MiniMax H3 Image

PixTV 官网首屏：让灵感，在 PixTV 成为作品

11 月 4 日，OpenAI 的 Images 2.6 让全网开始整表情包。

11 月 10 日，MiniMax 把桌子掀了：发布 H3 Image，4K 直出、10 秒级速度、最多 16 张参考图，权重当天开源。

海外社区有人喊“GPT is cooked”。

今天，PixTV（pixtv.art）首发上线 MiniMax H3 Image。

如果只用一句话概括这次升级：生图的上半场比谁画得美，下半场比谁听得懂人话。

一、三个数字，先看它到底强在哪

4096×4096，约 1600 万像素，原生直出。

不是先生成小图再超分放大，是一次就把 4K 画出来。比例也放开了：16:9 是 5472×3072，21:9 是 6272×2688。有效范围大概 400 万到 2000 万像素，官方建议落在 1600 万左右。

10 到 20 秒，官方称最快约 10 秒。

对比一下主流水平：输出大多在 100 万到 400 万像素，生成时间普遍按分钟算，快的也要 50 秒左右。

最多 16 张参考图，提示词能写 7500 字符。

技术上怎么做到的：蒸馏把采样压到 6 步，去掉传统 CFG，高分辨率的计算开销直接降下来。

这三件事凑在一起，变化其实很朴素：4K 的日常创作，第一次变得现实。以前改一版构图要等一分钟，现在等十几秒，试错次数自然就上去了。

二、它不偏科，三道题最能说明问题

生图模型一直有两类“偏科生”：艺术生光影质感没得挑，一碰长文字和空间关系就犯迷糊；理科生逻辑清楚，画面质感又跟不上。

H3 Image 主打的是不偏科。三道测试题很能说明问题。

第一题，考“看不看得懂图纸”。把埃菲尔铁塔改造成赛博朋克世界的星际通信中继站，还得用建筑 CAD 蓝图的形式呈现——超精细矢量线条、严格对称结构、复杂剖面、密密麻麻的工程细节。应县木塔同样能出建设用的蓝图。

示意图：第一题·用建筑 CAD 蓝图形式呈现的赛博朋克中继站（示意配图，非模型原始输出）

第二题，考“脑子里有没有三维空间”。一台四足巡检机器狗在震后废墟的第一视角感知界面：前景是机械足的边缘透视，中景是坍塌建筑残骸，画面上要叠三维点云测距网格，远处特定梁柱周围要画贴合边缘的红色 3D 边界框，两侧还要有对称的机体倾角姿态仪。

结果是：边界框顺着透视贴在梁柱边缘上，姿态仪刻度也和机器狗前倾的姿态对上了。它是先在脑子里搭了个空间，再往里摆东西。

示意图：第二题·四足机器狗第一视角的废墟感知界面，点云网格与红色 3D 边界框（示意配图，非模型原始输出）

第三题，考“手会不会僵”。次世代暗黑奇幻动作游戏的实机界面：残破重甲的骑士站在骨骸废墟的悬崖边，远方是正在崩解的黑色太阳，厚体积雾加光追反射；前景还要有完整 UI——左下角巴洛克金属雕花环绕的暗红血球和蓝色法力槽，屏幕底端五个带冷却倒计时的石雕符文图标，右上角半透明迷雾的羊皮纸小地图。

这类题通常有两种死法：UI 化进背景里，或者 UI 保住了、主角崩了。

示意图：第三题·暗黑奇幻游戏的实机画面与完整 UI（示意配图，非模型原始输出）

质感方向也试过：毛毡定格动画里两只穿粗毛衣的小羊，逆光里绒毛透着亮，黏土底座上的指纹、纸板切口的毛边都在；钢笔淡彩里能看到下笔轻重、水彩沉在粗纹纸上的水痕，没有那股油腻的数码味。

三、16 张参考图，真正解决的是“串脸”

做过游戏资产、电商图、连环漫画的人都懂那个痛：参考图一多就串味，A 的脸长到 B 身上，盔甲颜色染进背景，最后只能一遍遍抽卡。

测试的方式很直接：8 张原创 3D 角色的多角度面部特写和表情，4 张机械义肢、动力装甲的局部结构和材质图，4 张赛车维修车间的光影和色板，一共 16 张喂满，只给一句话——“该角色身穿这套动力装甲，坐在赛车维修车间的工作台上调试机械臂，神情专注。”

