MiniMax H3-Image génère de la 4K native en 16 secondes et ouvre ses poids

Pendant des années, la plupart des générateurs d'images ont vécu avec un compromis : le modèle dessine dans une résolution plus faible, puis un upscaler ajoute des détails « plausibles ». Pour un aperçu, cela suffit. Pour l'impression, les bannières et les grandes maquettes, beaucoup moins. MiniMax propose une autre voie : H3-Image génère directement du 4096×4096, sans étape d'agrandissement distincte.

De quel modèle s'agit-il

H3-Image est issu du modèle vidéo H3, que MiniMax a retravaillé pour les images fixes. Il repose sur un transformeur de diffusion de 33,1 milliards de paramètres. Il produit une image en six étapes, ce qui est très peu pour un modèle de cette taille.

Deux autres paramètres comptent dans la pratique. Le prompt peut atteindre 32 000 caractères, ce qui permet d'y glisser un cahier des charges complet : description de la marque, découpage du cadre, exigences de style. On peut transmettre jusqu'à 16 références, par exemple un personnage, un produit, une palette et des exemples de composition. Pour les équipes produit, c'est plus proche d'un outil de travail que d'un jouet : la charte de marque peut être placée directement dans la requête.

Vitesse et prix

D'après l'annonce, une image 4K à partir d'un texte prend environ 10,3 secondes en Highspeed et 16 secondes en Standard. Nano Banana 2.1 avec thinking medium a mis 50 secondes dans le même test. Cette comparaison est à lire avec prudence. Le mode thinking ajoute un temps de raisonnement avant le dessin, donc l'écart ne peut pas être attribué entièrement à la vitesse de génération elle-même. Le billet ne précise pas sur quel matériel les mesures ont été faites : il faut donc revérifier les chiffres sur vos propres tâches.

Via l'API, une image 4K en Standard coûte environ 0,07 $, et une remise de 50 % est actuellement appliquée pour le lancement. Jusqu'au 23 novembre inclus, fal offre 3 à 5 générations gratuites. De quoi tester rapidement vos prompts sans rien déployer chez vous.

Exécution en local : lourd, mais possible

Les poids sont ouverts et le code est sur GitHub. Mais, avec l'encodeur et le VAE, il faut télécharger environ 135 Go. Pour les cartes graphiques de 24 Go, SGLang propose de décharger une partie des couches dans la mémoire vive. Cela fonctionne, mais la vitesse chute nettement, et les chiffres de l'annonce ne s'appliquent pas à cette configuration. ComfyUI propose déjà des templates prêts à l'emploi : inutile de monter le pipeline à la main.

La communauté a déjà publié une LoRA en deux étapes pour accélérer la génération. On ignore encore dans quelle mesure elle dégrade la qualité, et cela devra être vérifié séparément.

Que faire de tout cela

Si vous développez un produit avec génération d'images, l'action la moins coûteuse est la suivante : prenez 10 à 20 de vos prompts réels, y compris longs et avec références, et passez-les dans les générations gratuites de fal. Surveillez ce qui casse d'ordinaire dans les tâches appliquées : petits détails, texte dans l'image, fidélité du personnage à partir des références. La 4K native n'a de sens que si le gain de détail est visible sans upscaling.

Pour un déploiement local, calculez d'avance l'espace disque et la mémoire. 135 Go, le déchargement et une vitesse inconnue sur une carte grand public peuvent engloutir toutes les économies réalisées sur l'API. Il faut aussi lire la licence sur Hugging Face avant toute intégration dans un produit commercial.

La tendance générale est claire : la résolution 4K et un long contexte pour le prompt deviennent le standard de base, et une vitesse de six étapes rend cette génération utilisable dans des scénarios interactifs. Le reste, ce sont les comparaisons indépendantes qui le diront.