用 ComfyUI实测新开源模型MiniMax H3 Image,直出 1600 万像素(附官方提示词写法)

用 ComfyUI实测新开源模型MiniMax H3 Image,直出 1600 万像素(附官方提示词写法)

前两篇我们在云端部署了 ComfyUI + MiniMax H3,接着又把 H3 的官方模板带着大家拆了一遍。今天MiniMax 又开源了图像模型 H3 Image ,我发现 comfyui 有现成的官方模板原生支持,实际测了一下,今天把这个过程分享给大家。

在这篇文章中,我会先说H3 Image 能做什么,然后怎么在 comfyui 里面跑起来,最后介绍下提示词怎么写、图像编辑怎么用,我们共同来看下这款生图的开源模型的效果到底怎么样。

一、H3 Image 介绍

H3 Image 是 MiniMax H3 家族里的图像模型,文生图和图像编辑是同一个模型。官方的介绍里,我总结了一些信息:

这里的分辨率需要注意:官方说有效范围在 400-2000 万像素之间,1600 万像素效果最好,低于 400 万像素的话效果会明显变差。所以它不像别的模型那样先出小图再放大,而是直接出的大图。

我用官方模板自带的提示词,分别测了 400 万和 1600 万像素:

其中,生成 400 万像素的用了 6.5 秒,1600 万像素 22.9 秒,我截了原尺寸的局部图放在一起对比:

能看到毛发是一根一根的,主要区别在狐狸的脸上,因为 1600 万像素的更多,所以放大到同样大小,能清晰的看到毛更密、更细腻。

二、如何在 comfyui 里面运行

如果你还没部署 comfyui,可以先看我前两篇关于 comfyui 部署和基础教程的文章。已经部署过的,继续完成升级、补模型,然后打开模板就行了。

1、升级到 0.45.0 以上

官方要求 comfyui 的版本在 0.45.0 以上,模板包在 0.11.104 以上。0.45.0 是刚发的正式版,我们之前用的平台镜像是 0.36.0,所以要先升级。

升级前先备份。 如果你像我们一样做过应用,或者装过插件,先把 ComfyUI/user 和 custom_nodes 这两个文件夹复制一份出来。

升级的方法和之前讲的一样,在 ComfyUI 的文件夹里运行下面两行命令,然后再重启 ComfyUI:

你可以直接发给AI,让他带着你一步一步升级,和之前我们部署 comfyui 的思路是一样的。

2、补模型文件

官方模板用到了四个文件:

文件大小放在哪个文件夹干什么用
minimax_h3_image_pruned_int8_convrot.safetensors21 GBdiffusion_models主模型
qwen3vl_32b_minimax_h3_int8_convrot.safetensors25.3 GBtext_encoders文本编码器,和 H3 视频同一个
qwen3.5_9b_w4a8_gptq.safetensors7.3 GBtext_encoders提示词扩写
minimax_h3_image_vae_fp16.safetensors1.2 GBvae解码,把结果变成图片

前两个是 ComfyUI 官方压缩过的版本(int8)。MiniMax 原版的主模型有 66 GB,这块因为硬件的局限选择不了原版的主模型。

如果你的平台有模型库,可以先去看看有没有 H3 Image,如果有就不用在下载了。

我没发现官方对于显卡和内存给出具体的数据建议,只是提及模板默认从 400 万像素开始,防止配置不够的机器爆显存,这里我们依旧用 4090 48G 进行测试。

3、打开模板

点击comfyui的左侧中的“模板”,搜索 MiniMax-H3-Image,会出现四个选择项:

MiniMax-H3-Image:文生图;

MiniMax-H3-Image:图像编辑,也就是拿图做参考去改图;

另外两个名字后面带(API)的,走的是 MiniMax 的官方接口,不用下模型,但要按次付费。

打开文生图模板:

项目官方说法
能做什么文生图;也能拿 1 到 16 张图做参考,改图、换东西、合成
分辨率原生能出 1600 万像素左右的图,比如 4096 × 4096,不靠放大
步数蒸馏到 6 步,不用 cfg
反向提示词不支持
提示词希望是对整张图的详细英文描述,短的提示词要先扩写
文本编码器和 H3 视频用的是同一个

