MiniMax H3-Image 发布：原生 4K 图像模型，权重已公开

2026 年 11 月 10 日，MiniMax 发布了它的第一个图像模型 H3-Image：一份权重同时做文生图与图像编辑，原生输出约 1680 万像素（4096×4096），不用超分，蒸馏到 6 步采样，最多支持 16 张参考图。官宣、权重、API 与 ComfyUI 原生支持全部在同一天落地——但这个模型的故事比「发布日」要长：它的仓库一周前就建好了，空等了七天；它的文本编码器直接沿用 7 月的视频模型 H3；它发布前一周，还有一家第三方先抢跑了一个名字只差一个字母的蒸馏版。

发布日：四个动作在两小时内完成

按 UTC 时间，11 月 10 日的发布是这样展开的：14:15，MiniMax 在 X 发官宣帖，口号是「16 million pixel. 10-20 seconds. Open weights.」；14:50，权重在 Hugging Face 公开，许可协议当天签署；16:05，ComfyUI 博客宣布原生支持，v0.45.0 同日上线；16:23，官方博客发布，标题是「把 4K 图像生成带入 10 秒时代」。API 发布记录也在同一天。北京时间口径下，博客发布时间是 11 月 11 日 00:23——所以「11 月 11 日发布」的说法来自时区换算，本站以 11 月 10 日为发布日。

值得注意的是，Hugging Face 仓库其实建于 11 月 3 日 06:34 UTC，之后空置了一周才放出权重。这不是泄漏，只是提前占位——但同一天，第三方 Pruna 发布了 P-H3-Image：把 H3 视频模型蒸馏成 8 步图像模型，8MP，4-bit 约 21GB。名字只差一个字母 P，发布时间只隔一周，两者却完全不是同一个东西；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）。

从哪里来：H3 视频模型拿掉音频分支

H3-Image 不是从零训练的新模型。它的底座是 H3-Base——MiniMax 7 月 28 日放出权重的视频模型——去掉音频分支，专做静态图像。文本编码器更是原样沿用：H3 的完整 Qwen3-VL 编码器，未做任何改动，DiT 读取其第 50 层的隐藏状态。这带来一个实际好处：已经本地部署 H3 的用户，不用重复下载 66.7GB 的文本编码器。

架构上，H3-Image 是一个 33.1B 的稠密扩散 Transformer：50 层、hidden 5,376、56 个注意力头、FFN 14,336、3D 多模态 RoPE。注意 33.1B 只算 DiT 本身，不含文本编码器。VAE 是 CNN 编码器加 24 层 2D ViT 解码器，16 倍下采样、24 个潜变量通道，DiT 用 2×2 patch 切分潜变量，每个 token 对应 32×32 像素。详细规格见本站规格与架构专文。

三种速度说法，先记下来

发布材料里，H3-Image 的速度有三种表述，彼此并不完全一致：博客标题与正文说 4K「10 秒内」；X 官宣帖说「10–20 秒」；官方博客里的对比图则给出 4K 文生图 P50 中位数——Standard 16.0 秒、Highspeed 10.3 秒。1K/2K 文生图 Highspeed 确实在 10 秒内（7.7/7.6 秒），所以「10 秒内」只在 4K 上不成立。三种说法如何调和、图表脚注写了什么、「最高 5 倍」从哪来，见本站10 秒宣称核查专文。

在 MiniMax 产品线里的位置

H3-Image 是 MiniMax 2026 年下半年产品线的第三块拼图：7 月 28 日 H3 视频模型（权重），10 月 17 日 M3.1-Flash 语言模型（权重），11 月 10 日 H3-Image 图像模型。三者共享技术底座——H3-Image 的文本编码器来自 H3，提示扩展模型 PE 由 Qwen3.8-27B 微调而来——MiniMax 正在把同一套多模态底座拆成视频、语言、图像三条线卖。

入口有三条：MiniMax API 平台（全球 platform.minimax.io 与中国 platform.minimax.cn）、Hailuo AI 应用、MiniMax Code。本地部署则有 SGLang、vLLM-Omni、diffusers、LightX2V 与 ComfyUI。发布三天后，主仓库在 Hugging Face 已有 437,039 次下载（11 月 13 日晚）——对一个图像模型权重来说，这个数字相当高，但下载量不是质量分数。

首日反响：热闹，但没人真的测过

11 月 10 日到 11 日的报道有一个共同点：没有一家做过独立测试。CellCog 做了最完整的发布日事实核对，逐项核对 X 帖、API 指南、价格表与模型卡；OrcaRouter 的判断最尖锐——10 秒在架构上说得通（6 步无引导采样确实与 30 步有引导采样不在一个成本量级），但「说得通不是证据」：模型卡里没有写任何生成时间，截至 11 月 11 日没有任何第三方计时，AA 图像榜无条目，无 GenEval、DPG-Bench 或人类偏好分数。XenoSpectrum 第一个把官方图表里的全部数字摘了出来，并提醒博客宣称与图表中位数是否同一测量条件未知。

所以 H3-Image 发布日的真实状态是：规格与价格全部公开可查，速度与画质全部没有独立证据。接下来值得盯的：第三方 4K 计时、AA 图像榜是否收录、4K 半价 11 月 17 日到期后的价格走势，以及排除地区（美欧英韩）的许可进展。本站会持续跟踪。