MiniMax запускає та відкриває з відкритим кодом імідж-модель H3 Image, яка може безпосередньо генерувати зображення 4K, швидкість — до 10 секунд за зображення, підтримує до 16 опорних зображень, одночасно відкриваючи 33,1 мільярда параметрів ваг.Автор статті: Лі Дан
Джерело: Wall Street Journal
Китайська компанія з штучним інтелектом MiniMax знову інвестує у сектор генерації зображень.
Вівторок, 10 листопада, MiniMax офіційно запустила та відкрила код нової моделі генерації зображень H3 Image, яка спеціалізується на створенні 4K-зображень з роздільною здатністю до 16 мільйонів пікселів (4096×4096). За словами розробників, генерація займає лише близько 10 секунд, а модель підтримує точне розуміння підказок, редагування зображень та введення до 16 зображень-посилань.
MiniMax визначає ключові переваги H3 Image як швидкість, якість зображення та виконання команд: щодо швидкості, модель може генерувати зображення 4K за 10–20 секунд; щодо якості — вона прагне позбутися типової «AI-генерації», надаючи більше деталей та більшої реалістичності; щодо виконання команд — офіційно заявлено, що цей показник є найвищим серед відкритих моделей зображень, а також підтримує спільну роботу з кількома зображеннями-посиланнями.
На відміну від пропрієтарних моделей, які відкривають лише API-виклики, MiniMax сьогодні одночасно відкрила ваги моделі H3 Image та інтегрувала її у власний API, MiniMax Code та платформу Hai Luo AI. У перший тиждень публікації генерація зображень з роздільною здатністю 16 МП і вище доступна зі знижкою 50%.
Зображення 4K без супер-розрізнення, швидкість генерації перевершує головні моделі
Швидкість генерації — це один із ключових конкурентних переваг H3 Image.
Наразі основні моделі генерації зображень на ринку мають вихідну роздільну здатність в діапазоні від 1 до 4 мільйонів пікселів, а швидкість генерації зазвичай вимірюється в хвилинах, навіть найшвидші моделі вимагають приблизно 50 секунд. Навпаки, H3 Image може безпосередньо генерувати 4K-зображення розміром 4096×4096 за 10–20 секунд, а офіційно заявлено найшвидшу швидкість близько 10 секунд.
Це означає, що H3 Image не лише збільшує розмір пікселів за один запит до приблизно 16 мільйонів, але й намагається значно скоротити час очікування високороздільних зображень. Для дизайнерів та контент-створювачів, яким потрібно постійно налаштовувати композицію, кольорову гаму, освітлення та деталі, збільшення швидкості генерації зменшує витрати часу на кожну спробу, роблячи ітерації креативу більш ефективними.

З технічної точки зору, H3 Image не просто збільшує звичайні зображення до 4K, а здатна безпосередньо генерувати зображення високої роздільної здатності близько 16 мільйонів пікселів без додаткової обробки супер-роздільної здатності.
Опис моделі, опублікований MiniMax на Hugging Face, свідчить, що H3 Image підтримує різні співвідношення сторін: крім квадратних зображень 4096×4096, він також підтримує горизонтальні зображення 5472×3072 зі співвідношенням 16:9 та широкосcreen-зображення 6272×2688 зі співвідношенням 21:9. Ефективний діапазон генерації моделі становить приблизно 4–20 мільйонів пікселів, і офіційно рекомендується використовувати близько 16 мільйонів пікселів для отримання найкращих результатів.
За підсиленням швидкості стоїть оптимізація за допомогою дистиляції, яка зменшує кількість кроків вибірки до 6 (Sampling Steps) і не вимагає традиційного безкласового керування (CFG), щоб знизити обчислювальні витрати при генерації зображень високої роздільної здатності.
Позбутися типової «ШІ-відчуття» — деталі зображення та реалізм стають іншим привабливим фактором
Крім швидкості генерації, MiniMax вважає якість зображення іншою ключовою перевагою H3 Image.
MiniMax у офіційному описі моделі підкреслює, що H3 Image може подолати типові візуальні характеристики AI-згенерованих зображень, забезпечуючи більш багаті деталі та більшу реалістичність, що робить згенеровані зображення ближчими до візуальної текстури реального світу.
Це стосується не лише того, наскільки зображення достатньо реалістичне, а й безпосередньо впливає на діапазон застосування моделі. Для сценаріїв, таких як реклама, електронна комерція, дизайн продуктів, гейм-арт і комерційна візуальна продукція, модель зображень повинна не лише генерувати зображення, що відповідають креативним вимогам, а й вміти передавати дрібні матеріали, природне освітлення та правдоподібні деталі сцен. Підвищення реалістичності та якості деталей може допомогти AI-згенерованим зображенням розширити застосування від концептуальних ескізів і креативних матеріалів до більш професійних комерційних робіт.
