10秒生成4K图：MiniMax再次开源SOTA

编辑｜泽南、杨文 「GPT is cooked.」 这两天，这句话在 AI 社区里反复出现。让人坐不住的是 MiniMax 刚发布的图像模型 MiniMax H3 Image 。 这是一个原生 4K 直出、10 秒级生成、支持 16 张参考图的模型，本周二刚刚开源， 刷新了 开源图像模 型的 SOTA 。从大家的第一波反应看，这个说法似乎并不夸张。 有提前拿到内测权限的开发者进行了大量测试。在新模型输出的内容里，AI 人像那层「塑料皮」没了，毛孔、雀斑、汗毛都清晰可见。人们对它在游戏设计、角色设定和 3D 场景上的能力赞不绝口。 在今天更新的 Artificial Analysis 榜单上， MiniMax H3-Image 在文生图、图像编辑两项榜单中均位列开放权重模型第一 。 MiniMax H3 Image 支持网页端直接用，也可以通过 API 的方式在 MiniMax Code 或是其他 harness 中使用来完成一些复杂的任务。而且因为它是开源的， 有人已经在搞本地部署 了。 GitHub：https://github.com/MiniMax-AI/MiniMax-H3-Image HuggingFace：https://huggingface.co/MiniMaxAI/MiniMax-H3-Image 我们第一时间拿到了新模型的使用权限，帮大家看看实测是个什么水平。 重新定义画面美学与「真实感」 这款新模型已经在 MiniMax Code 里面上线，打开一看支持多达 16 个参考图，生成的图片最高可达 4K 分辨率。 我们以普通用户的视角，把日常会用到的场景按四个能力维度挨个测了一遍，先看真实感，再啃文字和人脸这两个经典难题，最后试试图生图的二次创作。 真实效果是第一关 。最容易暴露 AI 痕迹的，往往是我们每天都在看的东西，比如微信聊天界面。 提示词：生成一张微信聊天截图：我先给对方发送一张非常逼真的可口可乐照片，并说：“这是 MiniMax H3 Image 生成的” 对方回复：“我的天啊” 然后我再说：“开玩笑的，这是我自己拍的” 请确保截图包含高度逼真的 iPhone 状态栏细节，包括时间、电池电量和信号强度。 我们只输入一段提示词，MiniMax H3 Image 就把一张完整的微信聊天截图生成出来了。 这类日常界面之所以难，是因为人眼对熟悉场景的容错率极低。微信界面有相对固定的视觉规范，字体稍微偏粗、聊天气泡间距差一点，或者状态栏图标比例不对，立刻就会被识破。 很多模型在生成类似聊天截图时，要么界面元素错位变形，要么产品照片出现不自然的高光，真实感大打折扣。 而 MiniMax H3 Image 生成的 iPhone 状态栏、微信 UI 布局、聊天气泡、头像，细节都相当到位；可口可乐照片也足够逼真，瓶身冷凝水、光影反射、桌面纹理都很自然，几乎看不出 AI 痕迹。 接下来是 生图模型的老大难问题，即 文字的渲染 。以往的模型不是错字、乱码，就是拼写崩坏，这次我们直接让 H3 Image 来个复杂的，生成张涂鸦： 提示词：这是一张写实风格的竖构图照片，画面中一列带有岁月痕迹的银色不锈钢地铁车厢停靠在粗粝的地下车站内。车厢侧面覆盖着一幅巨大的狂野风格涂鸦，横跨了整排车窗。涂鸦由棱角分明的 3D 立体块状字母组成，拼写出 “MiniMax H3 Image” 字样；字母内部填充着鲜艳的橙色并带有渐变效果，配以深蓝色的 3D 投影、粗黑的轮廓线以及细白的亮线，甚至还能看到新鲜喷漆留下的垂流痕迹。背景中，工业风的天花板裸露在外，可见生锈的钢梁、管道、线缆以及冷色调的荧光灯管；混凝土墙面上布满了污渍与积垢，下方则是铁轨和碎石道砟。画面呈现出冷调的荧光灯光感与金属反射质感，经过电影级调色处理，带有细腻的胶片颗粒感和轻微的暗角效果，营造出地道的纽约地铁氛围。整张照片仿佛由 35mm 镜头拍摄，细节丰富，展现出原始而真实的城市街头摄影风格。 「MiniMax H3 Image」这一长串字母不仅有完整拼写，还做出了立体造型、渐变填充和喷漆效果。文字能力能做到这一步，已经有几分画面设计的意思了。 人物写真想出大片感 ，考验的可不只是颜值，面部刻画、服装细节和光影氛围都得在线。我们挑战了一组维密后台大片： 提示词：Create a glamorous photoshoot in the style of Victoria’s Secret. A young woman attached in the uploaded reference image ( Keep the face of the person 100% accurate from the reference image ) stands almost sideways, slightly bent forward, during the final preparation for the show. Makeup artists apply lipstick to her (only her hands are visible in the frame). She is wearing a corset decorated with beaded embroidery and crystals with a short fluffy skirt, as well as large feather wings. The image has a “backstage” effect.The background is a darkly lit room, probably under the podium. The main emphasis is on the girl’s face and the details of her costume. Emphasize the expressiveness of the gaze and the luxurious look of the outfit. The photo is lit by a flash from the camera, which emphasizes the shine of the beads and crystals on the corset, as well as the girl’s shiny skin. Victoria’s Secret style: sensuality, luxury, glamour. Very detailed. Important: do not change the face. 水晶珠饰、羽毛翅膀等复杂元素细节拉满，直闪打下来，模特皮肤光泽和服装反光层次分明，随手一拍就是时尚杂志内页。 换个风格，试试电影感人像： 这张街头人像很有电影截图的感觉，人物回眸的瞬间被清晰定格，周围行人则被处理成大幅动态拖影，一静一动，画面张力一下就出来了，整体氛围、镜头感和情绪表达，都是在线的。 我们还解锁了千禧年复古写真。 提示词：Without changing her original face, create a port