MiniMax H3-Image：10 秒出 16MP 图，本地跑要先看两个条件

MiniMax 放出了 H3-Image，文生图和图像编辑统一在一个 checkpoint 里，权重开源。官方给的核心数字：1600 万像素、10 秒出图、最多 16 张参考图。

先看规格。

16MP 覆盖 4096x4096 到 6272x2688，输出直接就是这个尺寸，不经过上采样。模型是 33.1B 参数的 DiT，蒸馏到 6 步采样，不用 CFG。Hugging Face 上的 DiT 权重 68.65GB，文本编码器还要从 MiniMax-H3 拉 66.7GB。

这个体量指向一个事实：本地部署的门槛不在消费级显卡那边。

官方给了 SGLang、vLLM-Omni、diffusers 和 ComfyUI 的部署方案，支持多卡序列并行。有网友在回复里说已经在 Mac 上用 MLX 跑通了，这种消息通常要自己验证再信。

编辑能力是这次的重点。支持 1 到 16 张参考图，上传顺序对应 prompt 里的 Picture 编号。官方 showcase 里有一组例子：一张空房间加九件家具，合成出一个完整客厅，家具的位置和光影都对上了。

API 的限制很硬。num_inference_steps 只能是 6 或省略，guidance_scale 只能是 1 或省略，negative_prompt 直接不支持，传了返回 400。这些参数没有调整空间，说明模型就是按少步数、无 CFG 这条路线训的。输出上限 2000 万像素，支持流式返回，部分失败时只要有一张成功就返回 200。

然后是一个值得单独看的细节。有网友指出，MiniMax-H3-Image 的社区许可证把欧盟、英国、韩国和美国排除在外。Hugging Face 页面上的许可证名称是 minimax-h3-image-community-license-agreement，具体条款需要自己读。如果这个说法成立，开源权重对这四个地区的开发者来说，实际可用性要打折扣。

另一条回复提到内容过滤对版权素材很严格。放在一个主打精确 prompt 跟随的模型上，创作类用户需要提前知道边界在哪。

实际使用层面，官方 API 首周 16MP 以上生成五折。Hailuo AI 和 MiniMax Code 里也能直接用。想本地跑，先算两笔账：显存，和许可证。

10 秒出 4K 这个数字在 API 侧成立。本地延迟取决于硬件，官方给了 vLLM-Omni 的 per-hardware 数据，查了再决定要不要下这 135GB。

开源图像模型这条线上，H3-Image 的规格确实往前推了一步。但规格和可用之间隔着许可证、显存和内容策略。模型值得试，先把门看清楚。