На відміну від традиційних схем високороздільної генерації, H3 Image може безпосередньо генерувати зображення близько 16 мільйонів пікселів, а не спочатку створювати зображення низької роздільної здатності, а потім збільшувати його за допомогою технологій супер-роздільної здатності. MiniMax прагне поєднати якість зображення та ефективність завдяки нативній високороздільній генерації та скороченому процесу висновку.
Здатність виконувати інструкції вважається найкращою серед відкритих моделей зображень, підтримує до 16 зображень-посилань
Щодо виконання інструкцій, MiniMax позиціонує H3 Image як модель з найсильнішими здібностями до виконання інструкцій серед відкритих зображувальних моделей, поєднуючи її з можливостями введення кількох зображень та редагування зображень.
Модель не лише підтримує безпосереднє створення зображень за текстовими підказками, але й приймає одне або кілька зображень-зразків, щоб за інструкціями користувача змінювати існуючі зображення. Можливість введення до 16 зображень-зразків допомагає моделі одночасно розуміти різні типи посилань — такі як люди, об’єкти, сцени та візуальні стилі — забезпечуючи краще збереження характеристик суб’єкта та візуальної послідовності у складних творчих завданнях.
Наприклад, у дизайні рекламних матеріалів продукту користувачі можуть окремо завантажувати зображення зовнішнього вигляду продукту, брендову візуалізацію та зображення-посилання на сцену, а потім за допомогою текстових команд вимагати від моделі об’єднати різні елементи в одне нове зображення; у гейм-арті та дизайні персонажів також можна використовувати кілька зображень-посилань для контролю зовнішності персонажа, одягу, сцени та загального стилю.
Цей підхід, що поєднує генерацію зображення за текстом, редагування зображень та використання кількох зображень як посилань у одній моделі, означає, що користувачам не потрібно постійно переключатися між різними спеціалізованими моделями чи робочими процесами, щоб здійснити неперервний творчий процес — від початкової генерації до подальшого редагування.
Архітектура з 3,31 мільярда параметрів, ваги моделі одночасно відкриті
Щодо архітектури моделі, H3 Image розроблено на основі багатомодальної моделі MiniMax H3 з видаленням аудіогілки та оптимізацією для генерації та редагування зображень.
Згідно з технічними матеріалами, опублікованими Hugging Face, H3 Image використовує щільний дифузійний Transformer (DiT) з 33,1 мільярда параметрів, що має 50 шарів, продовжує текстовий кодувальник Qwen3-VL від MiniMax H3 та поєднується з VAE зображення для обробки опорних зображень та генерації зображень.
Іншою важливою частиною цього випуску є відкриття ваг моделі. Розробники можуть отримати модель через Hugging Face та використовувати інструменти, такі як SGLang, vLLM-Omni, Diffusers і ComfyUI, для її розгортання та розробки.
Однак відкриті ваги не означають, що повну модель можна легко запустити на звичайному споживчому комп’ютері. Офіційно оприлюднені файли вагів генератора зображень DiT становлять приблизно 68,65 ГБ, а для повного розгортання потрібно ще завантажити окремий текстовий кодувальник, що вимагає значних ресурсів відеопам’яті та обчислювальних потужностей.
API, MiniMax Code та Hai Luo AI синхронізовано, перший тиждень — знижка 50% на генерацію в високій роздільній здатності
У комерційному плані MiniMax використовує стратегію паралельного застосування відкритих вагів та власної платформи продуктів.
H3 Image вже доступний через API MiniMax, MiniMax Code та Hai Luo AI; користувачі можуть відчути функції генерації та редагування зображень високої роздільної здатності, не завантажуючи та не розгортаючи моделі самостійно. У перший тиждень публікації на запити на генерацію зображень роздільною здатністю 16 МП і вище поширюється знижка 50%.

Згідно з цим випуском, MiniMax намагається охопити як розробників, так і звичайних творців: з одного боку, шляхом відкриття ваг моделей для приваблення розробників до локального розгортання, вторинної розробки та інтеграції у робочі процеси; з іншого боку — шляхом використання API та продуктів, таких як Hai Luo AI, для комерціалізації моделей та розширення охоплення користувачів.
Проте відкриті ваги не означають повністю необмежене відкрите джерело. Спільнотна ліцензія, опублікована Hugging Face, встановлює умови щодо застосовуваної території, комерційного використання та розробки похідних моделей; для деяких регіонів та певних комерційних цілей необхідно отримати додаткове дозволення.
На тлі зростаючої конкуренції в сфері генерації зображень за допомогою ШІ, H3 Image зосереджується на трьох ключових перевагах: швидкості генерації високого роздільного екрану, реалістичності зображення та здатності точно виконувати складні команди. Важливим питанням для MiniMax у майбутньому буде те, чи зможуть ці три технологічні переваги перетворитися на постійний попит серед творців та дохід від API, а також чи зможуть відкриті ваги стимулювати більш широку екосистему розробників.


