MiniMax H3-Image gera 4K nativo em 16 segundos e abre os pesos

Durante anos, a maioria dos geradores de imagens viveu com um compromisso: o modelo desenha em resolução menor e depois um upscaler acrescenta detalhes «plausíveis». Para pré-visualizações isso basta. Para impressão, banners e layouts grandes, já não. A MiniMax propõe outro caminho: o H3-Image gera 4096×4096 diretamente, sem uma etapa separada de ampliação.

O que é este modelo

O H3-Image nasceu do modelo de vídeo H3, que a MiniMax adaptou para quadros estáticos. Por dentro há um transformer de difusão com 33,1 bilhões de parâmetros. Ele gera a imagem em seis passos, o que é muito pouco para um modelo desse tamanho.

Outros dois parâmetros importam na prática. O prompt pode ter até 32.000 caracteres, ou seja, cabe nele um briefing inteiro: descrição da marca, disposição do quadro, requisitos de estilo. É possível enviar até 16 referências, por exemplo um personagem, um produto, uma paleta e exemplos de composição. Para equipes de produto, isso está mais perto de uma ferramenta de trabalho do que de um brinquedo: o guia de marca pode ser colocado direto na requisição.

Velocidade e preço

Segundo os dados do anúncio, gerar 4K a partir de texto leva cerca de 10,3 segundos no Highspeed e 16 segundos no Standard. O Nano Banana 2.1 com thinking medium levou 50 segundos no mesmo teste. A comparação deve ser lida com ressalvas. O modo thinking acrescenta tempo de raciocínio antes de desenhar, então a diferença não pode ser atribuída inteiramente à velocidade da geração em si. O post não informa em que hardware foram feitas as medições, então vale conferir os números nas suas próprias tarefas.

Pela API, uma imagem 4K no Standard custa cerca de US$ 0,07, e no momento há 50% de desconto de lançamento. Até 23 de novembro, inclusive, a fal oferece de 3 a 5 gerações gratuitas. Isso basta para testar rapidamente seus prompts sem instalar nada por conta própria.

Execução local: pesada, mas possível

Os pesos são abertos e o código está no GitHub. Mas, junto com o codificador e o VAE, é preciso baixar cerca de 135 GB. Para placas de vídeo de 24 GB, o SGLang sugere descarregar parte das camadas para a memória RAM. Funciona, mas a velocidade cai de forma notável, e os números do anúncio não se aplicam a essa configuração. O ComfyUI já tem templates prontos, então não será preciso montar o pipeline manualmente.

A comunidade já lançou uma LoRA de dois passos para acelerar. O quanto ela prejudica a qualidade ainda não está claro, e isso precisa ser verificado separadamente.

O que fazer com isso

Se você está desenvolvendo um produto com geração de imagens, a ação mais barata agora é esta: pegue de 10 a 20 dos seus prompts reais, incluindo os longos e os com referências, e rode-os nas gerações gratuitas da fal. Observe o que costuma quebrar em tarefas aplicadas: detalhes pequenos, texto no quadro, manutenção do personagem a partir das referências. O 4K nativo só faz sentido se o ganho de detalhe for visível sem upscaling.

Para a execução local, calcule antes o disco e a memória. 135 GB, offload e velocidade desconhecida em uma placa de consumo podem consumir toda a economia em relação à API. Também vale ler a licença no Hugging Face antes de integrar a um produto comercial.

A mudança geral é clara: a resolução 4K e o contexto longo para o prompt tornam-se o patamar básico, e a velocidade de seis passos torna esse tipo de geração adequado para cenários interativos. O resto será mostrado por comparações independentes.