MiniMax lança modelo de imagem H3 de código aberto com geração de 4K em 10 segundos

iconMetaEra
Compartilhar
AI summary iconResumo
A MiniMax lançou seu modelo H3 Image de código aberto, uma IA com 33,1 bilhões de parâmetros capaz de gerar imagens em 4K em 10 segundos. O modelo suporta até 16 imagens de referência e oferece 50% de desconto nas saídas em alta resolução durante a primeira semana. Disponível por meio do Hugging Face e integrado à API da MiniMax, ao MiniMax Code e ao Hailuo AI, a ferramenta é posicionada como um importante evento noticioso on-chain no espaço de notícias de IA + cripto.
MiniMax lança e abre o código do modelo de imagem H3 Image, capaz de gerar diretamente imagens em 4K, com até 10 segundos por imagem, suportando até 16 imagens de referência, com os pesos de 33,1 bilhões de parâmetros igualmente disponibilizados.

Autor do artigo: Li Dan

Fonte do artigo: Wall Street Journal

A empresa chinesa de IA MiniMax aumenta novamente seu investimento no segmento de geração de imagens.

Na terça-feira, 10 de novembro, a MiniMax lançou oficialmente e abriu o código do novo modelo de geração de imagens H3 Image, com foco na geração de imagens 4K de até 16 milhões de píxeis (4096×4096), com tempo de geração de apenas cerca de 10 segundos, segundo a empresa. O modelo também suporta compreensão precisa de prompts, edição de imagens e até 16 imagens de referência como entrada.

A MiniMax resume as vantagens competitivas do H3 Image em três aspectos: velocidade, qualidade da imagem e seguimento de instruções. Em termos de velocidade, o modelo consegue gerar imagens em 4K em 10 a 20 segundos. Em qualidade da imagem, busca superar a sensação comum de geração por IA, oferecendo detalhes mais ricos e maior realismo. Em seguimento de instruções, a empresa afirma alcançar o melhor nível entre modelos de imagem abertos e suportar a criação colaborativa com múltiplas imagens de referência.

Diferentemente de modelos proprietários que apenas abrem chamadas de API, a MiniMax lançou simultaneamente os pesos do modelo H3 Image, integrando-o à sua própria API, ao MiniMax Code e à plataforma Hai Luo AI. Na primeira semana de lançamento, a geração de imagens com resolução de 16 MP ou superior ainda está com 50% de desconto.

Imagens 4K sem super-resolução, geração direta mais rápida que os modelos principais

A velocidade de geração é um dos principais diferenciais destacados nesta versão do H3 Image.

Atualmente, a resolução de saída dos principais modelos de geração de imagens no mercado concentra-se entre 1 milhão e 4 milhões de pixels, com tempos de geração geralmente medidos em minutos; mesmo os modelos mais rápidos exigem cerca de 50 segundos. Em comparação, o H3 Image pode gerar diretamente imagens 4K de 4096×4096 pixels em apenas 10 a 20 segundos, com a velocidade mais rápida anunciada pela empresa em cerca de 10 segundos.

Isso significa que o H3 Image não apenas aumenta a escala de pixels gerados em uma única operação para cerca de 16 milhões, mas também busca reduzir significativamente o tempo de espera para imagens de alta resolução. Para designers e criadores de conteúdo que precisam ajustar repetidamente composição, paleta de cores, iluminação e detalhes, o aumento na velocidade de geração reduz o custo temporal de cada tentativa, tornando a iteração criativa mais eficiente.

Do ponto de vista das especificações técnicas, o H3 Image não é simplesmente um aumento de imagens de resolução normal para 4K, mas é capaz de gerar diretamente imagens de alta resolução de cerca de 16 milhões de pixels, sem necessidade de processamento adicional de super-resolução.

A descrição do modelo publicada pela MiniMax no Hugging Face indica que o H3 Image suporta múltiplos formatos de tela, além da imagem quadrada de 4096×4096, também suporta imagens panorâmicas 16:9 de 5472×3072 e telas widescreen 21:9 de 6272×2688. O intervalo eficaz de geração do modelo é de aproximadamente 4 a 20 milhões de pixels, e a recomendação oficial é obter melhores resultados em torno de 16 milhões de pixels.

Por trás do aumento de velocidade, o modelo adotou otimização por distilação, reduzindo os passos de amostragem para 6 passos (Sampling Steps), sem necessidade de orientação sem classificador (CFG), para reduzir o custo computacional na geração de imagens de alta resolução.

Evite o típico "efeito IA"; os detalhes visuais e o realismo tornam-se outro ponto de venda.

Além da velocidade de geração, a MiniMax considera a qualidade da imagem como outra vantagem central do H3 Image.

A MiniMax enfatiza na descrição oficial do modelo que o H3 Image supera as características visuais comuns das imagens geradas por IA, oferecendo detalhes visuais mais ricos e maior realismo, aproximando as imagens geradas da qualidade visual do mundo real.

Isso não se trata apenas de se a imagem é suficientemente realista, mas também afeta diretamente o escopo de aplicação do modelo. Para cenários como publicidade, comércio eletrônico, design de produtos, arte de jogos e produção visual comercial, os modelos de imagem precisam não apenas gerar cenas que atendam aos requisitos criativos, mas também apresentar texturas detalhadas, iluminação natural e detalhes de cena críveis. A melhoria na realidade visual e na representação de detalhes tem o potencial de expandir as imagens geradas por IA além de esboços conceituais e materiais criativos, chegando a criações comerciais mais profissionais.

