上次写 MiniMax
还是 8 月份H3视频模型开源
当时我说小大模型是源神，
因为把友商的视频模型壁垒给打破了，
同时也是第一个，
摸到 SOTA 水准的开源视频模型，
我在 b 站刷到的很多个同人二创，
居然是本地部署 MiniMax H3 跑的
该图片疑似使用了AI生成技术，请谨慎甄别
今天，
H3 Image 也发布了，
依旧开源。
H3 Image是衍生自H3 的图像生成模型，
其具备文本生成图像、图像参考和图像编辑能力。
最牛逼的地方在于
能够在 10 秒内生成一张 4096 x 4096 像素、
约 16 MP（4K）的高分辨率图像，
同时具备优秀的指令遵循和多参考图理解能力。
在 H3 预训练赋予的广泛图像能力基础上，
H3-Image 进一步强化了整个后训练链路，
在数据、强化学习、步数压缩、PE、等方面做了许多优化
使MiniMax H3-image 同时具备了
速度、画面质量、指令遵循三个方面的竞争力
现在已经可以在MiniMax 开放平台、MiniMax Code
和 MiniMax 海螺上面用了
H3-Image 标准模式的速度是市面上主流工具的 1.5-2 倍，
同时，价格仅为同档位主流工具的 50%–70%。
现在再来展示几个 Case～
指令遵循能力强，给多复杂的条件都能听懂，
比如我让他生成一张数学题图片
几秒就生成好了，而且效果很好。。。
接着把一张咖啡机实拍图丢进去，
做成产品爆炸图，
所有部件沿轴线拉开，引线标注中文名称
效果还挺好的
像工程图也能直接画，
吓哭了
最后再来说说H3 Image 是怎么设计的，
与 H3 视频模型同款，DiT 读取其第 50 层的隐状态，
常规生图模型的文本编码器多为 CLIP 档，
对长指令和复杂条件的理解有限
文字、参考图、待生成画面排在同一条序列里。
