2026年11月,MiniMax发布H3 Image,当天就把权重开源,还同步开放API。我觉得它最值得看的地方,不是又多了个画图更强的模型,而是它开始认真处理复杂指令。开源和商业能不能一起走,也因此有了新样本。
这件事的时间点挺巧。OpenAI Images 2.6在11月4日上线,H3 Image紧跟着出来,开源和闭源算是正面碰上了。之前有内测的人说它迟早会开源,结果发布当天就兑现,比不少人想得快。
先看几个硬指标。它最高能直出4096×4096,生成一张4K图大概10到20秒,行业里不少模型还要50秒到分钟级。输入方面最多能塞16张参考图,提示词也能写到7500字符,复杂创作至少有了空间。
获取渠道也不只一条。HuggingFace能拿全权重,开放平台能调API,海螺AI和MiniMax Code里也能直接用。对普通开发者来说,能不能在自己显卡上跑起来,比发布会口号实在。
但它真正要过的,是“听不听得懂”的软考题。大字海报基本稳,小字偶尔有瑕疵,不过整体能用。手语识别测试里正确率约48.1%,不算高,可比对比模型20%左右已经好了一截,说明短板还在,但方向对了。
空间和结构更能看出差别。CAD蓝图、机械爆炸图里,探照灯能按光轴拆成七件,螺钉数量和引线标号也能对上。多图一致性也做了混搭测试,人物、装备、环境16张图放一起不串味,连线式配对没出现错位。
艺术风格也没落下。毛毡定格、钢笔淡彩这些都能覆盖,工程感和审美之间至少没有偏科。我的看法是,48.1%的手语准确率不该被吹成神,但“字不能错、件不能装反、图不能串味”这些老翻车点被逐个处理,才是更稀缺的进步。
能力从哪来?它走的是一条两步路。第一步是H3全模态预训练打底,文本、图像、视频、音频被当成同一份上下文理解,图像基本功在预训练阶段就夯实了。H3视频模型7月底发布、8月初开源,算是提前铺路。
第二步是H3 Image的后训练优化。用强化学习调优,压缩生成步数提速,加提示词增强替用户补全需求,再做部署优化。团队8月社区问答里就预告过要做生成和编辑统一的图像模型,所以这次落地不算临时起意。
开源账本也值得说。H3视频模型开源不到一个月,下载量突破2400万次,公开衍生模型300多个,英伟达、Pika、fal都基于它再训练。许可框架是年收入2000万美元以内在协议覆盖地区免费商用,超额或要在美国、欧盟、英国、韩国部署就得单独授权。
已有平台代理这类授权,专业版5000美元一个月起。说白了就是“小店随便用,做大了再来谈”。先让全球开发者在自己的显卡上跑起来,信任和生态先行,商业变现随后。
图像需求比视频更密,游戏原画、电商图、工业设计天天用。这套打法搬过来,生态外溢可能更快,但地区限制也可能有争议,值得继续看。
横向看行业,DeepSeek、Kimi K3、Qwen这些名字已经把中国开源浪潮推到文本,H3系列又推向视频和图像。中国研发开源模型下载量约占全球41%,有统计说约八成美国AI初创在融资路演里用过中国开源模型。MiniMax全球客户超百万,半年增长约五倍。
所以生图竞争真的进入下半场了。上半场比谁画得美,下半场比谁听得懂人话,指令遵循、空间逻辑、多图一致性成了新赛点。H3 Image不是终点,短板也还在,手语和小字都还要继续磨。
它更像一个开源图像基础设施的新起点,价值要靠后面的社区衍生和商业落地一起检验。开源降低了门槛,也可能催生游戏、电商、工业设计、风格迁移这些垂直模型。冷静点看,长期稳定性和生态成熟度才是真考验。