熱門資訊> 正文
2026-11-12 20:27
(來源:機器之心)
「GPT is cooked.」
這兩天,這句話在 AI 社區里反覆出現。讓人坐不住的是 MiniMax 剛發佈的圖像模型 MiniMax H3 Image。
這是一個原生 4K 直出、10 秒級生成、支持 16 張參考圖的模型,本周二剛剛開源,刷新了開源圖像模型的 SOTA。從大家的第一波反應看,這個説法似乎並不誇張。
有提前拿到內測權限的開發者進行了大量測試。在新模型輸出的內容里,AI 人像那層「塑料皮」沒了,毛孔、雀斑、汗毛都清晰可見。人們對它在遊戲設計、角色設定和 3D 場景上的能力讚不絕口。
MiniMax H3 Image 支持網頁端直接用,也可以通過 API 的方式在 MiniMax Code 或是其他 harness 中使用來完成一些複雜的任務。而且因為它是開源的,有人已經在搞本地部署了。
GitHub:https://github.com/MiniMax-AI/MiniMax-H3-Image
HuggingFace:https://huggingface.co/MiniMaxAI/MiniMax-H3-Image
我們第一時間拿到了新模型的使用權限,幫大家看看實測是個什麼水平。
重新定義畫面美學與「真實感」
這款新模型已經在 MiniMax Code 里面上線,打開一看支持多達 16 個參考圖,生成的圖片最高可達 4K 分辨率。
我們以普通用户的視角,把日常會用到的場景按四個能力維度挨個測了一遍,先看真實感,再啃文字和人臉這兩個經典難題,最后試試圖生圖的二次創作。
真實效果是第一關。最容易暴露 AI 痕跡的,往往是我們每天都在看的東西,比如微信聊天界面。
提示詞:生成一張微信聊天截圖:我先給對方發送一張非常逼真的可口可樂照片,並説:「這是 MiniMax H3 Image 生成的」 對方回覆:「我的天啊」 然后我再説:「開玩笑的,這是我自己拍的」 請確保截圖包含高度逼真的 iPhone 狀態欄細節,包括時間、電池電量和信號強度。
我們只輸入一段提示詞,MiniMax H3 Image 就把一張完整的微信聊天截圖生成出來了。
這類日常界面之所以難,是因為人眼對熟悉場景的容錯率極低。微信界面有相對固定的視覺規範,字體稍微偏粗、聊天氣泡間距差一點,或者狀態欄圖標比例不對,立刻就會被識破。
很多模型在生成類似聊天截圖時,要麼界面元素錯位變形,要麼產品照片出現不自然的高光,真實感大打折扣。
而 MiniMax H3 Image 生成的 iPhone 狀態欄、微信 UI 佈局、聊天氣泡、頭像,細節都相當到位;可口可樂照片也足夠逼真,瓶身冷凝水、光影反射、桌面紋理都很自然,幾乎看不出 AI 痕跡。
接下來是生圖模型的老大難問題,即文字的渲染。以往的模型不是錯字、亂碼,就是拼寫崩壞,這次我們直接讓 H3 Image 來個複雜的,生成張塗鴉:
提示詞:這是一張寫實風格的豎構圖照片,畫面中一列帶有歲月痕跡的銀色不鏽鋼地鐵車廂停靠在粗糲的地下車站內。車廂側面覆蓋着一幅巨大的狂野風格塗鴉,橫跨了整排車窗。塗鴉由稜角分明的 3D 立體塊狀字母組成,拼寫出 「MiniMax H3 Image」 字樣;字母內部填充着鮮艷的橙色並帶有漸變效果,配以深藍色的 3D 投影、粗黑的輪廓線以及細白的亮線,甚至還能看到新鮮噴漆留下的垂流痕跡。背景中,工業風的天花板裸露在外,可見生鏽的鋼樑、管道、線纜以及冷色調的熒光燈管;混凝土牆面上佈滿了污漬與積垢,下方則是鐵軌和碎石道砟。畫面呈現出冷調的熒光燈光感與金屬反射質感,經過電影級調色處理,帶有細膩的膠片顆粒感和輕微的暗角效果,營造出地道的紐約地鐵氛圍。整張照片彷彿由 35mm 鏡頭拍攝,細節豐富,展現出原始而真實的城市街頭攝影風格。
「MiniMax H3 Image」這一長串字母不僅有完整拼寫,還做出了立體造型、漸變填充和噴漆效果。文字能力能做到這一步,已經有幾分畫面設計的意思了。
人物寫真想出大片感,考驗的可不只是顏值,面部刻畫、服裝細節和光影氛圍都得在線。我們挑戰了一組維密后臺大片:
提示詞:Create a glamorous photoshoot in the style of Victoria’s Secret. A young woman attached in the uploaded reference image ( Keep the face of the person 100% accurate from the reference image ) stands almost sideways, slightly bent forward, during the final preparation for the show. Makeup artists apply lipstick to her (only her hands are visible in the frame). She is wearing a corset decorated with beaded embroidery and crystals with a short fluffy skirt, as well as large feather wings. The image has a 「backstage」 effect.The background is a darkly lit room, probably under the podium. The main emphasis is on the girl’s face and the details of her costume. Emphasize the expressiveness of the gaze and the luxurious look of the outfit. The photo is lit by a flash from the camera, which emphasizes the shine of the beads and crystals on the corset, as well as the girl’s shiny skin. Victoria’s Secret style: sensuality, luxury, glamour. Very detailed. Important: do not change the face.
