MiniMax H3-Image：开源的 1600 万像素生图模型 6 步出图 4K 一张 0.06879 美元

更新时间:2026-11-11 22:13:23 发布时间:9小时前阅读:9次

MiniMax H3-Image 是 MiniMax 2026 年 11 月 11 日发布的开源图像模型，权重放在 Hugging Face 的 MiniMaxAI/MiniMax-H3-Image，一个 checkpoint 同时做文生图和图像编辑。hailuoai.video 上能选到，/v1/images/generations 端点收 prompt 和尺寸，接口同步返回图片。

MiniMax H3-Image 是什么

它属于 H3 一族。H3 原本是视频模型，这一版去掉音频分支，把生成目标改成单张图，其余结构沿用。

官方博客的日期写 2026-11-11，模型列表页把发布日标成 11 月 10 日，中间差一天来自时区与上线顺序。

Hugging Face 仓库 11 月 3 日就建好了，发布会当天更新到公开。许可证不是 Apache 也不是 MIT，是单独写的 MiniMax-H3-Image Community License。

入口有四个：API 平台分国际与国内两套域名、MiniMax Code、海螺AI 的网页版（国内 hailuoai.com，国际 hailuoai.video）、以及它的桌面端 agent.minimax.io。

MiniMax H3-Image 官方博客首屏 — 博客首屏，标题下面挂日期和一张封面图，再往下是交代发布与改进范围的三段正文

MiniMax H3-Image 一次能出多大

官方给的尺寸口径是每个画幅都出到 1600 万像素，不靠外挂放大。1:1 是 4096×4096，4:3 是 4736×3552，3:2 是 5024×3360，16:9 是 5472×3072，21:9 是 6272×2688。

模型卡里写的有效区间是 400 万到 2000 万像素，1600 万这个点是官方推荐的工作点。

API 侧换另一套说法：输出面积上限 20,000,000 像素，可以只给 area（1K、2K、4K，默认 4K）让服务端按比例算宽高，也可以写 2720×1536 这样的宽高。总面积要落在 655,360 到 20,000,000 之间，宽高比 1:3 到 3:1，越界一律返回 400。

给固定宽高时不缩放也不取整。接第三方排版工具时要自己算清楚，写 2731×1537 就拿 2731×1537，不会帮你修到 2720×1536。

MiniMax H3-Image 快在哪一档

博客标题写的是 4K 图进 10 秒，正文又给了一句“主流方案的 5 倍”。拆开看，这个差距只在 4K 这一档成立。

模型	1K	2K	4K（16MP）
H3-Image 标准	10.6 秒	10.5 秒	16.0 秒
H3-Image 高速	7.7 秒	7.6 秒	10.3 秒
Nano Banana 2.1 中档	17.0 秒	28.0 秒	50.0 秒
Nano Banana 2.1 高档	20.0 秒	31.0 秒	51.0 秒

四行放在一起看，H3 的两个档位在每一列都排在最前，4K 那一列拉开的距离最大；1K 和 2K 两列，四家的数都落在 7 到 31 秒之内，差距按秒算。文生图的延迟本来就跟着画幅走，比快慢要放回同一分辨率里看。

MiniMax H3-Image 官方延迟对比图 — 官方 P50 延迟图，按文生图、单图编辑、三图编辑三组画，每组再分 1K、2K、4K。图例里紫色是 H3 的两个档位，灰色是其他模型

MiniMax H3-Image 的参考图能放几张

上限 16 张，按上传顺序在提示词里叫 Picture 1 到 Picture 16。

每张图要过的检查：

格式 JPG、JPEG、PNG、WEBP、HEIC、HEIF 六种。
单张 64 MiB 以内，整个请求体也是 64 MiB。
宽高都在 128 到 8192 像素之间。
长短边比不超过 4:1。

用 base64 内联时体积是原文件的 4/3，16 张塞满就顶到请求体上限，这时换公网 URL，或者先传文件拿 mm_file:// 引用。

MiniMax H3-Image 十张参考图合成效果 — 官方样张：上面一张空房间加九件家具共 10 张参考图，下面是一次生成的结果，每件家具都进了画面

MiniMax H3-Image 的接口怎么调

两个端点分工明确：/v1/images/generations 出图，/v1/images/edits 带参考图改图。开 stream 之后按张推送，先完成的先到。

