6 步直出 16 MP,仓库里为何没有推理代码?这不是一句反问修辞,而是打开 MiniMax H3-Image 官方仓之后最直接的观感:一个能把图像直接推到约 16 MP、分辨率铺到 4096 量级的开放权重模型,对应的仓库里却没有可运行的推理实现,只有一份模型卡、一份许可证和几项资源文件。本篇是一篇单品深拆,不是发榜、不是跑分横评,也不教逐行部署;它要回答的是这个仓里到底公开了什么、哪些数字来自哪一层材料。文中事实截至 2026 年 11 月 11 日,核验走的是四路可直取的一手材料:官方仓 README 模型卡、官方仓 LICENSE 原文、官方发布博客,以及官方 API 文档。把这几层分开读,比把数字混成一句要紧得多。
一仓两读:先看清仓库里有什么
先说仓库本身。官方仓的精确全名是 MiniMax-AI/MiniMax-H3-Image,GitHub 组织名带连字符,点开 仓库 即可直达。截至 2026 年 11 月 11 日复核,这个仓的 language 字段为空、只有 1 次提交,仓内既没有源码目录,也没有可执行的推理脚本;从目录视角看,内容大致是这样:
MiniMax-H3-Image/
LICENSE
README.md
assets/
examples/
skills/也就是说,它是一份「模型卡 + 许可证镜像仓」:公开的是权重说明与授权文本,仓库里并不含可直接运行的推理实现。README 里确实列出了 SGLang、diffusers、vLLM、ComfyUI 这些推理框架,但那是推荐与对接说明,框架本体并不在这个仓里;站内另有 comfyui-resource 专文谈这类推理框架。若想直接读模型卡与许可证原文,明文地址是 https://github.com/MiniMax-AI/MiniMax-H3-Image,经 raw 通道可以取到两份文档的全文。把开放权重默认理解成连推理代码一起开出来,是读这类仓最容易发生的第一层错位。
这种形态也直接划出了该去哪里找东西:核对架构与权重读 README 模型卡,确认调用边界读官方 API 文档,看授权文本读仓里的 LICENSE,而要把模型真正跑起来,靠的是 README 推荐的推理框架,不是这个仓里的脚本。把材料与用途一一对应,就不会因为「有官方仓」而误以为里面已经备好了可执行实现。
模型卡层:架构与权重事实
把 README 模型卡当作第一层事实来读,它给的是架构与权重,不是市场表述。模型是一个 33.1B 参数的稠密单流 transformer,官方措辞是 dense single-stream transformer,生成与编辑共用一个 checkpoint。采样侧被蒸馏到 6 步,且不带 classifier-free guidance,README 写作 distilled to 6 sampling steps;与之配套的一个硬约束是 num_inference_steps 只接受省略或者取值 6,填其它值会返回 HTTP 400。这一段里,33.1B、6 步、不带无分类器引导是三件彼此咬合的事:参数规模定住模型体量,6 步把采样压到极短,取消引导又省掉一条额外的前向路径。
num_inference_steps 的约束也值得单独记一笔:调用侧要么省略这个参数,要么填 6,填别的值直接返回 HTTP 400,等于把 6 步写成模型的固定行为而不是一个可拨的建议值。读懂这一点,就不会拿别处的步数经验去套它。
把这三件事合起来看,模型卡给出的其实是一套相当克制的采样设定:步数被固定到 6,num_inference_steps 又把调用侧的取值锁死在同一处,等于把怎么采这件事从可调参数变成了模型的固有属性。对读模型卡的人来说,这类硬约束比一句笼统的「快」更有信息量,因为它说清了哪些旋钮是留着的、哪些根本没有留。而 README 里逐项列出的分辨率区间、权重分项与框架推荐,都是可以照着核对的清单,不是需要揣测的形容。
分辨率是这层里最值得单独拎出来的一条。模型卡写的是约 16 MP,在每一种长宽比上直接生成,区间从 4096x4096 的 1:1 一直铺到 6272x2688 的 21:9,并且是 directly and without an upscaler,也就是不经过超分放大直接出图。这里的 16 MP 与 4096 说的是同一件事的两面:4K 的 1:1 目标就是 4096x4096。要注意 README 的实词写法是 16 megapixels 或 16 MP,数字与单位之间带空格;下面要提到的 68.65 GB 也一样带空格,这种细节在转述里最容易被抹掉,却正好是核对原文时的抓手。
