MiniMax lança H3 Image: 16 referências, 4K e prompts de até 32 000 caracteres

Se você já fez uma série de imagens para um mesmo projeto, sabe como isso é doloroso. A primeira geração sai ótima, mas na terceira o herói muda de rosto, a jaqueta tem outra cor e o fundo vive a própria vida. Normalmente isso se resolve com uma combinação de referências, LoRA, inpainting e montagem manual em um editor. A MiniMax propõe outra abordagem: dar ao modelo mais dados de entrada e um briefing técnico longo.

O que exatamente foi lançado

A MiniMax abriu acesso antecipado ao H3 Image na plataforma Hailuo AI. É um modelo para imagens estáticas e, a julgar pela descrição, herda a «disciplina espacial» do gerador de vídeo da mesma empresa. Os modelos de vídeo há tempos são treinados para acompanhar onde cada coisa está e como se move. É lógico que a mesma lógica ajude também em um quadro único.

Segundo as características declaradas:

• até 16 imagens de referência em uma única solicitação;
• proporções de 21:9 (panorama cinematográfico) a 9:16 (vertical para stories e shorts);
• exportação nativa em 1K, 2K e 4K;
• codificador de texto integrado com contexto de até 32 000 caracteres.

Para que 16 referências

Imagine que você está fazendo um banner publicitário de tênis. Antes, era possível dar ao modelo uma foto do produto e um clima «como nesta imagem». Agora, em teoria, dá para enviar fotos do tênis em três ângulos, o rosto e a pose do modelo, uma referência de iluminação, a paleta da marca, um exemplo de fundo e o logotipo. Tudo isso vai em uma única solicitação, e não em uma cadeia de cinco etapas com perdas em cada uma.

Para um product manager, isso significa um pipeline mais curto. Para um desenvolvedor que integra a geração ao seu serviço, é a possibilidade de construir a interface em torno de um «conjunto de materiais», e não de «uma imagem e um campo de texto». Quanto mais o modelo conseguir manter coerente, menos você terá de ajustar à mão.

Uma ressalva: o número declarado de referências não significa que o modelo leve em conta todas as 16 igualmente bem. Na prática, em sistemas multirreferência costumam «vencer» as primeiras imagens ou as mais evidentes, e os detalhes pequenos se perdem. Por enquanto, ninguém verificou isso publicamente.

Prompt longo e 4K

Uma janela de contexto de 32 000 caracteres equivale a mais de uma dúzia de páginas de texto. Para uma imagem, esse volume parece excessivo, mas a ideia é clara. Dá para descrever a cena como um roteiro: quem está à esquerda, quem está à direita, o que há nas mãos, o que diz a placa e em qual fonte. O autor de uma publicação em um canal do Telegram diz diretamente que o modelo «deve interpretar bem» esquemas complexos de posicionamento de atores e a tipografia. Mas isso é uma expectativa, não um resultado de testes.

O 4K nativo também é importante. Sem upscaler, não surge uma camada extra de detalhes «inventados», e o texto e os elementos pequenos recebem mais pixels para serem renderizados direito. Para impressão, telas grandes e recortes de um quadro amplo, isso é significativo.

O que ainda não se sabe

A fonte é um anúncio curto, e muitas coisas importantes não são mencionadas:

• não há benchmarks nem comparação com outros geradores de imagens;
• não se diz se haverá API nem quando;
• preços e limites de solicitações não foram informados;
• não está claro como o modelo lida com o cirílico na tipografia;
• o acesso ainda é antecipado, portanto são possíveis filas, restrições e instabilidade.

Formulações como «a compreensão do prompt, ao que parece, será muito boa» são uma previsão cautelosa, não um fato confirmado.

O que fazer na prática

Se você produz conteúdo visual ou uma ferramenta para isso, vale montar um pequeno teste. Pegue sua tarefa real: um herói que precisa ser reconhecível em cinco quadros, ou um layout com texto em uma placa. Envie de 4 a 8 referências em vez de uma e compare o resultado com o que você obtém hoje. Teste separadamente um prompt longo e estruturado: ele funciona melhor que um curto ou o modelo passa a ignorar o final?

Se você é product manager ou fundador, acompanhe o surgimento da API. É dela que depende se o H3 Image se tornará parte do seu produto ou continuará sendo só mais uma aba bonita no serviço de outra pessoa. Por ora, é a promessa de uma ferramenta forte para geração consistente, e é preciso testá-la na prática, não julgá-la pelo anúncio.