GPT-Image-2.6 才出来没几天，MiniMax 突然抛出了开源生图模型的王炸！
就在昨天晚上 11 点，MiniMax 正式发布了 MiniMax H3-image，并同步开放权重。
就在三个多月前，MiniMax 发布了 MiniMax H3，直接把开源视频模型带到了一个新的境界，真正实现了生图模型个人消费级显卡可部署。
而现在，在 H3 基础上诞生的 MiniMax H3-image，宣告了 4K 图像生成已经进入了 10 秒时代。
H3-Image 的 DiT 主干沿用了 H3 的 33.1B Transformer 架构，移除了音频分支。
同时，H3 原本的多步采样扩散生成压缩到了固定 6 步，极大地提升了模型在图片任务上的速度。H3-Image 还加入了图片编辑功能，能在生成图片上继续灵活修改。
根据官方的数据，H3-Image 的耗时大约是同类模型的三分之一到二分之一。此外，模型还提供了 Highspeed 选项，能让用户在标准版的基础上更快生成图像。
在老狐的实测中，H3-Image 的响应确实相当迅速，基本能在 10 到 20 秒左右输出成果。
即使放在 agent 框架里测试，算上提示词拆解等流程，也能在 1 分钟左右产出图片。
AI 跑图片，终于也能体验到飞一样的感觉！
既然是生图模型，首先来看看它生成的照片真实感如何。之前，GPT-Image-2.5 正是凭借逼真的老照片在社交媒体上掀起了一波热潮。
我们让 H3-Image 生成一张 4K 精度的生活照风格摄影作品，场景是广州老城区一条普通街道的傍晚，路边有骑楼、便利店、小吃店和停放的电动车。人物有小吃摊边的店主、女孩和过往的行人。
图片的效果真是让老狐相当震撼！
H3-image 准确理解了傍晚的天色，连空气的潮湿、地面水渍的反光也处理得相当有真实感。
更让人惊讶的是，人物肤色的效果也非常贴合实际的光照表现，没有那种摆拍感和过强的戏剧光效。
要知道，此前的图片生成中，风格化的照片滤镜能很大程度上掩盖这一问题，可一旦去掉风格滤镜，立马就漏了馅。
但在 H3-image 上，图像依然保持了相当高的真实感。
不过仔细放大来看，图片还是略有一点瑕疵，比如最远处两人的五官模糊成了一团。在没有提示文字的情况下，小吃摊的文字也成了乱码。如果压缩后不细看，这些问题还真不容易一眼发现。
在海报生成上，H3-image 展现了相当不错的风格特色，我们让 H3-image 自己介绍一下自己，要求具有人文科技美学特质，同时给出了相应的描述性文字。
无论中文还是英文，H3-image 的文字一致性都没有问题。同时在排版上，模型也能注意到层级的错落有致，有意控制了边距和留白。
除开海报外，爆炸分解图也是目前产品介绍的一大素材。
在测试中，我们让 H3 -image 给出了一架四旋翼户外探索无人机的分解图。左侧展示了 45° 俯视主渲染图，右侧排列严格对应的三视图。
可以看到，H3-image 能准确地理解三视图和产品对应的空间位置关系。但在爆炸分解上，H3-image 还是偷了点懒，零件并没有一一列明，可能是因为分解图采用了极简画风，省略了部分细节。
对于二次元绘画，H3-image 也能准确地捕捉到厚涂和精致的绘画风格。
像在这张生成的图片中，天边的霞光、空中的三月、蒸汽机车的烟雾，都有很强的“动漫感”。
除了角色衣服的褶皱还能看出一些 AI 生图的风格外，面貌、手指这些细节已经不太难让人起疑心了。
我们还试着让 H3-image 生成一张虚构的 3A 赛博朋克动作游戏截图，要求为虚幻 5 的写实渲染风格。
在生成图像中，霓虹广告、体积雾、金属光泽都非常有真实游戏画面的冲击力。TPS 游戏的视角、准星等游戏要素也都能考虑到位。
稍微美中不足的是，小地图的显示明显有点问题，敌人和友军的位置没有准确反映。但对于扩散模型的一轮直出效果来说，能做到这个程度已经让人比较满意了。
发布首周，MiniMax H3-image 给用户的 4K 图像生成任务提供了五折优惠，相当于两毛钱就能生成一张高清大图。
而现在新用户注册，还能免费生成 10 张图片。
在 11 月，我们本以为 GPT-image 系列的乘胜追击，将进一步坐稳它在生图模型的地位。但目前看来，H3-image 的开源正向 GPT-image 发起新一轮的挑战。
就像官方的发布公告写的那样，他们希望 MiniMax H3-image “能变成图像生成领域缩小开源模型与顶尖闭源模型差距的起点”。
又快又好的开源生图模型，正是 AIGC 创作者们的最佳拍档，更是开源模型发展的一大步。
撰稿：LJM
热门跟贴