一套权重同时管出图和改图
11 月 10 日，MiniMax 发布并开源了 H3-Image，权重、模型卡和部署说明一起放了出来。它是从 H3 衍生出来的图像模型，文字生成图片、拿参考图生成、按指令改图这三件事共用同一套权重，开放平台 API、MiniMax Code 和海螺网页端都能调用。
模型卡给出的规格里有三个数字值得记住：最多 16 张参考图，单次直接生成约 1600 万像素的画面，蒸馏后采样只需 6 步。前者决定有多少用文字说不清的要求可以交给图片，后两个决定一张图要等多久、能留下多少细节。
在 H3 家族里，H3-Image 专门做静态图片。此前开源的 H3 走的是多模态视频方向，一个模型同时读文字、图片、视频和音频，这次的 H3-Image 把范围收到图像生成与编辑，许可和部署方式也另算一份。
4K 说的是面积：正方形 4096×4096，横图给到 5472×3072
H3-Image 的「4K」要连着长宽一起看。正方形输出是 4096 × 4096，共 16,777,216 像素；换成 16∶9 横图则是 5472 × 3072，共 16,809,984 像素，约 1681 万。换比例时模型重新分配长宽，长边并不固定在 4096。
和 2048 × 2048 的 419 万像素相比，4096 正方形在宽、高上各翻了一倍，总像素变成四倍，相当于给同一幅构图铺了一块更密的画布。模型卡强调这个尺寸由模型直接生成，不用再接一个放大模型；材质、文字和人物细节最终保留到什么程度，仍要看具体那张图。
模型卡标出的有效工作区间大约在 400 万到 2000 万像素之间，通常在 1600 万像素附近效果最好；API 另有一套可选输出尺寸，低分辨率能请求，不代表模型在那里最擅长。
6 步说的是采样时执行的计算步骤，不能换算成 6 秒。官方博客写的是「10 秒内生成一张 4096 × 4096」，并称标准模式的速度是市面主流工具的 1.5–2 倍、Highspeed 模式 3–4 倍，这些数字没有附硬件和测试条件，按发布口径看更稳妥。
参考图可以各管一件事：空间、构图、视角分别交代
16 张参考图最有用的地方，是把难用文字说清的部分交给图片。官方给了三个编辑例子，分别对应空间、构图和视角三种用法。
第一个是客厅：一张空房间图给出窗户、墙面、地板和光线，另外九张分别是脚凳、沙发、扶手椅、茶几、边桌、矮柜、书桌、餐椅和置物架，输出把它们摆进同一个房间。软装试搭可以照这个思路做，房间定了、家具也有实物参考，注意力就能放在搭配效果上。效果图不能验证家具的实际尺寸、通道宽度和施工可行性。
第二个例子只输入一张灰色渲染图：月面基地的舱体、月球车和宇航员位置已经摆好，镜头角度也定了，模型补上金属、月壤、阴影和黑色天空。先用粗模把布局定下来，再让图像模型完善视觉，比用文字反复描述位置省事；输出仍是一张图片，不会回给你一个可编辑的三维模型。
第三个例子换成地图：输入图上用红箭头标出南侧湖面的观察方向，输出从湖面朝前看，瀑布、吊桥、矿场和远处城堡进入同一幅画面，地图被留在左上角当小地图。参考图在这里提供的是地标之间的关系，适合讨论游戏场景的视觉方向。它是一张模拟第一人称视角的静态图，不能走进去，也没有验证每一处空间对应都准确。
调用时上传顺序就对应 <Picture 1>、<Picture 2> 这些编号，写指令时把每张图的用途讲清楚更容易组织任务，比如让图 1 提供房间、图 2 提供沙发，同时说明哪些部分要保留。这是按接口组织输入的方法，复杂的组合不保证一次就成。
样图从写实照片铺到文字推理板，看的是风格覆盖面
官方把写实质感和指令跟随当作两个重点，样图也按这个方向铺开。写实摄影里有屋顶晾衣、侧脸和水面，分别看光线、肤质和反光；超现实那组把云当头发剪、把月亮切开、把巨型梨放进日常动作里，考的是把一句创意描述变成可辨认的画面。
环境概念图包括森林剧场、骑龙者、废弃车站和冰封船只，重点在构图、光线和氛围。角色那组有士兵、奇幻生物、宇航员头盔和冬装设定，还给到了多视图；绘画与插画方向覆盖油画、水彩、塔罗牌和工笔画。
还有一组中英文推理题板，把题目、人物、判断和答案一起画进图里：中文样例给出「丙、戊、己」三人名单，英文样例把嫌疑人陈述和真假判断排成一块调查板。做知识卡、题目或带数据的海报时，文字内容和推理过程都要单独核对，排版完整不能代替结论正确。
这些是挑出来的样例，用来看模型的风格覆盖面。某一类任务在自己的素材上能不能稳定复现，要跑过才知道，样图本身说明不了成功率。
