MiniMax H3-Image 規格與架構：33.1B DiT，6 步採樣

H3-Image 的官方模型卡是目前最完整的規格來源：架構數字、尺寸表、採樣規則、API 行爲，全部寫在上面。讀完之後可以得到一個清晰的判斷——這是一個爲「快」做了極端取捨的模型：6 步採樣、無引導、參數鎖定，換來 4K 出圖的速度；代價是用戶幾乎沒有可調的旋鈕。

架構：H3-Base 拿掉音頻分支

H3-Image 的 DiT 底座是 H3-Base，即 MiniMax 7 月發佈的視頻模型 H3 的基礎模型，去掉音頻分支後專做靜態圖像。33.1B 參數是稠密擴散 Transformer 的規模：50 層、hidden 5,376、56 個注意力頭、FFN 14,336、3D 多模態 RoPE。注意這個數字只算 DiT 本身——文本編碼器另算，不在 33.1B 裏。權重爲 BF16，嵌入層、時間步層與輸出層爲 FP32。

文本編碼器是 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。它不在 H3-Image 倉庫裏：本地部署時要從 MiniMax-H3 倉庫另行下載，66.7GB。圖像 VAE 是 CNN 編碼器加 24 層 2D ViT 解碼器，16 倍空間下采樣、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——這就是 4K 圖像 token 數不隨面積線性增長的原因之一，價格表裏 4K 只比 1K 貴約 3.2 倍，根子在這裏。

採樣：6 步，無引導，參數鎖定

H3-Image 蒸餾到 6 步採樣（6 NFEs），不用分類器自由引導（CFG）。這不是默認值，而是硬鎖定：num_inference_steps 只能省略或填 6，guidance_scale 只能省略或填 1，其它值直接返回 HTTP 400；負提示詞不支持。換句話說，傳統擴散模型「調步數、調引導強度、寫負提示」那套玩法，在 H3-Image 上全部不存在。

這個取捨的邏輯很清楚：6 步無引導採樣的計算量，與 30 步有引導採樣不在一個量級——OrcaRouter 指出，這正是「10 秒出 4K」在架構上說得通的原因。但「說得通」不等於「已證實」：模型卡里沒有寫任何生成時間，速度證據只有官方博客的對比圖，而圖表裏的 4K 中位數是 16.0 秒（Standard）與 10.3 秒（Highspeed）。詳見本站10 秒宣稱覈查專文。

輸出尺寸：原生約 16MP，全比例

工作範圍約 4–20MP，最佳在約 16MP；API 接受自定義尺寸 655,360–20,000,000 像素，寬高比 1:3–3:1，且「從不縮放或取整」——給什麼尺寸就出什麼尺寸。預設分 1K/2K/4K 三檔，4K 爲默認。每請求 1–10 張圖，輸出 JPEG（默認）/PNG/WebP。關鍵點：原生 16MP 意味着 4K 不是先畫小圖再超分，而是直接在 4K 分辨率上生成。

參考圖編輯：最多 16 張，位置引用

編輯支持 1–16 張參考圖，按上傳順序在提示詞中以「Picture 1」至「Picture 16」位置引用。參考圖格式 JPG/PNG/WebP/HEIC/HEIF，每邊 128–8,192 像素。注意兩個邊界：vLLM-Omni 的首日配方只練到每請求 9 張圖——16 張是模型上限，9 張是該框架配方實測值；官方圖表裏的編輯計時只到 3 張參考圖，16 張滿載時的生成時間沒有數據。

不支持的項，API 指南列得很明確：遮罩編輯、透明背景、預覽圖。編輯時提示詞改寫恆定開啓，無法關閉——API 會把提示改寫後再生成，本地部署可用 PE 模型做同樣的擴展。

提示詞：詳細英文描述整幅圖

模型卡明確：模型設計前提是「詳細描述整幅圖的英文提示詞」。API 會用 H3-Image-Context-IR 把任意語言的短提示擴展成詳細英文後再生成；本地部署可用可選的 PE 模型（MiniMax-H3-Image-PE，17.9GB NVFP4，由 Qwen3.8-27B 微調）做同樣的擴展，但 MiniMax 未保證與 API 完全一致。PE 不是 H3-Image 的小版本，只是個提示擴展器，不用它也能跑模型。提示詞上限 32,000 字符，實際生效約前 4,096 tokens。

API 行爲：三條容易踩的坑

第一，兩端點均非冪等：客戶端超時或斷開後，服務端仍會完成生成並收費，指南建議關閉自動重試——重試一次就是多付一次錢。第二，服務端最長等待 600 秒。第三，提示詞改寫默認開啓（文生圖可關，編輯恆開）。返回格式：PNG 在 data[0].b64_json 裏。端點：文生圖 /v1/images/generations（JSON），編輯 /v1/images/edits（multipart 表單）。

本地部署體積：本體 68.65GB（Transformer 66.28GB + VAE 2.34GB + 逐層輸出頭 12MB + 分詞器 23MB），另加 66.7GB 文本編碼器，合計約 135GB；PE 可選 17.9GB。官方未公佈 VRAM 需求——文件體積不等於顯存需求，不要按 135GB 推算顯卡。部署路徑見本站本地部署專文。