MiniMax meluncurkan dan mengopensource model gambar H3 Image, yang dapat langsung menghasilkan gambar 4K, dengan kecepatan tercepat sekitar 10 detik per gambar, mendukung hingga 16 gambar referensi, dan membuka secara bersamaan bobot parameter sebesar 33,1 miliar.Penulis artikel: Li Dan
Sumber artikel: Wall Street Journal
Perusahaan AI Tiongkok MiniMax kembali memperkuat bidang generasi gambar.
Selasa, 10 November, MiniMax secara resmi meluncurkan dan mengopen-source model generasi gambar generasi baru, H3 Image, yang menonjolkan kemampuan menghasilkan gambar 4K hingga 16 juta piksel (4096×4096), dengan klaim resmi bahwa prosesnya bisa selesai dalam waktu sekitar 10 detik, serta mendukung pemahaman tepat terhadap prompt, pengeditan gambar, dan input hingga 16 gambar referensi.
MiniMax merangkum daya saing inti H3 Image dalam tiga aspek: kecepatan, kualitas gambar, dan kepatuhan terhadap perintah: Dalam hal kecepatan, model mampu menghasilkan gambar 4K dalam 10 hingga 20 detik; dalam hal kualitas gambar, model berusaha melepaskan diri dari感 AI yang umum, menampilkan detail yang lebih kaya dan realisme yang lebih kuat; dalam hal kepatuhan terhadap perintah, pihak resmi menyatakan bahwa model ini mencapai tingkat terbaik di antara model gambar open-source, serta mendukung kolaborasi kreatif dengan beberapa gambar referensi.
Berbeda dengan model propietaris yang hanya membuka panggilan API, MiniMax kali ini secara bersamaan membuka bobot model H3 Image dan mengintegrasikannya ke dalam API miliknya sendiri, MiniMax Code, dan platform Hai Luo AI. Pada minggu peluncuran pertama, pembuatan gambar dengan resolusi 16MP atau lebih tinggi masih mendapatkan diskon 50%.
Gambar 4K tanpa super-resolution, kecepatan generasi langsung mengungguli model utama
Kecepatan generasi adalah salah satu daya saing utama yang ditekankan oleh H3 Image kali ini.
Resolusi output model generasi gambar utama saat ini sebagian besar berkisar antara 1 juta hingga 4 juta piksel, dengan kecepatan generasi umumnya dalam hitungan menit, bahkan model tercepat sekalipun memerlukan sekitar 50 detik. Sebaliknya, H3 Image mampu langsung menghasilkan gambar 4K beresolusi 4096×4096 dengan waktu generasi dipersingkat menjadi 10 hingga 20 detik, dengan kecepatan tercepat yang diiklankan resmi sekitar 10 detik.
Ini berarti H3 Image tidak hanya meningkatkan skala piksel generasi tunggal menjadi sekitar 16 juta, tetapi juga berusaha secara signifikan mengurangi waktu tunggu untuk gambar resolusi tinggi. Bagi desainer dan pencipta konten yang perlu terus-menerus menyesuaikan komposisi, palet warna, pencahayaan, dan detail, peningkatan kecepatan generasi dapat mengurangi biaya waktu setiap percobaan, sehingga membuat iterasi kreatif menjadi lebih efisien.

Dari segi spesifikasi teknis, H3 Image bukan sekadar memperbesar gambar resolusi biasa menjadi 4K, tetapi mampu langsung menghasilkan gambar resolusi tinggi sekitar 16 juta piksel tanpa memerlukan proses super-resolution tambahan.
Deskripsi model yang dirilis MiniMax di Hugging Face menunjukkan bahwa H3 Image mendukung berbagai rasio aspek, selain gambar persegi 4096×4096, juga mendukung gambar landscape 16:9 berukuran 5472×3072, serta gambar widescreen 21:9 berukuran 6272×2688. Rentang generasi efektif model berkisar sekitar 4 hingga 20 juta piksel, dengan rekomendasi resmi untuk mendapatkan hasil terbaik sekitar 16 juta piksel.
Di balik peningkatan kecepatan, model menggunakan optimasi distilasi, mengurangi langkah pengambilan sampel menjadi 6 langkah (Sampling Steps), tanpa memerlukan classifier-free guidance (CFG) tradisional, untuk mengurangi beban komputasi dalam generasi gambar resolusi tinggi.
Hindari kesan “AI” yang umum, detail visual dan realisme menjadi daya tarik lainnya
Selain kecepatan generasi, MiniMax memandang kualitas gambar sebagai keunggulan inti lain dari H3 Image.
MiniMax menekankan dalam penjelasan model resminya bahwa H3 Image mampu melampaui ciri visual umum dari gambar yang dihasilkan AI, memberikan detail gambar yang lebih kaya dan realisme yang lebih kuat, sehingga gambar yang dihasilkan lebih mendekati kualitas visual dunia nyata.
Ini tidak hanya berkaitan dengan seberapa realistis gambar yang dihasilkan, tetapi juga secara langsung memengaruhi cakupan aplikasi model. Untuk skenario seperti iklan, e-commerce, desain produk, seni game, dan produksi visual komersial, model gambar selain harus mampu menghasilkan visual yang sesuai dengan persyaratan kreatif, juga harus dapat menampilkan tekstur halus, pencahayaan alami, dan detail adegan yang kredibel. Peningkatan realisme dan kemampuan menampilkan detail berpotensi memperluas penggunaan gambar yang dihasilkan AI dari konsep sketsa dan bahan kreatif menuju produksi komersial yang lebih profesional.
