MiniMax 發布了開放權重的 H3-Image，一個 331 億（33.1B）參數的擴散式 Transformer（DiT），專為原生高解析度生成設計——可直接輸出約 16 百萬像素（MP） 的影像，免除生成式影像工作流中常見的「額外升頻（upscaling）」階段。
技術重點
架構
- 擴散式 Transformer（DiT）：密集單串流架構，50 層、配 3D 多模態 RoPE，共 33.1B 參數。
- 文本編碼器：完整 Qwen3-VL 編碼器，將其第 50 層的隱藏狀態饋入 DiT。
- 影像 VAE：CNN 編碼器搭配 24 層 2D ViT 解碼器。
效率設計
- 模型已蒸餾為 6 步取樣（6 NFEs）即可完成生成，且不需 classifier-free guidance。
- DiT 以 2×2 patch 處理潛在空間，每個 transformer token 對應 32×32 像素，以利高效率處理高解析度畫面。
多參考編輯
- 文本轉影像與影像編輯共用單一檢查點。複雜編輯任務最多可接受 16 張參考圖，並可透過文字提示內的特定順序指定參考來源。
效能與可用性
- 原生解析度：支援 1:3 至 3:1 的長寬比，輸出範圍從 4096×4096（1:1）到 6272×2688（21:9）。
- 推論速度：可在 10 秒內生成 4K 解析度影像。
- 權重佔用：DiT 權重約 66.28 GB，另需約 66.7 GB 的獨立文本編碼器。
- 權重已上架 Hugging Face，可透過 SGLang 部署或整合進 ComfyUI 流程。
- 需注意授權為 MiniMax-H3-Image Community License，含針對美國、歐盟、英國與南韓的地域排除條款。
為何重要
其一，直擊高解析度生成的成本瓶頸。過去高解析輸出通常需額外的升頻 pass，可能引入偽影或增加延遲；H3-Image 以原生 16MP 輸出一舉消除此負擔，為專業創意管線提供更直接高效的路徑。
其二，6 步取樣未依賴 classifier-free guidance，代表推理成本與延遲可大幅下降，讓高解析生成更接近即時互動——對設計、行銷與影像編輯等專業應用尤其關鍵。
對開發者與研究者的啟示
- 若你以 SGLang 或 ComfyUI 自建影像生成流程，H3-Image 提供了「原生高解析、免升頻」的新選擇，值得納入效能與品質對比。
- 16 張多參考圖編輯與單一檢查點共用，簡化了「生圖＋編輯」的工作流整合。
- 部署前務必檢視地域授權限制，並留意 66+66 GB 的權重佔用與部署資源需求，另建議以內部基準獨立複測官方宣稱的品質與速度。
本文信息來源：MiniMax 官方研究部落格與模型卡。