11 月 11 日，MiniMax 发布图像生成模型 H3-Image，并在 Hugging Face 放出权重。这是 H3 系列从视频延伸出来的图像版本：文生图和图像编辑共用一份权重，不用外挂超分就能直接输出约 1600 万像素的图，最多可带 16 张参考图。公司在博客里写，生成一张 4096×4096 的图可以在 10 秒内完成。
权重确实可以下载。但随权重公布的《MiniMax-H3-Image 社区许可协议》写明：许可适用地区是全世界，但排除欧盟、英国、韩国和美国。协议还规定，你和关联方的年化收入超过 100 万美元，或者向第三方提供托管服务，都要先向 MiniMax 取得书面授权。下载权重，不等于在这些市场或这类生意里可以直接用。
文生图和编辑放在同一份权重里
H3-Image 沿用 H3-Base 的设计，去掉了音频分支。文本和参考图先经过 H3 的文本编码器，参考图同时进入图像 VAE，再打包成一条序列，交给一个单流的扩散 Transformer（DiT）预测目标图像的潜变量。模型卡写明，这个 DiT 有 331 亿参数、50 层；文本编码器是 MiniMax-H3 里完整的 Qwen3-VL 文本编码器，权重不变，DiT 读取它第 50 层的隐藏状态。
生成和编辑是同一组权重。不接参考图就是文生图，接上参考图就是编辑，没有单独的任务开关。采样步数被蒸馏成 6 步，不再做正负提示词两路计算，也不接受负面提示词；步数或引导系数写成别的值，本地服务接口会返回 400。官方推荐的工作区间大约是 400 万到 2000 万像素，常见的约 1600 万像素规格包括 4096×4096（1:1）、4736×3552（4:3）和 6272×2688（21:9）。
要在本地跑起来，需要的不只是图像仓库里合计约 68.65 GB 的文件（其中 DiT 约 66.28 GB）。文本编码器在 MiniMaxAI/MiniMax-H3 的 text_encoder/ 目录下，大约 66.7 GB；如果已经为 H3 视频模型下载过，不会再下一次。SGLang 文档按两组权重加 VAE 合计，大约要准备 135 GB 磁盘。可选的提示词扩展模型 MiniMax-H3-Image-PE 另有 17.9 GB，用来把短提示词扩成模型更习惯的详细英文描述；官方 API 则默认走 H3-Image-Context-IR 做这一步。
ComfyUI 在 11 月 10 日的博客里写，已经提供原生工作流，也提供不下载权重、改走 MiniMax API 的 Partner Nodes。若本机已经在跑 MiniMax H3 视频模型，文本编码器可以共用。
“10 秒”取决于卡，也取决于怎么计时
官方博客给出的是“不到 10 秒生成一张 4K 图”，并写“最高可达主流方案的 5 倍”，但没有说明测试用的硬件，也没有点名对标的模型。推理框架 SGLang 和 vLLM-Omni 公布了一组可以核对口径的数字。
SGLang 把这组测试里的“4K”定义为 4736×3552，时间是预热后的服务器管道耗时中位数，不含启动、HTTP 传输、PNG 编码和客户端存盘。原生精度、完整 6 步下，两张 B300 是 2.654 秒，两张 H200 是 5.465 秒，一张 H200 是 10.133 秒。一张 RTX PRO 6000 Blackwell 要 18.544 秒；一块 DGX Spark 的 GB10 则要 84.96 秒。同一套口径里，2048×2048 要快得多：两张 B300 为 0.604 秒，一张 H200 为 1.934 秒。
vLLM-Omni 另给了一组四张 H200、按序列把计算拆到 4 张卡时的客户端端到端中位数（三次预热请求、并发为 1）：1024×1024 为 0.77 秒，2048×2048 为 0.88 秒，4736×3552 为 3.84 秒。单卡驻留完整模型估计需要约 135 GiB 显存，H200 上没有测这条配置；一张 H200 若把文本编码器卸载到主机，2048×2048 文生图是 3.2 秒，峰值约 73.4 GiB。
把这些数字放在一起看，公司说的“10 秒内出 4K”在高端数据中心 GPU、尤其是多卡时站得住；一张 H200 生成约 1600 万像素的图已经挨着这条线，工作站和共享内存设备要慢一截。计时口径也不一样：管道耗时更接近模型本身，端到端还会加上编码和传输。官方“快 5 倍”的说法，目前对不上具名的对比对象。
API 给出了明确单价，对标价格没有点名
不想自建服务的人，也可以走 MiniMax 的 API，模型名是 MiniMax-H3-Image，高速版是 MiniMax-H3-Image-Highspeed。定价页按文本输入、图像输入和图像输出分别计费。标准版每百万 token 为文本输入 2.30 美元、图像输入 1.50 美元、图像输出 3.80 美元；高速版的图像输入和输出分别是 3.00 美元和 7.60 美元。
官网给的单张示例价里，标准版文生一张 4096×4096 的图约为 0.06879 美元，高速版约为 0.13001 美元。促销是：到 2026 年 11 月 17 日 16:00 UTC（北京时间 18 日 0:00）之前，最终交付图像不少于 1660 万像素的请求打五折，上述两张 4K 示例价分别降到约 0.03439 美元和 0.06501 美元。实际费用还会随提示词增强产生的文本 token 变化。公司在博客里写，定价相当于同类主流产品的 50% 至 70%，没有列出对标产品，这条只能当作厂商口径。
地域限制与 H3 视频相同，商用门槛更紧
H3-Image 的许可证日期写的是 2026 年 11 月 10 日，许可方是新加坡公司 Nanonoble Pte. Ltd.。社区许可的适用范围是全世界，但不包括欧盟、英国、韩国和美国。协议禁止在这四个市场使用、复制、修改、分发或展示模型、衍生品及其输出。MiniMax 表示会持续评估这些地区的合规要求，当地如需部署，可以另行联系，授权将基于“稳健的控制和护栏”。
这套地域条款与 8 月 2 日的 MiniMax H3 视频社区许可是同一范围。变化在商用条款。H3 视频要求年收入超过 2000 万美元才须另行书面授权；H3-Image 把门槛降到年化收入超过 100 万美元，并且只要向第三方提供托管服务，不论收入高低，都要先取得书面授权。申请入口是 MiniMax 开放平台上的许可申请页。许可还禁止用该模型或其输出去改进其他 AI 模型（H3-Image 及其衍生品除外），并要求商业产品在界面上显著标明 “MiniMax-H3-Image”。
一个容易混淆的细节是提示词扩展模型。许可证附注写明，H3-Image-PE 派生自采用 Apache 2.0 许可的 Qwen3.8-27B，但作为 H3-Image 的一部分，仍受这份社区许可约束。
质量结论还只有厂商自己的表述
模型卡把 H3-Image 写成开放图像模型里指令遵循最强的一档，并强调细节更接近真实世界、不再是常见的“AI 光滑感”。这些目前都是 MiniMax 自己的说法。8 月发布 H3 视频时，Artificial Analysis 的盲评已经可以对照；这轮公开材料里还没有看到独立的图像质量榜单或第三方复测。
对许可覆盖范围内的开发者，H3-Image 提供了一条可以本地部署、也可以走 API 的约 1600 万像素图像路径，6 步采样和现成的 ComfyUI、SGLang、vLLM 配方降低了上手成本。真正要先算清的，是自己所在的地区和生意形态够不够得着这份社区许可，而不是权重能不能下载。