主要是三个节点:左边的分辨率选择器、中间打包好的 H3 Image 节点、右边的保存图像。

案例 1:官方示例

1、官方的狐狸海报

文生图模板自带一段示例提示词,是一张毛绒狐狸的玩具包装海报,在不改动提示词的情况下我们运行试试。

第一次运行用了 77.8 秒,里面包括把三个模型读进显存和扩写的时间。海报上的几行英文(MINIMAX、H3、IMAGE MODEL、TEXT TO IMAGE,还有右下角四行小字)都没出现错别字的情况。

打开了扩写,但因为这段提示词本来就写得很详细,所以扩写模型只改了第一句的说法,其它的都没动。

这段示例本身就是官方提示词写法的范本,所以可以了解下它的结构学习,后面我们也尝试拆解下

2、同一句中文短提示,扩写开关之间的对比

在MiniMax 官方中文文档里,文生图的示例是一句很短的中文:“一只橘猫趴在窗台上晒太阳,午后暖光,胶片质感”。

我们把这句原样填进模板,在其它的都不变的情况下,对比下打开扩写和关闭扩写的效果:

所以和我们日常使用AI一样,虽然我们可以用一句话让AI直接来工作,但如果想让AI做出更满足你需求的效果,提示词还得写的尽可能的详细一些。

三、怎么写提示词?

我看了官方的一些资料,总结了一些常用的方法

1、文生图

官方放了一个完整的例子:用户只写了一句“俯拍一桌农家菜”,扩写之后变成了一大段。我把它和模板里那段狐狸海报对照着看,结构基本是一样的,按照顺序的话就是下面的五块:

开头一句定整张图:以 The image is 开头,说清是什么类型的图(照片、海报、角色设定图),什么视角,整体是什么色调和光线;

主体写具体:外形、材质、颜色、姿态,比如狐狸写到了毛的长短、哪里被揉得打结;

其它东西按位置一样样写:中间、左上、右下、前景、背景,每个位置放什么;

画面里要出现的字,原样写在英文双引号里,说清放在哪、多大、什么材质;

最后写光从哪个方向来,影子落在哪里。

我按这个结构写了一张武侠电影海报,顺便测一下中文字:

The image is a vertical cinematic movie poster for a Chinese wuxia film, in a muted ink-wash palette of deep green, off-white and black, lit by soft morning mist. In the center, a lone swordswoman in a pale green robe stands in a dense bamboo forest, seen from behind at a three-quarter angle, holding a long sword lowered at her side. Across the top third of the poster, a large vertical calligraphy title reads "竹林剑影" in bold black brush strokes, placed slightly right of center. Below the figure, a smaller line of Chinese text reads "十一月 敬请期待" in a clean white serif typeface, centered. At the very bottom, a block of small credits text in light grey runs across the full width. Light filters from the upper left through the bamboo, casting long soft shadows to the lower right.

400 万像素,关闭扩写的情况下生成。“竹林剑影”四个字和“十一月 敬请期待”都是对的,位置也和提示词写的一样。但最下面那排小字,放大后就完全不行了。

所以大字可以直接交给它,小字和大段说明文字不要指望它,需要的话后期自己加。

自己从零写这么长比较费劲,我一般是把需求交给 AI,让它按这个结构写。

下面是参考指令:

原截帧H3 ImageCodex
尺寸864 × 4801760 × 2368(也能出 3552 × 4736)1086 × 1448
用时无16 秒52 秒(含 Codex 思考的时间)
花钿蓝色叶子形状形状接近,颜色偏蓝绿形状接近,叶子数量和原图不太一样
发饰白色发饰,头发上有竹叶竹叶去掉了,发饰变成一支浅色玉簪白色花朵发簪和竹叶都保留了
皮肤有竹林的光影比较光滑能看到更多皮肤纹理
衣服浅绿交领长袍浅绿交领长袍浅绿长袍,布料褶皱更多

请把下面这段画面需求,改写成一段给 MiniMax H3 Image 用的英文提示词。要求:

git pull
pip install -r requirements.txt

用 The image is 开头,第一句写清这是什么类型的图、什么视角、整体色调和光线;

接着写主体,外形、材质、颜色、姿态都写具体;

再按画面位置(中间、左上、右下、前景、背景)把其它东西一样样写出来;

画面里要出现的文字,原样写在英文双引号里,说清放在哪、多大、什么字体或材质;

