MiniMax publie en open source H3-Image : 16 Mpx sans upscaling en 6 étapes

La plupart des modèles d'images open source génèrent en 1 à 4 mégapixels. Tout ce qui est plus grand doit passer par un upscaler, qui redessine les petits détails et abîme parfois le texte ou les visages. MiniMax a publié le modèle open source officiel MiniMax-H3-Image, basé sur H3, qui travaille directement à de grandes résolutions.

Ce que sait faire le modèle

Le chiffre clé : 16 Mpx sans upscaler. Cela couvre des formats allant de 4096×4096 à 6272×2688, et la plage de travail annoncée est de 4 à 20 Mpx. Pour l'impression, les grandes bannières et les grandes vignettes, cela supprime une étape du pipeline et élimine les artefacts d'upscaling.

Deuxième particularité : la vitesse de génération. Le checkpoint est distillé, 6 étapes (NFEs) lui suffisent. Pas besoin de CFG, ni de prompt négatif. Il reste donc moins de paramètres à ajuster à la main.

Troisième point : l'édition avec références. Le modèle accepte jusqu'à 16 images. La première est celle que vous retouchez. Les autres définissent les personnages, les objets, les matériaux et la composition. Par exemple, vous prenez la photo d'un intérieur, vous y ajoutez un canapé précis et la texture d'un tissu, et vous récupérez un personnage depuis une image distincte.

MiniMax revendique en outre le meilleur instruction following parmi les modèles ouverts et un travail solide sur le texte. Dans les exemples, le modèle résout des puzzles logiques et dessine des tableaux avec des énoncés. Il s'agit d'une déclaration de l'entreprise elle-même ; le post ne contient aucune comparaison indépendante, alors testez avec vos propres prompts.

Quel matériel prévoir

Le modèle est lourd, et c'est sa principale limite. D'après la description :

• 24 Go de VRAM : minimum de travail. Le DiT en int8 occupe 21 Go et gère 4 Mpx, tandis que l'encodeur de texte est déporté en mémoire vive. La marge est très mince.
• 16 Go : uniquement les poids w4a8 (12,5 Go) et 2–4 Mpx, sans garantie.
• 32 Go : déjà confortable, 4–8 Mpx.
• 48 Go et plus : 8–16 Mpx possibles sans offloading.

Il faudra environ 50 Go de disque pour le kit INT8 et environ 93 Go pour le BF16. La mémoire vive requise est d'au moins 64 Go : en cas d'offloading, l'encodeur occupe 27 Go et on ne saurait pas où le mettre autrement.

Il n'existe pas encore de mesures de vitesse sur cartes graphiques grand public. L'auteur du post demande à ceux qui lanceront le modèle de partager leurs chiffres. Le temps réel par image sur une RTX 4090 ou 5090 reste donc inconnu.

Par où commencer et à qui cela servira

Les réglages de départ sont les suivants : 4 Mpx, 6 étapes, CFG 1, sampler euler et scheduler simple. Le modèle est disponible sur Hugging Face, il existe un space de démonstration, et Comfy-Org a publié un repack et un guide pour ComfyUI. Si vous travaillez déjà dans Comfy, vous pouvez l'intégrer sans infrastructure supplémentaire.

Pour les développeurs et les product managers, la conclusion est simple. Si votre produit génère de grandes images (affiches, maquettes publicitaires, fiches produit, concept art), H3-Image mérite un test. Il est particulièrement utile là où la chaîne comporte aujourd'hui un upscaler ou où il faut de la cohérence de personnages via des références. Les poids ouverts permettent de tout garder en interne et de ne pas payer l'API à chaque image.

Il y a aussi des réserves. Les exigences en mémoire écartent la plupart des cartes graphiques grand public. La vitesse et la qualité sur des tâches réelles n'ont pas encore été vérifiées de façon indépendante. L'affirmation sur le meilleur instruction following reste marketing tant que personne n'a réalisé de comparaison avec d'autres modèles ouverts. Un plan raisonnable : prendre la démo ou louer un GPU de 32 à 48 Go, passer 20 à 30 de vos prompts habituels en 4 Mpx et voir si le modèle tient le texte et la composition. Ce n'est qu'ensuite qu'il faudra décider de migrer la production vers lui.