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

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。