MiniMax-H3-Image 首日通宵实测
MiniMax 昨天开源了 H3-Image。有什么可玩之处? 跟Seedream 5.5和GPT IMAGE比起来又如何?
官方宣传的卖点有三个:原生 1600万像素 ( 4096 × 4096分辨率)直出、6 步出图、开源模型里最强的指令遵循,同一个 checkpoint 既能文生图也能编辑,编辑时最多可以喂 16 张参考图。
我当晚就把它下载到了一台 4090 机器上,跑了 240 张图测试,到天亮。图片很多,视觉盛宴,慢慢看。要看牛逼的直接跳到第七章。
看一张真4K随意放大:
先说结论
一张 4090 能跑,而且不慢。 按 SGLang 的逐层 offload 方案,2K 图大约 17 秒一张,16MP 图大约 82 秒一张。显存占用远低于预期,代价是要吃掉 160GB 左右的主机内存。
16MP 是真的,最高4096 × 4096分辨率。 放大到 100% 去看,头巾的经纬线、眉毛、梯田水面的反光都是"画出来的",不是插值放大出来的。这是我在开源模型上第一次看到这种密度。
大字很准,小字还是乱码。 海报标题、价签、杂志封面的大字几乎都对;报纸正文、信息图说明这类小字仍然是看起来像字的纹理。
多图参考很强。 16张参考图拼一个客厅,9 件家具全部放了进去;白模转实拍的构图一像素都没跑。
连续编辑严重崩坏。 拿上一轮的输出接着改,第 3 轮开始出现噪点,第 10 轮人已经认不出来。同样的 80 轮测试,Seedream 5.5 一直很干净。我换了分辨率、kernel 路径、提示语言做排查,崩坏都完全一样。
提示词要写长、写英文。 一句中文短提示,效果和英文详细描述差很多。官方也明确说过模型"期望完整的英文描述"。
一、部署
135GB 权重,一张 48GB 卡,先算账
全部加起来大约 135GB。每个 DiT token 对应 32×32 像素(VAE 16 倍下采样,再 2×2 patch),所以 4096² 的图只有 16384 个图像 token。这就是它能在"可接受的算力"内做 16MP 的根本原因。
单卡 48GB 肯定放不下 bf16 的全部权重。SGLang cookbook 给 RTX 6000 Ada / 4090 这档 48GB 卡的推荐方案是:
sglang serve --model-path MiniMax-H3-Image \
--component-paths.text_encoder MiniMax-H3/text_encoder \
--component-residency all=layerwise-offload \
--layerwise-prefetch-size transformer=1,text_encoder=1,video_vae=1 \
--minimax-h3-adaln-online true
逐层 offload 的意思是:权重常驻在主机的锁页内存里,算到哪一层,就把哪一层搬上 GPU。adaln-online 会预先算好时间步投影,然后把那部分权重释放掉,能省二十多 GB。
实测内存峰值163GB, 显存峰值20.6GB,nvidia-smi显存峰值33.5GB(含缓存)
速度还是很快的:
几点值得说:
- 按这个显存占用,24GB 的卡也有希望跑。 cookbook 说他们在 8GiB 的分配上限下验证过 2K/4K 生成。
- 门槛不在显存,在内存。 要准备 192GB 以上的机器内存,再加上 NVMe。
量化版可以进一步减少占用
二、4096X4096超高清:最大亮点
16MP 就是一张图大约 1600 万个像素,4096×4096。成都菜市场。右边是原图左上 1/3 处 1024×1024 像素的原样裁切,没有缩放。青菜叶上的水珠、竹筐的编织纹路、鸡蛋表面的斑点都是清楚的。
价签上的中文,"青菜 3元/斤""土鸡 12元/斤"都写对了;"二荆条"有一张写对、一张写成了形近字。问题也不大。
人像是最考验 16MP 的。100% 看头巾,能看到粗布的经纬线和起的毛球;眉毛是一根一根的,不是一团。
问题是皱纹被"刻"得太深,局部有点泥塑感。这像是为了追求细节,在高频上用力过猛。后面连续编辑的崩坏,可能和这个倾向有关。
21:9 的 6272×2688 直接出,地平线附近的梯田依然有清楚的水线和田埂。
三、文字渲染:大字过关,小字依旧是"字形纹理"
中文电影海报书法标题、副标题、主创、上映日期全部正确。
中文菜单标题和 8 道要求的菜、价格都对;但右栏多出了幻觉菜品和重复项
黑板逻辑题题目抄写基本正确,"答案:甲是班长"框也对。但答案是我写在提示词里的;要求它写的"推理过程"只是把条件又抄了一遍,还混入了乱码。
咖啡信息图标题和柱状图(66/29/12/11)正确;6 步只画了 4 步(漏了 EXPORT 和 GRIND),说明小字全是乱码。
能不能生成高密度报纸?报纸头版报头正确,大标题拼成了 "FLOATING LIBE RY",正文是乱码
