MiniMax publica el modelo abierto H3-Image: 16 MP sin escalado en 6 pasos

La mayoría de los modelos de imagen abiertos dibujan en 1–4 megapíxeles. Todo lo que sea más grande hay que pasarlo por un escalador, que añade detalles finos y a veces estropea el texto o los rostros. MiniMax ha lanzado un modelo abierto oficial, MiniMax-H3-Image, basado en H3, que trabaja directamente con resoluciones altas.

Qué sabe hacer el modelo

La cifra principal es 16 MP sin escalador. Son formatos desde 4096×4096 hasta 6272×2688, y el rango de trabajo declarado es de 4–20 MP. Para impresión, banners grandes y previsualizaciones grandes, esto ahorra un paso en el pipeline y elimina los artefactos del escalado.

La segunda característica es la velocidad de generación. El checkpoint está destilado, por lo que le bastan 6 pasos (NFEs). No hace falta CFG ni prompt negativo. Quedan menos parámetros que ajustar a mano.

La tercera es la edición con referencias. El modelo acepta hasta 16 imágenes. La primera es la que se edita. Las demás definen personajes, objetos, materiales y composición. Por ejemplo, tomas una foto de un interior y añades al encuadre un sofá concreto y la textura de una tela, mientras incorporas un personaje desde otra imagen.

MiniMax también afirma tener el mejor seguimiento de instrucciones entre los modelos abiertos y un trabajo sólido con el texto. En los ejemplos, el modelo resuelve acertijos lógicos y dibuja pizarras con condiciones. Es una afirmación de la propia empresa y la publicación no incluye comparaciones independientes, así que pruébalo con tus propios prompts.

Requisitos de hardware

El modelo es pesado, y esa es su principal limitación. Según la descripción:

• 24 GB de VRAM es el mínimo práctico. El DiT int8 ocupa 21 GB y maneja 4 MP, mientras que el codificador de texto pasa a la memoria RAM. El margen es muy pequeño.
• 16 GB: solo con pesos w4a8 (12,5 GB) y 2–4 MP, sin garantías.
• 32 GB ya es cómodo, para 4–8 MP.
• Con 48 GB o más se pueden generar 8–16 MP sin offload.

En disco hacen falta unos 50 GB para el paquete INT8 y unos 93 GB para BF16. Se necesitan al menos 64 GB de RAM: con offload, el codificador ocupa 27 GB y no hay otro sitio donde ponerlo.

Todavía no hay mediciones de velocidad en GPU de consumo. El autor de la publicación pide a quienes ejecuten el modelo que compartan cifras. Por tanto, se desconoce el tiempo real por imagen en una RTX 4090 o 5090.

Cómo empezar y a quién le sirve

Los ajustes iniciales son: 4 MP, 6 pasos, CFG 1, sampler euler y scheduler simple. El modelo está disponible en Hugging Face, hay un space de demostración y Comfy-Org ha publicado un repack y una guía para ComfyUI. Si ya trabajas en Comfy, puedes conectarlo sin infraestructura aparte.

Para desarrolladores y responsables de producto la conclusión es simple. Si tu producto genera imágenes grandes (pósteres, maquetas publicitarias, fichas de producto, concept art), conviene probar H3-Image. Es especialmente útil donde hoy hay un escalador en la cadena o se necesita consistencia de personajes mediante referencias. Los pesos abiertos permiten mantenerlo todo en casa y no pagar por API por cada imagen.

Hay salvedades. Los requisitos de memoria descartan la mayoría de las GPU domésticas. La velocidad y la calidad en tareas reales aún no se han verificado de forma independiente. La afirmación sobre el mejor seguimiento de instrucciones sigue siendo marketing hasta que alguien haga una comparación con otros modelos abiertos. Un plan razonable: usar la demo o alquilar una GPU de 32–48 GB, probar 20–30 de tus prompts habituales a 4 MP y ver si el modelo mantiene el texto y la composición. Solo después decidir si llevar la producción a este modelo.