水晶珠飾、羽毛翅膀等複雜元素細節拉滿,直閃打下來,模特皮膚光澤和服裝反光層次分明,隨手一拍就是時尚雜誌內頁。
換個風格,試試電影感人像:
這張街頭人像很有電影截圖的感覺,人物回眸的瞬間被清晰定格,周圍行人則被處理成大幅動態拖影,一靜一動,畫面張力一下就出來了,整體氛圍、鏡頭感和情緒表達,都是在線的。
我們還解鎖了千禧年復古寫真。
提示詞:Without changing her original face, create a portrait of a beautiful young woman with porcelain-white skin, captured with a 1990s-style camera using a direct front flash. Her messy dark brown hair is tied up, posing with a calm yet playful smile. She wears a modern oversized cream sweater. The background is a dark white wall covered with aesthetic magazine posters and stickers, evoking a cozy bedroom or personal room atmosphere under dim lighting. The 35mm lens flash creates a nostalgic glow.
略帶噪點的膠片質感、牆上的舊雜誌海報、暖黃色串燈,一下把人拉回 2000 年代,輕微過曝也很有老式數碼相機的 feel。提示詞里那些瑣碎的氛圍細節,也都得到了還原。
文生圖看完,再玩下圖生圖。這一部分要求 AI 模型得看懂原圖,再按指令改造。
先拿馬斯克整個活兒。上傳一張照片,讓模型把他變成醜萌手繪微信表情包,人物原本的神態被誇張放大,配上歪歪扭扭的「So Dumb」、汗滴和問號,一張可以直接拿去鬥圖的表情包就做好了。
提示詞:將其畫成一張搞笑的手繪微信表情包。採用極簡的醜萌線稿,帶一點隨手塗鴉的感覺,背景純白。根據人物在原照片里的神態,誇張地畫出它震驚、嫌棄或懶洋洋的樣子。在頭部周圍加上幾滴汗珠、問號或閃光小星星等可愛塗鴉。底部加上手寫英文「So Dumb」,字跡歪歪扭扭,顯得隨意又好笑。
下一輪加大難度。上傳一張街頭 CCTV 監控照片,要求模型識別畫面中的人物,逐一添加白色人臉框,併爲最顯眼的人物生成高清放大特寫。
生成結果保留了原圖的場景佈局和監控視角,主畫面維持了應有的噪點和輕微失真,放大框里的面部則更清晰,整體很像監控系統自動生成的分析畫面。
提示詞:Create a high angle CCTV surveillance shot using the uploaded image as the source. Detect every visible person in the image and automatically draw a white rectangular bounding box around each face. For the most prominent person, add a large zoom in inset: a sharp, enhanced close-up of their face displayed in a floating rectangular frame connected with a thin white line.Keep the main image slightly noisy and security camera like (soft grain, slight distortion, muted colors), while the zoom in face box should be clearer, brighter, and more detailed. No text, no timestamps, no overlays except the boxes and connecting line. Maintain the original scene layout, angle, and environment of the uploaded image.
