MiniMax выложила открытую модель H3-Image: 16 МП без апскейла за 6 шагов

Большинство открытых картиночных моделей рисуют в 1–4 мегапикселях. Всё, что крупнее, приходится гнать через апскейлер, который дорисовывает мелкие детали и иногда портит текст или лица. MiniMax выпустила официальную открытую модель MiniMax-H3-Image на базе H3, которая работает с большими разрешениями напрямую.

Что умеет модель

Главная цифра — 16 МП без апскейлера. Это форматы от 4096×4096 до 6272×2688, а рабочий диапазон заявлен как 4–20 МП. Для печати, больших баннеров и крупных превью это экономит один шаг в пайплайне и убирает артефакты апскейла.

Вторая особенность — скорость генерации. Чекпоинт дистиллирован, поэтому ему хватает 6 шагов (NFEs). CFG не нужен, негативный промпт тоже. Из настроек остаётся меньше параметров, которые приходится подбирать вручную.

Третья — редактирование с референсами. Модель принимает до 16 изображений. Первое — то, что вы правите. Остальные задают персонажей, объекты, материалы и композицию. Например, берёте фото интерьера и добавляете в кадр конкретный диван и текстуру ткани, а персонажа подтягиваете с отдельной картинки.

Ещё MiniMax заявляет лучший instruction following среди открытых моделей и сильную работу с текстом. В примерах модель решает логические пазлы и рисует доски с условиями. Это заявление самой компании, независимых сравнений в посте нет, так что проверяйте на своих промптах.

Что нужно по железу

Модель тяжёлая, и это главное ограничение. По описанию:

• 24 ГБ VRAM — рабочий минимум. int8 DiT занимает 21 ГБ и тянет 4 МП, а текстовый энкодер уходит в оперативную память. Запас получается совсем небольшой.
• 16 ГБ — только веса w4a8 (12,5 ГБ) и 2–4 МП, причём без гарантий.
• 32 ГБ — уже комфортно, 4–8 МП.
• 48 ГБ и больше — можно делать 8–16 МП без оффлоада.

На диске понадобится около 50 ГБ под INT8-комплект и около 93 ГБ под BF16. Оперативной памяти нужно от 64 ГБ: энкодер при оффлоаде занимает 27 ГБ, и иначе его некуда девать.

Замеров скорости на потребительских видеокартах пока нет. Автор поста просит тех, кто запустит модель, делиться цифрами. Так что реальное время на одну картинку на RTX 4090 или 5090 пока неизвестно.

Как начать и кому это пригодится

Стартовые настройки такие: 4 МП, 6 шагов, CFG 1, сэмплер euler и планировщик simple. Модель доступна на Hugging Face, есть демо-спейс, а Comfy-Org выложили репак и гайд для ComfyUI. Если вы уже работаете в Comfy, подключить её можно без отдельной инфраструктуры.

Для разработчиков и продактов вывод простой. Если ваш продукт генерирует крупные изображения (постеры, рекламные макеты, карточки товаров, концепт-арт), стоит проверить H3-Image. Особенно полезна она там, где сейчас в цепочке стоит апскейлер или нужна консистентность персонажей через референсы. Открытые веса позволяют держать всё у себя и не платить за API по каждой картинке.

Есть и оговорки. Требования к памяти отсекают большинство домашних видеокарт. Скорость и качество на реальных задачах пока не проверены независимо. Заявление про лучший instruction following остаётся маркетинговым, пока кто-то не прогонит сравнение с другими открытыми моделями. Разумный план: взять демо или арендовать GPU на 32–48 ГБ, прогнать 20–30 своих типовых промптов на 4 МП и посмотреть, держит ли модель текст и композицию. Только после этого решать, стоит ли переносить на неё продакшен.