最后写光从哪个方向来、影子落在哪里;

不写“不要什么”,想避开的内容改成正面的描述;

只输出提示词本身,一整段英文,不分点。 我的需求:[一句话说你要什么画面],比例 [1:1 / 3:4 / 16:9]。

2、模板自带的扩写

模板里的扩写用的是 Qwen3.5 9B 这个模型(就是第二节那个 7.3 GB 的文件)。MiniMax 官方自己的扩写模型是 27B 的,ComfyUI 换成了小的,官方的说法是为了能和 21 GB 的主模型放在同一张卡上。

官方的扩写模型除了改写提示词,还会建议一个宽高比。但在这个模板里,出图尺寸还是按分辨率选择器来的,我开着扩写跑的几张都还是 1:1,比例要自己选。

四、图像编辑和多图参考

这是H3 Image对视频参考最有用的方式,用一张或者几张图做参考,改成我们想要的样子。

1.编辑模板

打开“MiniMax-H3-Image:图像编辑”模板:

这个模板没有打包,节点都摊开在画布上,按用途分成了几组:模型、条件、采样、用户输入、扩写、输出。我们平时只需要动“用户输入”这一组。

修改要求:左边绿色的文本框,写一句中文或英文就行;

加载图像:放你要改的那张图,它就是 <Picture 1>;

缩放节点:模板会先把输入图缩放到 400 万像素,原因还是那条,低分辨率效果不好;

MiniMax H3 Image Conditioning:接收提示词和参考图,第一个接口(image_1)是要改的那张,后面的是参考;

扩写开关:编辑模板默认是开的,你写一句中文或英文的修改要求,它会看着图帮你写成详细的提示词;

前后对比:跑完可以左右拖动,对比改之前和改之后。

多张图怎么加: 再拖一个“加载图像”节点,输出同时连到扩写节点和条件节点上,它就是 <Picture 2>,以此类推,最多 16 张。

2.官方示例:把出租车换成冰淇淋车

模板自带一张黄色老式出租车的图,修改要求的意思是:把图里的出租车换成一辆粉色冰淇淋车,带波浪边的遮阳棚,侧面角度和停的位置不变。不改任何东西,直接运行:

59.3 秒,其中扩写占了 40 多秒。车换成了带白色遮阳棚、窗口亮着灯的粉色冰淇淋车,后面的砖楼、蓝橙色招牌、涂鸦墙和走路的行人都还在。原图是 1360 × 768,出来的是 2720 × 1536,就是前面说的先放大到 400 万像素再改。

3.编辑提示词的写法

我把扩写模型这次写出来的提示词翻出来看了一下,和官方模型卡里那个编辑例子(两个播客主持人,摘掉耳机、碰拳)是同一个结构:

先给要动的和要保留的东西编号:“<Picture 1> 里的红色涂鸦墙是 <Subject 1>”,招牌、楼、行人也各编一个号;

写目标图是什么样子:出租车换成粉色冰淇淋车,侧面角度不变;

一个个说哪些完全保留(fully preserved),哪些部分保留,保留什么、改什么;

最后写新出现的内容的细节,比如遮阳棚挂在车顶、窗口透出暖光。

我按这个结构整理了一个能直接改的模板:

The [描述] in <Picture 1> is <Subject 1>. The target image is [目标图是什么样子:类型、构图、背景、比例]. <Subject 1> is partially preserved: [保留什么] remain, while [改什么]. [不要的东西] from <Picture 1> are removed. [新内容和光线的细节].

用扩写的话,你只要写一句修改要求,它会自己写成这种结构。自己写的时候,最容易漏的是“保留什么”,没写清楚的地方,模型可能会顺手一起改掉。

4.需要注意的地方:不要拿它出的图接着改

这一条是实测踩出来的。我先用编辑模板出了一张女侠的角色图(第五节那张),然后拿这张结果接着改,每轮只改一处:第 1 轮衣服换成浅蓝,第 2 轮加一支发簪,第 3 轮背景换成米色,第 4 轮改成微笑。脸部截原尺寸来看:

第 1 轮缩小还正常,衣服也按要求正常的更换了颜色,但放大以后你会发现脸上已经多了一些纹理;第 2 轮就更明显了,到第 4 轮更是整张图都花了。我又试了一次只改一轮、但一次改两处,结果和第 1 轮一样有纹理。所以问题不在改了几轮,而是把 H3 Image 自己出的图再拿去编辑,就容易出这种问题。

