MiniMax H3-Image 發佈：原生 4K 圖像模型，權重已公開

2026 年 11 月 10 日，MiniMax 發佈了它的第一個圖像模型 H3-Image：一份權重同時做文生圖與圖像編輯，原生輸出約 1680 萬像素（4096×4096），不用超分，蒸餾到 6 步採樣，最多支持 16 張參考圖。官宣、權重、API 與 ComfyUI 原生支持全部在同一天落地——但這個模型的故事比「發佈日」要長：它的倉庫一週前就建好了，空等了七天；它的文本編碼器直接沿用 7 月的視頻模型 H3；它發佈前一週，還有一家第三方先搶跑了一個名字只差一個字母的蒸餾版。

發佈日：四個動作在兩小時內完成

按 UTC 時間，11 月 10 日的發佈是這樣展開的：14:15，MiniMax 在 X 發官宣帖，口號是「16 million pixel. 10-20 seconds. Open weights.」；14:50，權重在 Hugging Face 公開，許可協議當天簽署；16:05，ComfyUI 博客宣佈原生支持，v0.45.0 同日上線；16:23，官方博客發佈，標題是「把 4K 圖像生成帶入 10 秒時代」。API 發佈記錄也在同一天。北京時間口徑下，博客發佈時間是 11 月 11 日 00:23——所以「11 月 11 日發佈」的說法來自時區換算，本站以 11 月 10 日爲發佈日。

值得注意的是，Hugging Face 倉庫其實建於 11 月 3 日 06:34 UTC，之後空置了一週才放出權重。這不是泄漏，只是提前佔位——但同一天，第三方 Pruna 發佈了 P-H3-Image：把 H3 視頻模型蒸餾成 8 步圖像模型，8MP，4-bit 約 21GB。名字只差一個字母 P，發佈時間只隔一週，兩者卻完全不是同一個東西；P-H3-Image 甚至比官方模型更早拿到 ComfyUI 原生支持（v0.44.0，11 月 4 日）。

從哪裏來：H3 視頻模型拿掉音頻分支

H3-Image 不是從零訓練的新模型。它的底座是 H3-Base——MiniMax 7 月 28 日放出權重的視頻模型——去掉音頻分支，專做靜態圖像。文本編碼器更是原樣沿用：H3 的完整 Qwen3-VL 編碼器，未做任何改動，DiT 讀取其第 50 層的隱藏狀態。這帶來一個實際好處：已經本地部署 H3 的用戶，不用重複下載 66.7GB 的文本編碼器。

架構上，H3-Image 是一個 33.1B 的稠密擴散 Transformer：50 層、hidden 5,376、56 個注意力頭、FFN 14,336、3D 多模態 RoPE。注意 33.1B 只算 DiT 本身，不含文本編碼器。VAE 是 CNN 編碼器加 24 層 2D ViT 解碼器，16 倍下采樣、24 個潛變量通道，DiT 用 2×2 patch 切分潛變量，每個 token 對應 32×32 像素。詳細規格見本站規格與架構專文。

三種速度說法，先記下來

發佈材料裏，H3-Image 的速度有三種表述，彼此並不完全一致：博客標題與正文說 4K「10 秒內」；X 官宣帖說「10–20 秒」；官方博客裏的對比圖則給出 4K 文生圖 P50 中位數——Standard 16.0 秒、Highspeed 10.3 秒。1K/2K 文生圖 Highspeed 確實在 10 秒內（7.7/7.6 秒），所以「10 秒內」只在 4K 上不成立。三種說法如何調和、圖表腳註寫了什麼、「最高 5 倍」從哪來，見本站10 秒宣稱覈查專文。

在 MiniMax 產品線裏的位置

H3-Image 是 MiniMax 2026 年下半年產品線的第三塊拼圖：7 月 28 日 H3 視頻模型（權重），10 月 17 日 M3.1-Flash 語言模型（權重），11 月 10 日 H3-Image 圖像模型。三者共享技術底座——H3-Image 的文本編碼器來自 H3，提示擴展模型 PE 由 Qwen3.8-27B 微調而來——MiniMax 正在把同一套多模態底座拆成視頻、語言、圖像三條線賣。

入口有三條：MiniMax API 平臺（全球 platform.minimax.io 與中國 platform.minimax.cn）、Hailuo AI 應用、MiniMax Code。本地部署則有 SGLang、vLLM-Omni、diffusers、LightX2V 與 ComfyUI。發佈三天後，主倉庫在 Hugging Face 已有 437,039 次下載（11 月 13 日晚）——對一個圖像模型權重來說，這個數字相當高，但下載量不是質量分數。

首日反響：熱鬧，但沒人真的測過

11 月 10 日到 11 日的報道有一個共同點：沒有一家做過獨立測試。CellCog 做了最完整的發佈日事實覈對，逐項覈對 X 帖、API 指南、價格表與模型卡；OrcaRouter 的判斷最尖銳——10 秒在架構上說得通（6 步無引導採樣確實與 30 步有引導採樣不在一個成本量級），但「說得通不是證據」：模型卡里沒有寫任何生成時間，截至 11 月 11 日沒有任何第三方計時，AA 圖像榜無條目，無 GenEval、DPG-Bench 或人類偏好分數。XenoSpectrum 第一個把官方圖表裏的全部數字摘了出來，並提醒博客宣稱與圖表中位數是否同一測量條件未知。

所以 H3-Image 發佈日的真實狀態是：規格與價格全部公開可查，速度與畫質全部沒有獨立證據。接下來值得盯的：第三方 4K 計時、AA 圖像榜是否收錄、4K 半價 11 月 17 日到期後的價格走勢，以及排除地區（美歐英韓）的許可進展。本站會持續跟蹤。