MiniMax, H3 Image görsel modelini yayınladı ve açık kaynak yaptı; doğrudan 4K görseller üretiyor, en hızlı tek bir görsel yaklaşık 10 saniyede oluşturuluyor, en fazla 16 referans görsel destekliyor ve 33,1 milyar parametre ağırlığı aynı anda açıklandı.Yazar: Li Dan
Kaynak: Wall Street Journal
Çinli AI şirketi MiniMax, görüntü oluşturma sektörünü tekrar destekliyor.
10 Kasım Salı, MiniMax, en yüksek 16 milyon piksel (4096×4096) 4K görüntü üretimiyle öne çıkan yeni nesil görüntü üretme modeli H3 Image'i resmen duyurdu ve kaynak kodunu açtı. Resmi açıklamaya göre, görüntü üretimi yaklaşık 10 saniyede tamamlanabiliyor ve precisely prompt anlayışı, görüntü düzenleme ve en fazla 16 referans görüntüsü girişi destekleniyor.
MiniMax, H3 Image'in temel avantajlarını hız, görüntü kalitesi ve komut uyma olarak üç ana kategoriye ayırıyor: Hız açısından, model 4K görüntüleri 10 ile 20 saniye arasında oluşturabiliyor; Görüntü kalitesi açısından, yaygın AI üretimi hissinden kaçınarak daha zengin detaylar ve daha güçlü gerçekçilik sunmayı hedefliyor; Komut uyma açısından, resmi olarak bu modelin açık kaynaklı görüntü modelleri arasında en yüksek seviyede olduğunu ve çoklu referans görüntülerle ortak üretim desteği sunduğunu belirtiyor.
MiniMax, yalnızca API çağrılarına açık olan kapalı kaynak modellerinden farklı olarak, bu sefer H3 Image model ağırlıklarını da aynı anda açtı ve bunları kendi API'sine, MiniMax Code'a ve Denizkabuğu AI platformuna entegre etti. Yayınlanan ilk hafta, 16MP ve üzeri çözünürlükteki görüntülerin oluşturulması %50 indirimli olacak.
4K görüntüler, üst çözünürlük gerektirmeden doğrudan üretimiyle ana akım modelleri geride bırakıyor.
Üretim hızı, H3 Image'in bu kez vurguladığı rekabet avantajlarından biridir.
Mevcut piyasada yaygın olarak kullanılan görsel üretme modellerinin çıktı çözünürlüğü genellikle 1 milyon ile 4 milyon piksel arasında olup, üretim hızları genellikle dakikalar cinsindendir; hatta en hızlı modeller bile yaklaşık 50 saniye sürer. Buna karşılık, H3 Image doğrudan 4096×4096 çözünürlüğünde 4K görseller üretir ve üretim süresini 10 ile 20 saniye arasına indirir; resmi olarak en hızlı hızın yaklaşık 10 saniye olduğu belirtilmektedir.
Bu, H3 Image'in tek bir üretimi yaklaşık 16 milyon piksele çıkarmakla kalmayıp, yüksek çözünürlüklü görüntülerin bekleme süresini de önemli ölçüde kısaltmaya çalıştığını anlamına gelir. Kompozisyon, renk paleti, ışık ve detayları tekrar tekrar ayarlamak zorunda kalan tasarımcılar ve içerik üreticileri için, üretim hızındaki artış her deneme-yanılma aşamasının zaman maliyetini düşürür ve yaratıcı yinelemeleri daha verimli hale getirir.

Teknik özelliklere göre, H3 Image, normal çözünürlüklü resimleri 4K'ya çıkarmak yerine, ekstra süper çözünürlük işleme gerektirmeden yaklaşık 16 milyon piksel yüksek çözünürlüklü görüntüler doğrudan oluşturabilir.