在 API 平台建一个 key，导成环境变量 MINIMAX_API_KEY。
请求体填 model 为 MiniMax-H3-Image，prompt 写画面描述，size 给宽高或 auto。
n 设 1 到 10，一次要几张写几张。
编辑时参考图按顺序传，顺序就是 Picture 编号，prompt 里写“把 Picture 2 的沙发换进 Picture 1”。
读 data[].size 确认实际宽高，读 data[].revised_prompt 看模型改写后的提示词。
用 usage.generated_images 核对成功张数。

import os, requests

url = "https://api.minimax.io/v1/images/generations"
headers = {"Authorization": f"Bearer {os.environ['MINIMAX_API_KEY']}"}
payload = {
    "model": "MiniMax-H3-Image",
    "prompt": "A weathered wooden table by a window, morning light, film grain",
    "size": "4096x4096",
    "n": 1,
    "response_format": "url",
}
res = requests.post(url, headers=headers, json=payload, timeout=600)
for i, item in enumerate(res.json()["data"]):
    print(i, item.get("size"), item.get("url"))

输出格式 jpeg 默认，也收 jpg，另有 png 和 webp。response_format 默认 url，要 b64_json 就不能开流式。三样东西不支持：预览图、蒙版局部重绘、透明背景。

一张失败不影响整单。只要有一张成，HTTP 还是 200，失败的那项在 data 里只带 error，成功数量由 usage.generated_images 给出。

MiniMax 图像生成 API 文档的规格表 — 文档里的规格表，六行分别是提示词长度、输出尺寸、每次张数、输出格式、返回格式、参考图数量

MiniMax H3-Image 一张多少钱

计费按 token 走，不按张。Standard 的输入文本 2.30 美元每百万 token、输入图 1.50、输出图 3.80；Highspeed 三档是 2.30、3.00、7.60。

官方另给了一张折算过的单张表，Standard 口径：

任务	输入图	输出图	单张成本
文生图	无	1K	$0.02179
文生图	无	2K	$0.02333
文生图	无	4K	$0.06879
编辑 1 张参考	1K	1K	$0.02654
编辑 1 张参考	1K	4K	$0.07312
编辑 3 张参考	1K	4K	$0.07914

官方原表在 2K 输出上还多两行编辑价，一图参考 0.02658 美元、三图参考 0.04177，上表省掉了这两行。

发布周的折扣只认面积，不认尺寸档位：最终图的像素数不小于 16,600,000，整个请求费用打对折，到 2026 年 11 月 17 日 16:00 UTC 结束。

MiniMax H3-Image 的提示词为什么要写长

模型卡里有这么一条限制：提示词上限 32,000 字符，但关掉提示词增强之后，只有前 4096 个 token 生效。写多长都行，别指望第 5000 个 token 之后的词还算数。

文生图默认开增强，编辑恒开，编辑这边关不掉。增强会把一句中文短句改写成整段英文描述，改写结果在 data[].revised_prompt 里。

要反复调同一个画面，把 revised_prompt 拿出来改，再当 prompt 提交，同时把 disable_prompt_enhanced 设成 true，模型收到的就是你自己那句话。

只想拿提示词不想出图，可以单独打 /v1/h3_image_context_ir，只按输入的文本 token 计费。

MiniMax H3-Image 能不能自己部署

整套权重 68.65 GB，BF16。拆开是 DiT 66.28 GB、VAE 2.34 GB 的 FP32、tokenizer 和 processor 23 MB。文本编码器不在这个仓库，要从 MiniMax-H3 里拉 text_encoder 文件夹，那部分 66.7 GB；机器上已经有 H3 的话不会重复下载。

模型卡里的结构：33.1B 参数的稠密单流 transformer，50 层，hidden 5376，56 个注意力头，FFN 14336，3D 多模态 RoPE，6 步采样，不开 CFG。

官方给了四条推理路线：SGLang、vLLM、diffusers、ComfyUI。SGLang 起服务一条命令：

sglang serve --model-path MiniMaxAI/MiniMax-H3-Image \
  --host 0.0.0.0 --port 30000 --warmup-mode off

一张卡跑不动就按序列并行拆到四张，追加 –num-gpus 4 –ulysses-degree 4。

请求参数里有几项填了就报错：num_inference_steps 只能填 6，guidance_scale 只能填 1，negative_prompt 传了会被拒。min_generation_area 默认 4,194,304 像素，小于这个的尺寸会拉到同比例的大画布上生成再缩回来，设成 1024 可以关掉这段。

提示词扩写另有一份模型 MiniMax-H3-Image-PE，17.9 GB，NVFP4 精度。不想调 API 做增强就装它。