出来的图，脸还是那张脸，五官轮廓和发色都对得上；装甲的关节卡扣、液压管路，是照着拆解图的结构长的；整张图的色温和反光，落在车间那套色板里。

它没把 16 张图硬拼在一起，更像先分门别类读懂谁是人、谁是装备、谁是环境，再按新指令重新搭一场戏。

示意图：16 张参考图（角色面部、装甲结构、车间色板）合成为一张新场景（示意配图，非模型原始输出）

还有一道更狠的“连线题”：4 个机器人的头、4 套衣服、4 件乐器，再加拱门、地板、月面、灯光各一张，要求谁配谁一点不能乱。

再让它拆一台 ORB-7：只给一页结构参考——一张正面图、一张中心剖面、一份零件清单，全是平面工程语言。出来的爆炸图，七个零件从前盖到外壳一字排开，01 到 07 的引线没有一根指错，螺钉和孔位都是三个。拉丝铝、玻璃、橙色硅胶、绿色电路板、黑色阳极氧化金属，各是各的质感，连清单小字里那枚方形金色芯片、散热块外缘的散热槽都被翻了出来。

PixTV 精选作品墙：包含“刘备古装角色设定图多视图”等作品，对应多参考图出多视图设定

四、对做视频的人来说，这些能力意味着什么

先讲一个所有人都踩过的坑：图生视频的成片质量，很大程度由第一帧决定。

首帧是糊的，后面每一帧都在糊的基础上动；首帧的人物脸型、服装细节不对，整条视频都得重来。

H3 Image 给视频创作者的是三样东西：

第一，首帧有细节余量。4096×4096 的图，裁成 9:16 竖屏、16:9 横屏，或者局部放大推个镜头，都还有信息可用。

第二，角色不再串脸。做一部短剧，主角的正脸、侧脸、全身、几套服装可以一次喂进去，生成不同场景的分镜图时，角色更容易还是同一个人。

第三，图和视频在同一块画布上。这是 PixTV 首发上线 H3 Image 之后最实际的变化：

用 H3 Image 出角色设定图、关键场景图；

在画布上按 AI 分镜排好顺序；

选视频模型，把分镜图逐张生成镜头——Seedance 2.5、MiniMax H3、Kling 4.0 都在同一处可选；

哪条镜头不对，单独回到图片那一步重做，不用整段推倒。

以前这四步往往要在三四个网站之间来回导文件，图片尺寸、格式不一致还得手动调。

PixTV 八大功能入口：图片生成、视频生成、音频生成、视频复刻、白模视频、情绪调节、AI分镜、提示词反推

五、开源这件事，跟普通创作者有什么关系

H3 Image 的权重当天就放出来了，Hugging Face 和魔搭都能拿到，SGLang、vLLM、Diffusers、ComfyUI 都能部署。

但别高兴太早：图像 DiT 权重文件约 68.65GB，加上独立的文本编码器，对显存和算力要求不低。许可也不是无限制——年营收 2000 万美元以内在协议覆盖地区可以免费商用，超过这条线，或者要在美国、欧盟、英国、韩国部署，得单独授权。

MiniMax 这套打法是验证过的：三个月前 H3 视频开源，不到一个月下载量破 2400 万次，公开衍生模型 300 多个，英伟达和 MIT 的研究者基于它做了视频增强项目，Pika 也出了自己的改款。这次把同样的策略搬到图像上，因为图像的需求比视频更密——游戏原画、电商图、工业设计，天天都在用。

对普通创作者来说，开源的实际意义只有一个：不用自己搭环境、买显卡、调参数，打开平台直接用。这也是 PixTV 首发上线的意义。

最后

生图模型以前拼的是“画得好不好看”，现在拼的是“听不听得懂、扛不扛得住一致性、能不能接进工作流”。

H3 Image 把 4K 和一致性一起递过来了，PixTV 把它接到了视频这一环。

想试的，直接去新建一块画布：
https://pixtv.art/zh-CN

（注：部分内容由豆包工作 AI 生成）