权重表给的是 BF16 精度下 DiT 部分 68.65 GB,另列 transformer 子项 66.28 GB、vae 2.34 GB、pdd_fused_heads 12 MB 等分项;可选的 PE 模型是 NVFP4 精度、17.9 GB。文本编码器沿用 Qwen3-VL,模型卡明确写着它不在本仓,需按 model_index.json 指向的 text_encoder 目录从 H3 系列权重里加载,因此这里只有一个名字,不带任何版本后缀。服务侧的编辑端点是 /v1/images/edits,生成与编辑走同一套权重。模型卡还写了 supports up to 16 reference images,也就是最多 16 张参考图;这个 16 指的是输入侧可带的参考图,不是一次能吐出的成图数量,后一点在参数层会更清楚。把这些条目连起来看,模型卡回答的是这个模型是什么、权重多大、怎么被加载,而不是它卖多少钱、比别人快几倍。
发布稿层:速度与定价口径
第二层来自官方发布博客,它和模型卡不是同一份材料,口径也完全不同;凡是这一段的数字,都要带上官方发布稿口径来读。发布稿把 4K 图像生成写进 10 秒时代,正文给的是在 10 秒内生成一张 4K、即 4096 × 4096 的图像;这里的时间只对应 4K 的 1:1 目标,不是所有分辨率都压在 10 秒里,更不是模型卡里的事实,README 全文检索不到 seconds 或 under 10 这类表述。换句话说,10 秒是发布稿的市场表述,6 步蒸馏才是模型卡里的采样事实,两者不能揉成一句当成同一个来源。
速度口径在发布稿里出现了两处,且并不互相覆盖。Speed 段写的是最高可达主流方案的 5 倍速,用的是 up to 5× 这样的上限措辞;到了 Pricing 段,口径被拆成两档,Standard 模式是主流方案的 1.5 到 2 倍速,Highspeed 模式是 3 到 4 倍速。两处并存,读的时候要带段落限定,不能只取其中一个数字当成定论。同样在 Pricing 段,官方给出的定价是主流可比方案的 50% 到 70%;首发周针对 4K 及以上分辨率的图像生成请求给 5 折,但发布稿只写了 For launch week,没有给出具体截止日期,这一点官方未说明,不宜自行推算。发布稿列的服务入口是 Hugging Face、MiniMax API Platform、MiniMax Code 与 Hailuo AI,这几处是可用渠道,不是仓库内容。发布稿里另有一句关于开放权重模型指令遵循的绝对化表述,属厂商自报,本篇不把它当客观结论,也不拿它做排序比较。
也正因为发布稿与模型卡是两份材料,读的时候最好把谁在说记在心里:模型卡是给要加载权重、对接框架的人看的技术说明,发布稿是给要判断值不值得用、大概多快多贵的人看的市场说明。同一个模型,两份材料各自回答各自的问题,把它们拼成一段看似信息密集的连写,其实已经把架构事实、时间表述与促销口径混在了一起,任何一处追问出处都会对不上。本篇宁可分开列,也不做这种压缩。
参数层:API 文档里的边界
第三层是官方 API 文档,给的是调用侧的参数边界。最多 16 张参考图在这里被写成 Reference images 1 to 16,也就是一次请求可带 1 到 16 张参考图;而每次请求实际输出的成图数是 1 到 10、默认 1。这两个数字必须分开念:16 是输入侧参考图的上限,10 是输出侧成图的上限,把参考图上限当成出图数,是转述里最常见的一处错位。
输出面积上限写到 20,000,000 像素,area 档位给的是 1K、2K、4K,默认 4K,4K 的 1:1 目标正是 4096x4096;面积须落在 655,360 到 20,000,000 像素之间,长宽比须在 1:3 到 3:1 之间,越界返回 400。模型名有两个,MiniMax-H3-Image 与 MiniMax-H3-Image-Highspeed,对应前面发布稿里的 Standard 与 Highspeed 两档;生成端点是 POST /v1/images/generations,编辑端点是 POST /v1/images/edits,两个端点都是同步返回。prompt 长度上限 32000 字符,关闭提示增强时仅前约 4096 token 生效。参考图格式限 JPG、JPEG、PNG、WEBP、HEIC、HEIF,单文件不超过 64 MiB,边长在 128 到 8192 px 之间,长短边比不超过 4:1;预览图、蒙版编辑、透明背景都在不支持之列。这些是文档里的硬边界,跟发布稿的速度与定价口径又不在一个层面,混读最容易把参数当成承诺。