MiniMax, Hugging Face'de yayımlanan model açıklamasında, H3 Image'in 4096×4096 kare resimlerin yanı sıra 5472×3072 boyutundaki 16:9 yatay resimleri ve 6272×2688 boyutundaki 21:9 geniş ekran resimlerini desteklediğini gösteriyor. Modelin etkili üretme aralığı yaklaşık 4 milyon ile 20 milyon piksel arasındadır; resmi öneriler, yaklaşık 16 milyon pikselde daha iyi sonuçlar elde edileceğini belirtiyor.
Hız artışı, örnekleme adımlarını 6 adıma indirgeyen ve yüksek çözünürlüklü görüntü üretimi için hesaplama maliyetini düşürmek üzere geleneksel sınıflandırıcı yönlendirmesini (CFG) gerektirmeyen bir distilasyon optimizasyonu kullanarak gerçekleştirilmiştir.
Yaygın “AI hissi”nden kurtulun, sahne detayları ve gerçekçilik diğer bir satış noktası haline gelir
MiniMax, üretim hızının yanı sıra H3 Image'in diğer temel avantajı olarak görüntü kalitesini de öne çıkarıyor.
MiniMax, resmi model açıklamasında H3 Image'in yaygın AI oluşturulan görüntülerin görsel özelliklerini aşarak daha zengin detaylar ve daha güçlü gerçekçilik sunabileceğini vurguladı ve oluşturulan görüntülerin gerçek dünya görsel kalitesine daha yakın olmasını sağladı.
Bu, yalnızca görüntülerin yeterince gerçekçi olup olmadığıyla ilgili değil, aynı zamanda modelin uygulama alanını doğrudan etkiliyor. Reklam, e-ticaret, ürün tasarımı, oyun sanatı ve ticari görsel üretim gibi senaryolarda, görüntü modelleri yaratıcı gereksinimlere uygun sahneler üretmekle kalmayıp, ince malzeme detaylarını, doğal ışık ve gölge etkilerini ve güvenilir sahne ayrıntılarını da sunabilmelidir. Görüntü gerçekçiliği ve detay gösteriminin artırılması, AI tarafından oluşturulan görüntülerin kavram taslakları ve yaratıcı malzemelerden daha profesyonel ticari üretmelere kadar uzanmasını sağlayabilir.
Geleneksel yüksek çözünürlüklü üretim çözümlerinden farklı olarak, H3 Image, düşük çözünürlüklü bir görüntü oluşturup ardından üst çözünürlük teknolojisiyle büyütmek yerine doğrudan yaklaşık 16 milyon piksellik görüntüler oluşturabilir. MiniMax, yüksek çözünürlüklü yerel üretim ve daha kısa çıkarım süreciyle hem kaliteyi hem de verimliliği bir araya getirmeyi hedefliyor.
En güçlü açık kaynak görsel model olarak bilinen komut uygulama yeteneğine sahiptir ve en fazla 16 referans görsel destekler.
MiniMax, H3 Image'i açık kaynaklı görüntü modelleri arasında en güçlü komut takibi yeteneğine sahip model olarak tanımlıyor ve çoklu referans görüntü girişi ile görüntü düzenleme yeteneğini birleştiriyor.
Model, metin ipuçlarına göre doğrudan görüntü oluşturmanın yanı sıra, bir veya daha fazla referans görüntüsünü alarak kullanıcı talimatları doğrultusunda mevcut görüntülerde değişiklik yapabilir. En fazla 16 referans görüntüsü girişi yeteneği, modelin karakterler, nesneler, sahneler ve görsel stiller gibi farklı referans bilgilerini aynı anda anlamasını sağlar ve karmaşık yaratım süreçlerinde ana nesnelerin özelliklerini ve görsel tutarlılığı daha iyi korur.
Örneğin, ürün tanıtım tasarımı sırasında kullanıcılar, ürünün dış görünümü, marka görselleri ve sahne referans resimlerini ayrı ayrı yükleyebilir ve ardından metin talimatları ile farklı unsurları yeni bir resimde birleştirmeyi isteyebilir; oyun sanatı ve karakter tasarımı sırasında da birden fazla referans resmi kullanarak karakterin görünümünü, giysilerini, sahneyi ve genel stili kontrol edebilirsiniz.