Diferentemente das soluções tradicionais de geração de alta resolução, o H3 Image pode gerar diretamente imagens de aproximadamente 16 milhões de pixels, em vez de primeiro criar imagens de baixa resolução e depois ampliá-las por meio de técnicas de super-resolução. A MiniMax busca equilibrar qualidade e eficiência por meio da geração nativa de alta resolução e de um fluxo de inferência mais curto.

Capacidade de seguir instruções considerada a mais forte entre modelos de imagem open-source, com suporte a até 16 imagens de referência

Em termos de seguimento de instruções, a MiniMax posiciona o H3 Image como o modelo de imagem de código aberto com a melhor capacidade de seguimento de instruções, combinando-o com entrada de múltiplas imagens de referência e capacidades de edição de imagem.

O modelo não apenas suporta a geração direta de imagens com base em prompts de texto, mas também pode receber uma ou várias imagens de referência para modificar imagens existentes conforme instruções do usuário. A capacidade de entrada de até 16 imagens de referência ajuda o modelo a compreender simultaneamente diferentes informações de referência, como pessoas, objetos, cenas e estilos visuais, mantendo melhor a consistência da imagem e as características do sujeito em criações complexas.

Por exemplo, no design de anúncios de produtos, os usuários podem fazer o upload separado de imagens de referência para a aparência do produto, a identidade visual da marca e o cenário, e depois usar instruções de texto para solicitar ao modelo integrar esses diferentes elementos em uma nova imagem; no arte e design de personagens de jogos, também é possível utilizar múltiplas imagens de referência para controlar a aparência do personagem, roupas, cenário e estilo geral.

Esse design, que integra geração de imagem a partir de texto, edição de imagem e referência de múltiplas imagens em um único modelo, significa que os usuários não precisam alternar frequentemente entre diferentes modelos ou fluxos de trabalho especializados para realizar a criação contínua, desde a geração inicial até as modificações subsequentes.

Arquitetura de 3,31 bilhões de parâmetros, pesos do modelo abertos simultaneamente

Em termos de arquitetura de modelo, o H3 Image foi desenvolvido com base no modelo multimodal MiniMax H3, removendo o ramo de áudio original e otimizado para geração e edição de imagens.

De acordo com os dados técnicos divulgados pela Hugging Face, o H3 Image utiliza um Transformer difuso denso (DiT) com 33,1 bilhões de parâmetros, composto por 50 camadas, mantendo o codificador de texto Qwen3-VL do MiniMax H3 e combinando-o com um VAE de imagem para processar imagens de referência e gerar imagens.

Outro ponto importante deste lançamento é a liberação dos pesos do modelo. Os desenvolvedores podem obter o modelo pelo Hugging Face e implantá-lo e desenvolvê-lo usando ferramentas como SGLang, vLLM-Omni, Diffusers e ComfyUI.

No entanto, o fato de os pesos serem abertos não significa que computadores consumidores comuns possam executar facilmente o modelo completo. Os arquivos de pesos do DiT para geração de imagens, divulgados oficialmente, têm cerca de 68,65 GB, e o deploy completo ainda exige o carregamento de um codificador de texto independente, exigindo alta memória de vídeo e recursos de computação.

API, MiniMax Code e Shell AI integrados simultaneamente; 50% de desconto na geração de alta resolução na primeira semana

Em termos de comercialização, a MiniMax adota uma estratégia paralela de pesos abertos e plataforma de produtos próprios.

H3 Image já está disponível por meio da MiniMax API, MiniMax Code e SeaShell AI, permitindo que os usuários experimentem recursos de geração e edição de imagens de alta resolução sem precisar baixar ou implantar o modelo. Na primeira semana de lançamento, os pedidos de geração de imagens com resolução de 16MP ou superior ainda estão com 50% de desconto.

A partir deste lançamento, a MiniMax busca atingir tanto desenvolvedores quanto criadores comuns: por um lado, atraíndo desenvolvedores para implantação local, desenvolvimento secundário e integração de fluxos de trabalho por meio da abertura dos pesos dos modelos; por outro lado, impulsionando a comercialização dos modelos e ampliando a base de usuários por meio de APIs e produtos como Hai Luo AI.

No entanto, pesos abertos não significam código aberto sem restrições. A licença comunitária publicada pela Hugging Face estabelece condições para a região aplicável, uso comercial e desenvolvimento de derivativos do modelo, exigindo autorização adicional para certas regiões e usos comerciais específicos.

Em um cenário de competição cada vez mais intensa na geração de imagens por IA, a H3 Image foca como principais pontos de ruptura a velocidade de geração em alta resolução, o realismo visual e a capacidade de seguir instruções complexas. A capacidade de transformar essas três vantagens técnicas em demanda contínua de criadores e receita de API, bem como se os pesos abertos impulsionarão um ecossistema mais amplo de desenvolvedores, serão os pontos-chave a serem observados pela MiniMax a seguir.

Aviso legal: as informações nesta página podem ter sido obtidas de terceiros e não refletem necessariamente os pontos de vista ou opiniões da KuCoin. Este conteúdo é fornecido apenas para fins informativos gerais, sem qualquer representação ou garantia de qualquer tipo, nem deve ser interpretado como aconselhamento financeiro ou de investimento. A KuCoin não é responsável por quaisquer erros ou omissões, ou por quaisquer resultados do uso destas informações. Os investimentos em ativos digitais podem ser arriscados. Avalie cuidadosamente os riscos de um produto e a sua tolerância ao risco com base nas suas próprias circunstâncias financeiras. Para mais informações, consulte nossos termos de uso e divulgação de risco.