换个做法:回到最开始的视频截图,把“衣服换浅蓝”和“加发簪”写进同一段提示词,一次出图:

这次就是干净的。所以我的做法是:改图从原始素材出发,要改几处就一次写全,不满意就回到原图重写提示词,不在结果上接着改。

另外,显存不够时把缩放节点的百万像素调小,这是官方教程给的办法。

五、用视频截图做一组角色图

前面都是官方的例子,这一节用我们自己的素材。

之前我们分享过角色资产图的做法:面部占比高的上半身写实图更稳,做长片再配一张无脸的全身角色卡。这一节就用 H3 Image 把这两张做出来。

原图是第一篇里数字人口播那条视频的截图,只有 864 × 480,竹林里一个持剑的女侠:

上半身角色图

用编辑模板,原图连到 image_1,扩写关掉,条件节点的宽高设成 1760 × 2368(3:4,400 万像素),提示词按第四节的结构自己写:

The woman in <Picture 1> is <Subject 1>. The target image is a high-resolution, photorealistic upper-body character reference portrait of <Subject 1>, front-facing and centered, framed from the top of her head to the middle of her chest, against a plain light grey studio backdrop. <Subject 1> is partially preserved: her identity, facial features, the small blue-grey leaf-shaped mark on her forehead, her long black hair tied up with a white hair ornament, and her pale green layered robe remain, while her pose changes from stretching out her arms with a sword to standing still with both arms relaxed at her sides, looking straight into the camera with a calm expression. The bamboo forest, the falling leaves and the sword from <Picture 1> are removed. Soft, even frontal light with gentle fill from both sides shows natural skin texture, individual strands of hair and the woven texture of the robe, with only faint shadows under the chin.

16 秒出图。额头的花钿、发髻、浅绿色的交领长袍都保留了,竹林、落叶和剑都按要求去掉了,取景正好到胸口。

同样的提示词,宽高改成 3552 × 4736 就是 1600 万像素,45.6 秒。放大到原尺寸,睫毛和眉毛是一根一根的:

2.无脸的全身三视图

还是这张原图,宽高改成 2720 × 1536(16:9),换一段提示词:

The woman in <Picture 1> is <Subject 1>. The target image is a clean character turnaround sheet of <Subject 1> on a plain white background, showing three full-body views side by side from left to right: front view, left side view and back view, all at the same scale, standing upright in a neutral pose with arms slightly away from the body. <Subject 1> is partially preserved: her body proportions, her long black hair tied up with a white hair ornament, and her pale green layered robe with wide sleeves remain, while her face in every view is softly blurred so that no facial features can be seen. The full length of the robe, the waist sash and the cloth shoes are shown clearly in each view. Even, shadowless studio light keeps the white background clean.

15 秒。正面、侧面、背面三个角度,脸都按要求模糊掉了,背面能看到长发和发髻的样子。原图里看不到下半身,长袍的下摆、腰带和鞋子都是模型自己补的,三个角度的衣服是对得上的。

3.中文需求 + 扩写,和自己写提示词比一比

如果不想自己写英文,也可以直接写一句中文需求,打开扩写。我写的是:

这是一张古装武侠女性角色的视频截图。请保持她的长相、额头的花钿、发型和浅绿色长袍不变,生成一张写实的上半身正面角色参考图:纯浅灰色背景,从头顶拍到胸口,双手自然放下,平静地直视镜头,光线柔和均匀,比例 3:4。

50 秒,其中扩写占了 30 多秒。花钿、发型、长袍都保留了,但取景没有按“到胸口”来,拍到了腰,双手也露了出来;头发上还带着原图里飘的竹叶。自己按结构写的那版,这几处都更贴要求。

4.和 Codex 出的放在一起看看

我平时做角色图主要用 Codex。所以同一张原图,把上面那段中文需求原样发给 Codex,也出了一张。两边各出一次,不挑图:

脸部各截一块:

以上就是 关于H3 Image 的全部分享,如果你有想看的其它测试部分,欢迎评论区留言。

觉得这篇文章有价值的,欢迎点赞收藏和转发,我也会持续分享 AI 创作相关的内容~