commercial visual production, kailangan ng image model na hindi lamang makagawa ng mga larawan na sumasalungat sa mga kahilingan ng kreatibidad, kundi maaari ring ipakita ang detalyadong materyales, natural na ilaw at pananatili ng mga detalye ng escena. Ang pagpapabuti sa realismo at pagpapakita ng detalye ay maaaring magdala ng AI-generated images mula sa concept sketches at creative assets patungo sa mas propesyonal na commercial creation.

Sa pagkakaiba sa tradisyonal na mga solusyon para sa pag-generate ng mataas na resolusyon, ang H3 Image ay direktang nakakagawa ng mga imahe na may halos 16 milyong pixels, hindi na una ay gumagawa ng mababang resolusyon na imahe at pagkatapos ay pinalalaki gamit ang teknolohiya ng super-resolution. Nais ni MiniMax na magkaroon ng magandang kalidad at epiisensya sa pamamagitan ng native na pag-generate ng mataas na resolusyon at mas maikling proseso ng inference.

Ang kakayahan sa pagsumbong ng mga utos ay itinuturing na pinakamalakas sa mga bukas-sourcem na imahe ng modelo, at suportahan ang pinakamaraming 16 na reference image.

Sa pagpapakita ng mga utos, pinatataas ni MiniMax ang H3 Image bilang pinakamalakas na modelong imahe na bukas sa source sa pagpapakita ng mga utos, at pinagsasama ito sa pag-input ng maraming reference image at kakayahang i-edit ang imahe.

Ang modelo ay hindi lamang sumusuporta sa direkta na pagbuo ng imahe batay sa text prompt, kundi maaari rin itong tumanggap ng isang o higit pang reference image, at baguhin ang umiiral na imahe batay sa utos ng user. Ang kakayahan na tanggapin ang pinakamaraming 16 na reference image ay nakakatulong sa modelo na maunawaan nang одно-isa ang iba’t ibang impormasyon sa reference tulad ng mga tao, bagay, eksena, at visual style, upang mas mapanatili ang mga katangian ng pangunahing elemento at pagkakatulad ng imahe sa mga kumplikadong paggawa.

Halimbawa, sa pagdidisenyo ng pananaliksik ng produkto, maaaring i-upload ng user ang mga larawan ng panlabas na anyo ng produkto, visual ng brand, at mga referensya ng eksena, at pagkatapos ay gamitin ang mga panuto sa teksto upang hilingin sa modelo na i-integrate ang iba’t ibang elemento sa isang bagong larawan; sa larangan ng game art at disenyo ng karakter, maaari ring gamitin ang maraming larawang referensya upang kontrolin ang anyo ng karakter, kasuotan, eksena, at pangkabuuang istilo.

Ang pagpapagsama ng text-to-image, image editing, at multi-image reference sa isang parehong modelo ay nangangahulugan na hindi kailangan ng mga gumagamit na palitan ang iba’t ibang espesyalisadong modelo o workflow upang matapos ang tuloy-tuloy na paggawa mula sa unang pagbuo hanggang sa susunod na pagbabago.

3.31 bilyon parameter architecture, synchronous open ng model weights

Sa mga arkitektura ng modelo, ang H3 Image ay nabuo batay sa MiniMax H3 multimodal model, na tinanggal ang audio branch ng orihinal na arkitektura at in-optimize para sa pagbuo at pag-edit ng imahe.

Batay sa teknikal na dokumentasyon na inilabas ng Hugging Face, ang H3 Image ay gumagamit ng 33.1 bilyong parameter na dense diffusion Transformer (DiT), may kabuuang 50 layers, at nagpapatuloy sa Qwen3-VL text encoder ng MiniMax H3 kasama ang image VAE para sa pagproseso ng reference at generated images.

Ang isa pang mahalagang bahagi ng paglabas na ito ay ang pagbukas ng mga timbang ng modelo. Maaaring makakuha ang mga developer ng modelo sa Hugging Face at gamitin ang mga kasangkapan tulad ng SGLang, vLLM-Omni, Diffusers, at ComfyUI para sa pag-deploy at pag-unlad.

Gayunpaman, ang pagbubukas ng weights ay hindi nangangahulugan na madaling patakbuhin ang buong modelo sa karaniwang consumer-grade na computer. Ang weight file ng image generation na DiT ay umabot sa halos 68.65 GB, at ang buong deployment ay nangangailangan din ng pag-load ng hiwalay na text encoder, na may mataas na kahilingan sa VRAM at computing resources.

Nakakapag-ugnay ang API, MiniMax Code, at Hai Luo AI, 50% discount sa high-resolution generation sa unang linggo

Sa komersyalisasyon, ang MiniMax ay gumagamit ng parehong estratehiya ng pagbubukas ng weights at sariling produkto platform.

Ang H3 Image ay kasalukuyang available sa pamamagitan ng MiniMax API, MiniMax Code, at Hai Luo AI, kung kaya’t ang mga user ay hindi kailangang i-download o ideploy ang modelo upang makapag-experience ng mga tampok sa paggawa at pag-edit ng mga imahe na may mataas na resolusyon. Sa unang linggo ng paglalabas, may 50% discount sa lahat ng mga hiling para sa paggawa ng imahe na may resolusyon na 16MP o higit pa.

Mula sa paglalabas na ito, sinubukan ni MiniMax na sakop ang mga developer at mga karaniwang tagagawa: sa isang panig, sa pamamagitan ng pagbubukas ng weights ng model upang tarantahan ang mga developer para sa lokal na deployment, secondary development, at integrasyon ng workflow; sa kabilang panig, sa pamamagitan ng API at mga produkto tulad ng Hai Luo AI upang i-komersyalisasyon ang model at palawakin ang sakop ng mga user.

Gayunpaman, ang pagbukas ng weights ay hindi katumbas ng walang limitasyon na open source. Ang community license na ipinahayag ng Hugging Face ay nagtatadhana ng mga kondisyon para sa适用 na rehiyon, komersyal na paggamit, at pag-unlad ng mga derived model, kung saan ang ilang rehiyon at tiyak na komersyal na paggamit ay nangangailangan ng karagdagang pahintulot.

Sa gitna ng patuloy na paglalaban sa AI image generation, ang H3 Image ay nagpapakilala sa mataas na resolusyon na bilis ng paggawa, realismo ng imahe, at kakayahang sundin ang mga kumplikadong utos bilang pangunahing pagsisikap. Kung magiging posible na i-convert ang tatlong teknikal na kalakasan na ito sa patuloy na pangangailangan ng mga tagagawa at kita mula sa API, at kung ang pagbubukas ng weights ay makakapagdulot ng mas malawak na ekosistema ng mga developer, ito ang mga pangunahing puntos na dapat pansinin ng MiniMax sa susunod.

Disclaimer: Ang information sa page na ito ay maaaring nakuha mula sa mga third party at hindi necessary na nagre-reflect sa mga pananaw o opinyon ng KuCoin. Ibinigay ang content na ito para sa mga pangkalahatang informational purpose lang, nang walang anumang representation o warranty ng anumang uri, at hindi rin ito dapat ipakahulugan bilang financial o investment advice. Hindi mananagot ang KuCoin para sa anumang error o omission, o para sa anumang outcome na magreresulta mula sa paggamit ng information na ito. Maaaring maging risky ang mga investment sa mga digital asset. Pakisuri nang maigi ang mga risk ng isang produkto at ang risk tolerance mo batay sa iyong sariling kalagayang pinansyal. Para sa higit pang information, mag-refer sa aming Terms ng Paggamit at Disclosure ng Risk.