生成、参考、编辑合进一个模型,16 张参考图一次喂进去,十秒左右交出一张 4K 图。

4096×4096 算下来约 1678 万像素,是常见 1024×1024 出图的 16 倍。过去要拿到这个尺寸,常规做法是先出小图、再用超分模型放大,放大出来的细节多半是「猜」的:布料纹理、发丝、商品包装上的小字边缘最容易糊成一片。官方称 H3 Image 是直接在 4K 尺度上生成,并把画面细节列为这一代的重点改进项之一。
十秒是另一层意思。对单张图来说,10 秒和 30 秒差别不大;但在反复改提示词、一轮出好几张挑选的工作流里,等待时间会被成倍放大。生成速度一旦进入十秒级,「先出一张看看」的试错成本就低到可以随手做。
给模型一张参考图,它大致能学到风格或主体;给到五六张以上,难点就变成「每张图该学什么」。比如一张定人物脸型、一张定服装、一张定场景光线、几张定产品角度,模型得把这些约束分开理解,再拼进同一个画面,而且不能把 A 图的背景混进 B 图的人物里。
16 张的上限,用在电商和角色设定上最实用:同一件商品的多角度实拍、同一个角色的多套造型,都可以一次性交给模型,减少靠反复抽卡碰运气的次数。至于复杂指令能理解到什么程度,比如「左边第二个人换成红衣服、其余不动」这类带位置和例外的要求,还需要更多实测来检验。
不少工作流里,出图用一个模型,局部修改换另一个模型,放大再换一个。每换一次,色调和细节就可能漂一点。H3 Image 把编辑能力放进同一个模型,好处是改图时理解的还是同一套画面,不需要在几个工具之间来回导出导入。
对做系列图的人来说,这一点比单张画质更关键:主视觉定下来以后,后面几十张延展图要的是一致,而不是每张都惊艳。
权重已经放上 Hugging Face,开发者可以自己拉下来跑;不过 4K 生成对显存和算力要求不低,具体硬件需求以官方仓库说明为准。只想先看效果的话,直接用现成产品更省事:MiniMax 的官方合作站点 PixPix 和 PixTV 已经可以体验 MiniMax H3 Image 的 4K 出图。前者偏电商主图和商品图,后者能把出好的图接着放进画布做分镜和视频。
十秒出一张 4K 图,真正改变的或许不是单张质量,而是人愿意试多少次。