提示词扩写是官方工作流的一环
H3-Image 更适应详细的英文画面描述，短句先由一个叫 H3-Image-Context-IR 的环节整理成完整的画面说明，再交给图像模型。中文短句照样可以作为入口，不必自己把摄影细节都翻成英文。
官方餐桌的例子能说明这一步做了什么：原始要求只有俯拍、乡村风格、时令蔬菜、奶酪、面包和旧木桌，扩写后补上了食物位置、容器、木纹和光线方向。画面的不少安排由这一步决定，本地复现时也要把它算进去。
API 的文生图默认开启扩写，可以关掉；编辑请求始终开启。本地文生图另有可选的 H3-Image-PE 扩写模型，它只作用于本地出图，云端编辑的扩写走的是另一个环节，替换时别直接对等。
两条路径的餐桌结果都放了出来：画面左边是本地 SGLang 加扩写提示的结果，右边是 API 直接调用的结果，两张都是 4736 × 3552。它们说明两条路径都能出图，构图并不保证一致。
编辑那边也有一个对照：同一段播客画面里删掉耳机，再让两位主持人碰拳，参考图提供人物和场景，指令规定要改的部分。两张结果的尺寸为 4096 × 4096，动作都完成了，人物朝向这类细节仍有差别。
接进应用：1 到 16 张参考图，一次最多出 10 张
云端有两个端点：文字出图调 /v1/images/generations，带参考图的编辑调 /v1/images/edits。标准版和 Highspeed 版使用相同参数与限制，差别在价格，Highspeed 的图像输入、输出 token 单价都是标准版的两倍，文字输入 token 单价相同。
云端编辑支持 1 到 16 张参考图，一次请求生成 1 到 10 张，输出可选 JPEG、PNG 或 WebP，最大面积 2000 万像素。蒙版编辑、透明背景和预览图当前都不支持，想让模型只改指定区域，只能在文字里描述范围，接口没有提供区域锁定。
接入时还要把重试算进成本：请求在客户端超时或断开之后，服务端仍会把图生成完，并对成功的图片收费；重新请求会再生成一次、再计一次费。官方指南因此建议关掉 SDK 的自动重试，示例里写成 max_retries=0。
计费按输入文字、输入图像和输出图像的 token 算。官方价目里，标准版生成一张 4096 × 4096 文生图的示例费用是 0.06879 美元，限时半价后 0.03439 美元，参考图数量、尺寸和文字输入都会改变实际账单。半价对标准版和 Highspeed 都适用，要求最终交付的图片至少 16,600,000 像素，整次请求费用减半，截止北京时间 2026 年 11 月 18 日 00:00。MiniMax 同时称，H3-Image 的价格是同档位主流工具的 50%–70%。
本地部署先算下载量，再算参数约束
模型卡列了 SGLang、vLLM、diffusers 和 ComfyUI 四条本地路径。原版主仓约 68.65 GB，另外需要 H3 的文本编码器约 66.7 GB，缓存过编码器可以复用。从零准备这两部分约 135.35 GB，可选的本地文生图扩写模型再占 17.9 GB。
下载量和显存需求是两件事，实际能跑多大尺寸受精度、卸载策略、框架和分辨率影响，不能拿文件体积直接换算。ComfyUI 教程另提供转换、量化后的文件，那套体积和原版下载量不能混着算。
本地 SGLang 的示例把采样步数固定为 6、引导系数固定为 1，也不支持负面提示词，这些是本地服务的参数约束，套到云端 API 上并不成立。ComfyUI 教程给了文生图和编辑模板，默认画布较小以降低内存压力；有模板不等于普通电脑能流畅跑满原生尺寸。
开源许可划了地区和收入两条线
H3-Image 用的是自己的社区许可，没有沿用常见的开源协议。协议把欧盟、英国、韩国和美国列为排除地区；你和关联方的年化收入超过 100 万美元，或者向第三方提供模型托管服务，都需要事先取得 MiniMax 的单独书面授权。
托管服务包括通过 API、网页等远程方式把模型能力提供给他人，这一条不以收入门槛为前提。商业产品还有模型名称展示等义务，具体要对着这份许可原文逐条看，此前 H3 视频模型的介绍不能替代它。
对创作者来说，这次发布给出的路径是把构图、物品和视觉风格交给参考图，再直接生成大尺寸图片。值得试的起点是拿自己已有的素材跑一遍，看清楚哪些东西被保留、哪些被改对；官方样图只能指个方向，稳定性要看自己那批结果。
