MiniMax lança modelo aberto H3-Image: 16 MP sem upscale em 6 passos

A maioria dos modelos de imagem abertos desenha em 1–4 megapixels. Tudo o que for maior precisa passar por um upscaler, que acrescenta detalhes finos e às vezes estraga texto ou rostos. A MiniMax lançou um modelo aberto oficial, o MiniMax-H3-Image, baseado no H3, que trabalha diretamente com resoluções altas.

O que o modelo faz

O número principal é 16 MP sem upscaler. São formatos de 4096×4096 a 6272×2688, e a faixa de trabalho declarada é de 4–20 MP. Para impressão, banners grandes e previews grandes, isso economiza uma etapa no pipeline e elimina os artefatos do upscale.

A segunda característica é a velocidade de geração. O checkpoint é destilado, então bastam 6 passos (NFEs). Não é necessário CFG nem prompt negativo. Sobram menos parâmetros para ajustar manualmente.

A terceira é a edição com referências. O modelo aceita até 16 imagens. A primeira é a que você edita. As demais definem personagens, objetos, materiais e composição. Por exemplo, você pega a foto de um interior e adiciona ao quadro um sofá específico e a textura de um tecido, enquanto traz um personagem de outra imagem.

A MiniMax também afirma ter o melhor instruction following entre os modelos abertos e um trabalho sólido com texto. Nos exemplos, o modelo resolve quebra-cabeças lógicos e desenha quadros com condições. Essa é uma afirmação da própria empresa, e o post não traz comparações independentes, então teste com seus próprios prompts.

Requisitos de hardware

O modelo é pesado, e essa é a principal limitação. Segundo a descrição:

• 24 GB de VRAM é o mínimo prático. O DiT int8 ocupa 21 GB e lida com 4 MP, enquanto o codificador de texto vai para a memória RAM. A folga é bem pequena.
• 16 GB: apenas pesos w4a8 (12,5 GB) e 2–4 MP, sem garantias.
• 32 GB já é confortável, para 4–8 MP.
• Com 48 GB ou mais é possível gerar 8–16 MP sem offload.

No disco serão necessários cerca de 50 GB para o pacote INT8 e cerca de 93 GB para BF16. São necessários pelo menos 64 GB de RAM: com offload, o codificador ocupa 27 GB e não há outro lugar para colocá-lo.

Ainda não há medições de velocidade em placas de vídeo de consumo. O autor do post pede que quem rodar o modelo compartilhe números. Portanto, o tempo real por imagem em uma RTX 4090 ou 5090 ainda é desconhecido.

Como começar e para quem serve

As configurações iniciais são: 4 MP, 6 passos, CFG 1, sampler euler e scheduler simple. O modelo está disponível no Hugging Face, há um space de demonstração e a Comfy-Org publicou um repack e um guia para o ComfyUI. Se você já trabalha no Comfy, pode conectá-lo sem infraestrutura separada.

Para desenvolvedores e gerentes de produto, a conclusão é simples. Se o seu produto gera imagens grandes (pôsteres, layouts publicitários, cards de produtos, concept art), vale testar o H3-Image. Ele é especialmente útil onde hoje há um upscaler na cadeia ou onde é preciso consistência de personagens por meio de referências. Os pesos abertos permitem manter tudo internamente e não pagar por API a cada imagem.

Há ressalvas. Os requisitos de memória excluem a maioria das placas de vídeo domésticas. A velocidade e a qualidade em tarefas reais ainda não foram verificadas de forma independente. A afirmação sobre o melhor instruction following continua sendo marketing até que alguém faça uma comparação com outros modelos abertos. Um plano sensato: usar a demo ou alugar uma GPU de 32–48 GB, rodar 20–30 dos seus prompts típicos em 4 MP e ver se o modelo mantém o texto e a composição. Só depois decidir se vale migrar a produção para ele.