Metin-den-görsel, görsel düzenleme ve çoklu görsel referansı aynı modelde birleştiren bu tasarım, kullanıcıların sürekli yaratım sürecini başlangıç üretimiyle sonraki düzenlemelere kadar farklı uzman modellere veya iş akışlarına sıklıkla geçmeden tamamlamasını sağlar.
3,31 milyar parametre yapısı, model ağırlıkları eş zamanlı olarak açıktır
Model mimarisi açısından, H3 Image, MiniMax H3 çoklu modelli modeli üzerine geliştirilmiştir ve mevcut mimarinin ses dalı kaldırılarak görsel oluşturma ve düzenleme için optimize edilmiştir.
Hugging Face'in yayınladığı teknik belgelere göre, H3 Image, 33,1 milyar parametreli yoğun扩散 Transformer (DiT) kullanır, 50 katmana sahiptir, MiniMax H3'ün Qwen3-VL metin kodlayıcısını kullanır ve referans görselleri ve oluşturulan görselleri işlemek için bir görüntü VAE'yi birleştirir.
İkinci önemli gelişme, model ağırlıklarının açılmasıdır. Geliştiriciler, modeli Hugging Face üzerinden edinebilir ve SGLang, vLLM-Omni, Diffusers ve ComfyUI gibi araçlarla dağıtımı ve geliştirme işlemini gerçekleştirebilir.
Ancak, ağırlıkların açık olması, standart tüketici düzeyi bilgisayarların tam modeli kolayca çalıştırması anlamına gelmez. Resim üretimi için DiT ağırlık dosyaları yaklaşık 68,65 GB'dır ve tam dağıtım için ayrı bir metin kodlayıcı da yüklenmelidir; bu da GPU belleği ve hesaplama kaynakları açısından yüksek talepler getirir.
API, MiniMax Code ve Deniz Kabuğu AI senkronize entegre edildi, ilk hafta yüksek çözünürlüklü üretimi %50 indirimle
Ticari açıdan, MiniMax açık ağırlık ve kendi ürün platformunu paralel olarak benimsemiştir.
H3 Image, şu anda MiniMax API, MiniMax Code ve Denizkabuğu AI aracılığıyla hizmet vermektedir; kullanıcılar modeli kendileri indirmek veya dağıtmak zorunda kalmadan yüksek çözünürlüklü görüntü oluşturma ve düzenleme özelliklerini deneyebilir. Yayınlanan ilk hafta, 16MP ve üzeri çözünürlüklü görüntülerin oluşturulması istekleri %50 indirimle sunulacaktır.

Bu yayımdan görünür ki, MiniMax hem geliştiricileri hem de genel içerik üreticilerini hedefliyor: bir yandan model ağırlıklarını açarak geliştiricilerin yerel dağıtım, ikincil geliştirme ve iş akışı entegrasyonu yapmasını teşvik ediyor; diğer yandan API ve Deniz Kabuğu AI gibi ürünler aracılığıyla modelin ticarileştirilmesini ve kullanıcı kitlesini genişletmesini sağlıyor.
Ancak, açık ağırlıklar tamamen sınırsız açık kaynak anlamına gelmez. Hugging Face'in duyurduğu topluluk lisansı, uygulanabilir bölgeler, ticari kullanım ve model türev geliştirme gibi konular için koşullar getirir; bazı bölgelerde ve belirli ticari amaçlar için ayrı bir izin alınması gerekir.
AI görsel üretimi yarışması giderek artan bir şekilde, H3 Image, yüksek çözünürlüklü üretim hızını, gerçekçi görüntü kalitesini ve karmaşık komutlara uyum sağlama yeteneğini ana odak noktası olarak belirledi. Bu üç teknik avantajın, sürekli yaratıcı kullanım taleplerine ve API gelirlerine dönüştürülüp dönüştürülemeyeceği ve açık ağırlıkların daha geniş bir geliştirici ekosistemi tetikleyip tetiklemeyeceği, MiniMax için sonraki dönemde dikkat edilmesi gereken noktalar olacak.