四、指令遵循:属性绑定稳,计数和细节偶尔漏
计数:7 个苹果排一排、3 个梨摆成三角形,数量和排列都对;但"第 4 个苹果带叶子"做成了第 5 个。
空间关系:杯子和铅笔在左、笔记本和红丝带在中间、仙人掌在右、闹钟在仙人掌后面、墙上挂灯塔照、桌下睡着灰猫,全部做到了。只有闹钟时间不是要求的 7:15。
属性绑定:三个人各自的帽子、衣服、裤子、鞋、手里的东西、23 号球衣,一项都没串。
长提示:五层楼剖面加屋顶花园,它画成了两栋并排的楼,每层的细节只兑现了一部分。
五、风格
工笔(题字"松鹤长春"和印章都对)、水彩、像素、黏土、动画、厚涂油画都很稳。手部特写的手指数正确。
角色设定图做出了三视图加三个表情,背包 logo "FLASH" 也对,但正面视图里背包基本也对。
六、中文短提示 vs 英文详细描述
官方 README 写得很直白:"MiniMax-H3-Image expects a detailed English description of the whole image"。官方 API 会先用 Context-IR 把短提示扩写,本地部署则需要另外跑一个 18GB 的 PE 模型。PE 是 NVFP4 格式,4090(Ada 架构)没有原生支持,我这次没有跑。
所以我直接对比了"一句中文"和"我手写的英文详细描述":
"一只橘猫趴在窗台上晒太阳":两者都可以,英文版构图和光线更讲究。
"赛博朋克风格的重庆夜景":中文短提示完全跑偏,画成了一个士兵站在金属门框前,看不到重庆。英文版有穿楼轻轨、霓虹、江雾。
"给奶茶店设计开业海报,店名山野茶":中文短提示的店名对了,但下面是大段乱码;英文版是一张能直接用的海报。
结论:本地部署时一定要准备一个提示词扩写环节,或者直接让agent做。
七、最牛逼的:多参考图是真本事
10 张参考图摆一个客厅:空房间加 9 件单品。沙发、圆茶几、琴叶榕、弧形落地灯、几何地毯、书架、蓝丝绒扶手椅、橙蓝抽象画、藤编吊灯,9 件全部按要求放进去了,外观和参考图一致,窗户和光线也保留了。
白模转写实:房子、灯塔、小船、石桥的位置和机位完全不变,材质、天光和海水都"长"了出来。
地图转第一人称视角:瀑布、吊桥、城堡的方位正确,左上角也放了小地图;但画面里莫名多了两个红箭头。
人物 + 夹克 + 街景:脸、银色波波头、圆眼镜都保持住了,红皮夹克也穿上了。
英文海报改字:标题、日期地点、背景色一次全改对,字体和版式不变。人物位姿也能遵循。
八、连续编辑:H3最大的BUG
我沿用了之前测 Seedream 5.5 的两套连续编辑题,每轮都把上一轮的输出当输入,提示词完全一样,每轮只出一张,不挑图。
80 轮换装:每轮只改一处(衣服、发型、墨镜、耳环、饮料轮换),其他要求保持不变。
秒针前进一小格:每轮让秒针顺时针走一格(6°),其他保持不变。
这次对比80 轮换装。 第一个是H3 VS Seedream 5.5 VS GPT Image 2.5
第 1 轮完全正常:牛仔衬衫换得很漂亮。从第 3 轮开始,皮肤和衣服上出现高频噪点;第 5 轮整张图像被锐化过度;第 10 轮人脸已经碎成色块;第 20 轮以后就只剩彩色噪声了。
公平地说,GPT 到第 20 轮以后脸上也开始出现色斑;但 H3 是第 3 轮就开始坏,第 10 轮之前就已经不可用。
目前不要用它做多轮迭代编辑。每一次编辑都应该回到原图出发。
秒针
中文提示:第 1 轮秒针走了 26.4°,相当于 4 格多;之后 11 轮完全不动,表盘纹理逐轮变脏。
英文详细提示:第 1 轮正好走 5.6°,比 Seedream 5.5 第一步的 10.8° 还准。但第 2 轮秒针又退回 12 点,然后一直卡在那里。
九、总结:它适合做什么
适合:
- 需要 16MP 直出的场景,比如海报、印刷品、壁纸、电商主图、概念设计。细节密度是它目前在开源模型里最大的优势。
- 多参考图合成、白模或线稿转实拍、换装换景。
暂时不适合:
- 多轮迭代编辑,或者"在上一张基础上再改一点"的交互式工作流。
- 依赖小字的版面,比如信息图、报纸、菜单说明。
- 直接接受用户的中文短提示。
部署门槛:一张 48GB 卡加 192GB 以上内存就能跑,2K 约 17 秒、16MP 约 82 秒,对 33B 级别的 DiT 来说很友好。
范围与说明
所有结果来自单张 48GB RTX 4090、SGLang 首日集成分支、BF16 原生精度、逐层 offload。没有测 FP8 量化,也没有和官方 API 对照。
一张 4090 能跑,而且不慢。 逐层 offload ,2K 图大约 17 秒一张,16MP 图大约 82 秒。进一步的速度测试,这次没有做,这次效果为主。
每个用例固定 seed=42、只出一张,所以是定性观察,不是统计结论。
Seedream 5.5 和 GPT 的连续编辑结果来自我之前用同一套题目、同一张起始图的测试,提示词完全一致。
关注 @MinLiBuilds , 转发这个帖子, 这家伙太敬业了,一晚上没睡就给我们测这个。