MiniMax H3-Image 规格与架构：33.1B DiT，6 步采样

H3-Image 的官方模型卡是目前最完整的规格来源：架构数字、尺寸表、采样规则、API 行为，全部写在上面。读完之后可以得到一个清晰的判断——这是一个为「快」做了极端取舍的模型：6 步采样、无引导、参数锁定，换来 4K 出图的速度；代价是用户几乎没有可调的旋钮。

架构：H3-Base 拿掉音频分支

H3-Image 的 DiT 底座是 H3-Base，即 MiniMax 7 月发布的视频模型 H3 的基础模型，去掉音频分支后专做静态图像。33.1B 参数是稠密扩散 Transformer 的规模：50 层、hidden 5,376、56 个注意力头、FFN 14,336、3D 多模态 RoPE。注意这个数字只算 DiT 本身——文本编码器另算，不在 33.1B 里。权重为 BF16，嵌入层、时间步层与输出层为 FP32。

文本编码器是 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。它不在 H3-Image 仓库里：本地部署时要从 MiniMax-H3 仓库另行下载，66.7GB。图像 VAE 是 CNN 编码器加 24 层 2D ViT 解码器，16 倍空间下采样、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——这就是 4K 图像 token 数不随面积线性增长的原因之一，价格表里 4K 只比 1K 贵约 3.2 倍，根子在这里。

采样：6 步，无引导，参数锁定

H3-Image 蒸馏到 6 步采样（6 NFEs），不用分类器自由引导（CFG）。这不是默认值，而是硬锁定：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；负提示词不支持。换句话说，传统扩散模型「调步数、调引导强度、写负提示」那套玩法，在 H3-Image 上全部不存在。

这个取舍的逻辑很清楚：6 步无引导采样的计算量，与 30 步有引导采样不在一个量级——OrcaRouter 指出，这正是「10 秒出 4K」在架构上说得通的原因。但「说得通」不等于「已证实」：模型卡里没有写任何生成时间，速度证据只有官方博客的对比图，而图表里的 4K 中位数是 16.0 秒（Standard）与 10.3 秒（Highspeed）。详见本站10 秒宣称核查专文。

输出尺寸：原生约 16MP，全比例

工作范围约 4–20MP，最佳在约 16MP；API 接受自定义尺寸 655,360–20,000,000 像素，宽高比 1:3–3:1，且「从不缩放或取整」——给什么尺寸就出什么尺寸。预设分 1K/2K/4K 三档，4K 为默认。每请求 1–10 张图，输出 JPEG（默认）/PNG/WebP。关键点：原生 16MP 意味着 4K 不是先画小图再超分，而是直接在 4K 分辨率上生成。

参考图编辑：最多 16 张，位置引用

编辑支持 1–16 张参考图，按上传顺序在提示词中以「Picture 1」至「Picture 16」位置引用。参考图格式 JPG/PNG/WebP/HEIC/HEIF，每边 128–8,192 像素。注意两个边界：vLLM-Omni 的首日配方只练到每请求 9 张图——16 张是模型上限，9 张是该框架配方实测值；官方图表里的编辑计时只到 3 张参考图，16 张满载时的生成时间没有数据。

不支持的项，API 指南列得很明确：遮罩编辑、透明背景、预览图。编辑时提示词改写恒定开启，无法关闭——API 会把提示改写后再生成，本地部署可用 PE 模型做同样的扩展。

提示词：详细英文描述整幅图

模型卡明确：模型设计前提是「详细描述整幅图的英文提示词」。API 会用 H3-Image-Context-IR 把任意语言的短提示扩展成详细英文后再生成；本地部署可用可选的 PE 模型（MiniMax-H3-Image-PE，17.9GB NVFP4，由 Qwen3.8-27B 微调）做同样的扩展，但 MiniMax 未保证与 API 完全一致。PE 不是 H3-Image 的小版本，只是个提示扩展器，不用它也能跑模型。提示词上限 32,000 字符，实际生效约前 4,096 tokens。

API 行为：三条容易踩的坑

第一，两端点均非幂等：客户端超时或断开后，服务端仍会完成生成并收费，指南建议关闭自动重试——重试一次就是多付一次钱。第二，服务端最长等待 600 秒。第三，提示词改写默认开启（文生图可关，编辑恒开）。返回格式：PNG 在 data[0].b64_json 里。端点：文生图 /v1/images/generations（JSON），编辑 /v1/images/edits（multipart 表单）。

本地部署体积：本体 68.65GB（Transformer 66.28GB + VAE 2.34GB + 逐层输出头 12MB + 分词器 23MB），另加 66.7GB 文本编码器，合计约 135GB；PE 可选 17.9GB。官方未公布 VRAM 需求——文件体积不等于显存需求，不要按 135GB 推算显卡。部署路径见本站本地部署专文。