MiniMax lanza H3 Image: 16 referencias, 4K y prompts de hasta 32 000 caracteres

Si alguna vez has hecho una serie de imágenes para un mismo proyecto, sabes lo frustrante que es. La primera generación sale genial, pero en la tercera al protagonista le cambia la cara, la chaqueta es de otro color y el fondo va por su cuenta. Normalmente se soluciona con una combinación de referencias, LoRA, inpainting y montaje manual en un editor. MiniMax propone otro enfoque: darle al modelo más datos de entrada y un briefing técnico largo.

Qué se ha lanzado exactamente

MiniMax ha abierto el acceso anticipado a H3 Image en su plataforma Hailuo AI. Es un modelo para imágenes estáticas y, a juzgar por la descripción, hereda la «disciplina espacial» del generador de vídeo de la misma empresa. Los modelos de vídeo llevan tiempo entrenados para seguir dónde está cada cosa y cómo se mueve. Es lógico que la misma lógica ayude también en un fotograma único.

Según las características declaradas:

• hasta 16 imágenes de referencia en una sola solicitud;
• relaciones de aspecto de 21:9 (panorámica cinematográfica) a 9:16 (vertical para stories y shorts);
• exportación nativa en 1K, 2K y 4K;
• codificador de texto integrado con un contexto de hasta 32 000 caracteres.

Para qué 16 referencias

Imagina que haces un banner publicitario de zapatillas. Antes podías darle al modelo una foto del producto y un ambiente «como en esta imagen». Ahora, en teoría, puedes enviar fotos de las zapatillas desde tres ángulos, el rostro y la pose del modelo, una referencia de iluminación, la paleta de la marca, un ejemplo de fondo y el logotipo. Todo va en una sola solicitud, y no en una cadena de cinco pasos con pérdidas en cada uno.

Para un product manager, esto supone un pipeline más corto. Para un desarrollador que integra la generación en su servicio, es la posibilidad de construir la interfaz en torno a un «conjunto de materiales» y no a «una imagen y un campo de texto». Cuanto más sea capaz el modelo de mantener coherente, menos tendrás que retocar a mano.

Una salvedad: que se declaren 16 referencias no significa que el modelo las tenga en cuenta todas igual de bien. En la práctica, en los sistemas multirreferencia suelen «ganar» las primeras imágenes o las más llamativas, y los detalles pequeños se pierden. De momento nadie lo ha comprobado públicamente.

Prompt largo y 4K

Una ventana de contexto de 32 000 caracteres son más de una decena de páginas de texto. Para una imagen parece excesivo, pero la idea es clara. Se puede describir la escena como un guion: quién está a la izquierda, quién a la derecha, qué lleva en las manos, qué dice el letrero y con qué tipografía. El autor de una publicación en un canal de Telegram afirma directamente que el modelo «debería interpretar bien» esquemas complejos de colocación de actores y la tipografía. Pero eso es una expectativa, no un resultado de pruebas.

El 4K nativo también es importante. Sin escalador no aparece una capa adicional de detalles «inventados», y el texto y los elementos pequeños reciben más píxeles para dibujarse bien. Para impresión, pantallas grandes y recortes de un encuadre amplio, es algo esencial.

Qué no se sabe todavía

La fuente es un anuncio breve y no menciona muchas cosas importantes:

• no hay benchmarks ni comparaciones con otros generadores de imágenes;
• no se dice si habrá API ni cuándo;
• no se indican precios ni límites de solicitudes;
• no está claro cómo maneja el modelo el cirílico en la tipografía;
• el acceso es aún anticipado, así que son posibles colas, restricciones e inestabilidad.

Formulaciones como «la comprensión del prompt, al parecer, será muy buena» son un pronóstico prudente, no un hecho confirmado.

Qué hacer en la práctica

Si creas contenido visual o una herramienta para ello, conviene montar una pequeña prueba. Toma tu tarea real: un protagonista que debe reconocerse en cinco encuadres, o una maqueta con texto en un letrero. Envía de 4 a 8 referencias en lugar de una y compara el resultado con lo que obtienes ahora. Prueba por separado un prompt largo y estructurado: ¿funciona mejor que uno corto o el modelo empieza a ignorar el final?

Si eres product manager o fundador, vigila la aparición de la API. De ella depende que H3 Image pase a formar parte de tu producto o se quede en otra pestaña bonita en un servicio ajeno. Por ahora es la promesa de una herramienta potente para la generación consistente, y hay que comprobarla con las manos, no por el anuncio.