Berbeda dengan solusi generasi resolusi tinggi tradisional, H3 Image mampu menghasilkan gambar sekitar 16 juta piksel secara langsung, bukan dengan membuat gambar resolusi rendah terlebih dahulu lalu memperbesarnya melalui teknik super-resolution. MiniMax berharap dapat menyeimbangkan kualitas gambar dan efisiensi melalui generasi native resolusi tinggi serta proses inferensi yang lebih singkat.
Kemampuan mengikuti perintah disebut sebagai yang terkuat di antara model gambar open-source, mendukung hingga 16 gambar referensi
Dalam hal pemenuhan perintah, MiniMax menempatkan H3 Image sebagai model gambar open-source dengan kemampuan pemenuhan perintah terkuat, serta menggabungkannya dengan input gambar multi-referensi dan kemampuan pengeditan gambar.
Model tidak hanya mendukung pembuatan gambar langsung berdasarkan petunjuk teks, tetapi juga dapat menerima satu atau beberapa gambar referensi untuk memodifikasi gambar yang sudah ada berdasarkan instruksi pengguna. Kemampuan menerima hingga 16 gambar referensi membantu model memahami secara bersamaan berbagai informasi referensi seperti tokoh, objek, latar, dan gaya visual, sehingga dapat lebih baik mempertahankan ciri subjek dan konsistensi gambar dalam penciptaan yang kompleks.
Misalnya, dalam desain iklan produk, pengguna dapat mengunggah gambar referensi tampilan produk, visual merek, dan latar belakang secara terpisah, lalu memberikan instruksi teks untuk meminta model menggabungkan elemen-elemen berbeda ke dalam satu gambar baru; dalam seni game dan desain karakter, pengguna juga dapat memanfaatkan beberapa gambar referensi untuk mengontrol penampilan karakter, pakaian, latar, dan gaya keseluruhan.
Desain yang menggabungkan teks-ke-gambar, pengeditan gambar, dan referensi multi-gambar dalam satu model ini juga berarti pengguna tidak perlu sering beralih antara berbagai model atau alur kerja profesional untuk menyelesaikan proses kreatif berkelanjutan, mulai dari generasi awal hingga modifikasi selanjutnya.
Arsitektur 3,31 miliar parameter, bobot model dibuka secara bersamaan
Dari segi arsitektur model, H3 Image dikembangkan berdasarkan model multimodal MiniMax H3, dengan menghilangkan cabang audio dari arsitektur aslinya dan dioptimalkan untuk generasi dan pengeditan gambar.
Berdasarkan dokumentasi teknis yang dirilis oleh Hugging Face, H3 Image menggunakan Dense Diffusion Transformer (DiT) dengan 33,1 miliar parameter, terdiri dari 50 lapisan, mempertahankan encoder teks Qwen3-VL dari MiniMax H3, serta menggabungkan VAE gambar untuk memproses gambar referensi dan menghasilkan gambar.
Poin penting lain dalam rilis ini adalah pembukaan bobot model. Pengembang dapat memperoleh model melalui Hugging Face dan menggunakannya untuk deployment dan pengembangan dengan alat-alat seperti SGLang, vLLM-Omni, Diffusers, dan ComfyUI.
Namun, keterbukaan bobot tidak berarti komputer konsumen biasa dapat dengan mudah menjalankan model lengkap. File bobot generasi gambar DiT yang diungkapkan resmi berukuran sekitar 68,65 GB, dan penerapan lengkap juga memerlukan pemuatan encoder teks terpisah, yang menuntut memori GPU dan sumber daya komputasi yang tinggi.
API, MiniMax Code, dan Hai Luo AI secara bersamaan terintegrasi, diskon 50% untuk generasi resolusi tinggi di minggu pertama
Dalam hal komersialisasi, MiniMax mengadopsi strategi paralel antara bobot terbuka dan platform produk milik sendiri.
H3 Image kini tersedia melalui MiniMax API, MiniMax Code, dan Hai Luo AI, memungkinkan pengguna untuk menikmati fitur generasi dan pengeditan gambar resolusi tinggi tanpa perlu mengunduh dan meng部署 model secara mandiri. Pada minggu pertama peluncuran, permintaan generasi gambar dengan resolusi 16MP atau lebih tinggi masih mendapatkan diskon 50%.

Dari rilis ini, MiniMax berusaha mencakup pengembang dan kreator umum sekaligus: di satu sisi, dengan membuka bobot model untuk menarik pengembang melakukan penempatan lokal, pengembangan ulang, dan integrasi alur kerja; di sisi lain, dengan API dan produk seperti Hai Luo AI untuk mendorong komersialisasi model serta memperluas jangkauan pengguna.
Namun, bobot terbuka tidak sama dengan sumber terbuka tanpa batas sepenuhnya. Lisensi komunitas yang diumumkan oleh Hugging Face menetapkan syarat untuk wilayah penerapan, penggunaan komersial, dan pengembangan turunan model, di mana beberapa wilayah dan penggunaan komersial tertentu memerlukan otorisasi tambahan.
Dalam konteks persaingan yang semakin ketat di bidang generasi gambar AI, H3 Image menjadikan kecepatan generasi resolusi tinggi, realisme gambar, dan kemampuan mengikuti perintah kompleks sebagai titik fokus utama. Kemampuan untuk mengubah tiga keunggulan teknis ini menjadi permintaan pengguna kreator yang berkelanjutan dan pendapatan API, serta apakah pembukaan bobot akan mendorong ekosistem pengembang yang lebih luas, akan menjadi poin penting yang patut diperhatikan oleh MiniMax berikutnya.