如果想要進行畫風轉換,這樣一張真實風格的圖,我們讓它轉換成二次元的拼貼風格:
看起來效果也挺不錯。
可見,MiniMax H3 Image 既可以生成照片級的美圖,又可以幫你實現一些創作的想法,還能讓你參與鬥圖,這次看起來效果相比過去又有了提升,真實感拉滿,AI 味已經變得很淡。同樣值得一提的是它的指令遵循能力,面對我們給出的複雜信息,該模型可以很好地理解並輸出合適的結果。
這讓我們不由得期待起它的干活能力。
物理世界理解與指令遵循
上面測的大多是 AI 生成畫面的真實感,下面我們要考察更硬核的東西:模型是不是真的「理解」它畫的內容,這對於一些實際的設計工作來説非常重要。
在這方面,模型要對物理世界的結構和材質有正確的理解,在信息點密集時能組織清楚,並能準確遵循指令進行調整。
上來先嚐試個高難度的:讓 MiniMax H3 Image 生成一張工業爆炸圖。這里的關鍵不只有美觀,模型還必須具備點物理結構知識,相機由哪些零件構成、零件之間如何裝配嵌套、拆開后各自的空間位置在哪里,以往的 AI 經常會露餡。
提示詞:請生成一張復古風格的技術信息圖海報。一臺經典 35mm 旁軸相機的爆炸分解視圖,16:9 橫版排版,温暖的奶油米白純色背景。七個相機部件沿中軸垂直懸浮、精確對齊、層間留白:帶黑色荔枝紋皮革和金屬轉盤的頂蓋、小型取景器、刻有距離刻度的銀色鏡頭筒、四片玻璃鏡片與黃銅光圈組件、黃銅快門齒輪機構、深色膠片傳輸齒輪組及搖柄、金屬底板。每個部件用細引出線連接黑色圓形編號標籤(白色數字 1–7)。左上角:大號襯線字體標題 "VINTAGE 35mm CAMERA",副標題 "Exploded Technical View",一條細分隔線和小號説明文字。右側兩個細線邊框面板:"PARTS LIST" 包含七個編號條目(粗體名稱 + 灰色説明文字字),"SPECIFICATIONS" 列出膠片格式、鏡頭、快門速度和重量。精細技術插畫風格,細膩鋼筆線稿融合柔和寫實渲染,拉絲金屬、拋光黃銅、通透玻璃、皮革紋理質感真實,柔和投影,低飽和復古配色,乾淨的工程手冊美學,扁平化信息圖構圖,高分辨率。
可見它生成的圖片中機身、鏡頭、齒輪等零件逐層拆開,編號標註、英文説明和參數表也一併生成,整體幾乎達到產品説明書配圖的水準。
或者上傳一張服裝平鋪圖,H3 Image 就能生成高度準確的真人穿搭照片,時尚博主的飯碗也要被「搶」了。
電商則是 AI 圖像生成最具落地價值的場景之一。
如今,不少商家已經開始用 AI 製作商品主圖、詳情頁和營銷海報,但真正考驗模型的,是能否同時兼顧商品質感、品牌信息和視覺構圖,讓不同元素在同一張畫面中互不打架。
H3 Image 生成的物料,商品主體突出,材質、包裝和細節經得起放大,周圍裝飾元素也與產品賣點形成呼應。在多層文字排版上,品牌標題、產品名稱、促銷信息之間形成了清晰的視覺層級。
平面設計方面,我們要的效果不僅有美感,還有海報文字的準確,一條提示詞塞進十幾個信息點會不會亂?我們讓模型製作一張東方山茶花主題海報,同時處理主標題字體設計、中英文文案、花卉構圖和文字排版,「山間花序」的錯位穿插與花瓣融合,文案層級分明:
提示詞:極簡古典美學,高級排版海報,東方山茶花藝術,細膩花瓣紋理,白色到淡粉色漸變效果,藝術概念風格,視覺清雅且充滿東方古典感;畫面右下角放主題字:主題字進行字體設計,極細宋體風格「山間花序」,文字進行錯位穿插擺放,字體優雅細長,筆畫尾部添加花體曲線,在文字間自然穿插,整體呈現東方詩意,探索自然花卉與微觀植物世界的藝術化表達;畫面上方小文案依次放「2026」「BOTANICAL ART」「2026」,下方左邊文案突出時間數字「TIME——08.18/08.24」,畫面中融入小小字英文「Camellia in Bloom」「Oriental Botanical Aesthetics」「A Poetic Expression of Nature」。
想了一想,今天好像馬斯克發推對於有「機會招聘黃仁勛」表示「很榮幸」。我們試想一下這個場景:老黃拿着 Sink 在 SpaceX 大門前得到了馬斯克的歡迎,生成這個畫面需要一串指令,還有好幾張參考圖:
就這麼火速加盟了。
看完實測效果,我們開始好奇 MiniMax H3 Image 究竟是一個什麼樣的模型。
視頻模型
怎麼成了生圖 SOTA?
和市面上大多數生圖模型不太一樣,H3 Image 是基於 MiniMax 全模態視頻模型 H3 衍生出來的,后者是 MiniMax 在 7 月底發佈,並開放權重的通用全模態生成系統,其中文本、圖像、視頻、音頻在同一套架構里被統一理解,能夠生成帶原生立體聲的視頻。
H3 Image 沿用了 H3-Base 的整體設計,拿掉音頻分支並保留骨干網絡、文本編碼器等架構,文本一側,其直接使用 H3 的文本編碼器,這是一個 320 億參數的多模態語言模型,負責對複雜指令、長描述和多條件邏輯的理解;圖像一側,參考圖會同時進入兩個模塊:文本編碼器負責理解「這張圖里有什麼」,圖像 VAE 則負責把像素壓縮成生成模型可以處理的視覺潛變量。
接下來是 H3 Image 的核心骨干:一個 331 億參數的擴散 Transformer(DiT),沿用了與 H3 Omni Transformer 相同的三維多模態旋轉位置編碼。文本 token、參考圖 token 被打包成一條完整序列,以單流方式喂進這個網絡,直接預測目標圖像的潛變量,最后由 VAE 解碼成圖。
在分辨率上,H3 Image 選擇原生直出,不外掛任何超分模塊,一個 checkpoint 直接生成約 1600 萬像素的圖像,覆蓋從 4096×4096 到 21:9 的 6272×2688 等各種比例。
H3 Image 也具備很快的出圖速度:4K 文生圖的 P50 中位耗時,極速版約 10.3 秒、標準版約 16 秒,而同檔對比模型普遍在 50 秒開外。
MiniMax 從視頻模型出發再延伸到圖像模型的路線,和傳統的圖形優先路線正好反過來。其實對於圖像的生成來説這有不少好處,畢竟爲了保持連續畫面的協調性,視頻模型需要學習物體的不同視角、材質受到光照時的變化,以及人物身體和物體的運動方式。
MiniMax H3 已經具備了豐富的視覺世界知識,以它作為基礎的 H3 Image 生成效果不錯,那就不奇怪了。
全球 AI 生態
正在依賴國產開源
如今 AI 技術的發展越來越快,新模型能力突然長出一大截,似乎也不是總要「震驚癱坐」。這次真讓我們發出感嘆的其實是 MiniMax H3 Image 發佈前后,全球 AI 社區的興奮勁。
如今 MiniMax 發了個新模型,對於 AI 圈來説已經是件大事,而且這份熱度早已轉變成了生態的繁榮程度。MiniMax 正在從一家提供 AI 模型的公司,逐漸成為其他 AI 創業公司開展技術開發的基礎平臺。
其實在 H3 Image 之前,海外出現了一個叫 P-H3-Image 的圖像生成模型。
這是一個開源的圖像生成模型,一家創業公司 Pruna 也是把 MiniMax-H3 改造成了高性能的圖像模型,不僅生圖質量高,推理成本還很低,和官方想到一塊去了。
現在 H3 Image 發佈,「正版來了」。
其實在 MiniMax 的權重基礎上繼續預訓練、微調或強化學習,推出能力得到改進的新模型,早已不是稀罕事。之前 M3.1 Flash 開放權重當天就有美國創業公司發佈了專門適配的模型,幫助 M3.1 Flash 更快地生成文本。
圍繞 MiniMax H3 的衍生生態更加活躍,英偉達團隊推出了 Sol-H3,優化了視頻生成的完整推理鏈路;Pika 推出了 Pika H3 Flex,減少了生成步數,改進了畫面和創作控制。Hugging Face 上以 MiniMax-H3 為基礎的模型樹已經收錄了約 220 個衍生條目,有創業公司把 H3 改造成獨立的圖像生成模型、視頻人物替換模型,甚至還有交互式世界模型。
國內領先的開源技術,已經成爲了海外團隊的優先選擇。
商業模式也正在這套生態系統里逐漸成型。通過免費權重佔據生態位,MiniMax 正使用託管 API 和訂閲計劃承接用量收入。社區許可證里的營收門檻、託管限制會把規模化玩家導向商業授權。長尾免費、規模收費,開源由此構建了自己的商業閉環。
回看這一周,圖像生成模型的能力邊界幾天就被重畫一次,但真正決定長期格局的或許已不是跑分的高低,開源生態正在定義能力擴散的廣度。當 4K 生成、十幾張參考圖這些前沿能力變得人人可用,競爭的內核已經從誰的模型更強,悄悄變成了「誰的生態更好」。
下一個 AI 生成新突破,或許就誕生在某個下載 H3 Image 權重的開發者手里。