这些参数还有一层用处:它们把前面两层里容易被放大的说法收回到可核对的区间里。发布稿说 4K,参数层就写明 4K 的 1:1 目标是 4096x4096、面积上限 20,000,000 像素;模型卡说支持参考图,参数层就写明参考图数量为 1 到 16、单文件 64 MiB、边长 128 到 8192 px。把这些边界摆出来,读者自己就能判断一句表述落在什么范围,而不必依赖二手转述的概括。
许可边界与站内错角
许可证在这里只作一句边界,不展开:官方发布稿对模型的措辞是 open-weight,官方仓里的授权文本是 MiniMax-H3-Image COMMUNITY LICENSE AGREEMENT 这样的社区许可,GitHub 的 license.spdx_id 标为 NOASSERTION;官方博客没有提及许可证名称与商用条件,具体以官方仓 LICENSE 原文为准。把这条边界和站内 2026 年 10 月 24 日那篇 minimax-m3-1-flash-openweight-resource 对照,错角很清楚:那篇讲的是文本模型的权重开放与部署步骤,本篇锁的是图像模型的模型卡架构事实,一个是文本、一个是图像,一个是部署流程、一个是模型卡深拆。
三层分开读的意义
把四路材料拆成模型卡层、发布稿层、参数层,再加一句许可边界,是为了让每个数字都落在它该在的位置。33.1B、6 步蒸馏无 CFG、直出 16 MP 不靠超分、68.65 GB 权重、Qwen3-VL 文本编码器、最多 16 张参考图,属于模型卡,描述模型本身;10 秒 4K、最多 5 倍速、Standard 与 Highspeed 的两档速度、50% 到 70% 定价、首发周 5 折,属于官方发布稿,是面向市场的口径,且速度数字自带段落限定;面积、长宽比、端点、出图数、参考图格式,属于 API 文档,是调用时的硬约束。三层之外,仓库形态又提醒了一件事:这里公开的是说明与授权,不是可直接跑起来的推理实现。
也正因为如此,读这类开放权重模型时,与其急着给它排个高下,不如把口径先对齐:哪一句来自模型卡、哪一句来自发布稿、哪一句来自 API 文档、哪些是官方未说明的。首发周 5 折没有截止日,10 秒只绑定 4K 4096x4096,16 是参考图上限而非出图数,速度的两处数字要带段落限定,这几处恰恰是转述里最容易被压平的地方。把它们分开,剩下的才是可以放心引用的事实。站内此前关于图像模型的专文,比如 qwen-image-2-1-open-source-resource 与 flux-3-image-klein-opensource-resource,写的是各自的模型与架构;本篇不重复那些通用架构的讨论,只把 H3-Image 专属的这几个数字与口径落到实位。
常见问题
Q1:这个仓库里有没有能直接运行的推理代码? A1:没有。截至 2026 年 11 月 11 日复核,MiniMax-AI/MiniMax-H3-Image 的 language 为空、只有 1 次提交,仓内是 LICENSE、README.md 与 assets、examples、skills 等文档和资源,属于「模型卡 + 许可证镜像仓」。README 推荐 SGLang、diffusers、vLLM、ComfyUI,但那是框架对接说明,推理实现不在仓里。
Q2:直出 16 MP 是不是靠超分放大上去的? A2:不是。README 写的是 about 16 megapixels,在每种长宽比上直接生成,从 4096x4096 的 1:1 到 6272x2688 的 21:9,措辞是 directly and without an upscaler,也就是不经过超分。16 MP 与 4096 说的是同一档 4K 目标的两面。
Q3:10 秒生成 4K 是模型卡里写的吗? A3:不是。README 全文没有 seconds 或 under 10 这类表述,10 秒出自官方发布稿,且限定在 4K、即 4096 × 4096 的图像,不是所有分辨率。模型卡里的采样事实是蒸馏到 6 步且不带无分类器引导,两者来源不同,不能当成同一句。
Q4:16 这个上限,指的是参考图还是一次返回的成图数? A4:指的是参考图。16 是输入侧参考图的上限,README 写 supports up to 16 reference images,API 文档写 Reference images 1 to 16。每次请求实际输出的成图数是 1 到 10、默认 1,把参考图上限当成出图数是转述里最常见的错位。
Q5:首发周 5 折到哪一天截止? A5:官方发布稿只写了 For launch week,针对 4K 及以上分辨率的图像生成请求给 5 折,没有给出具体截止日期,官方未说明,不宜自行推算。可用渠道按发布稿是 Hugging Face、MiniMax API Platform、MiniMax Code 与 Hailuo AI。
延伸阅读
如果还想把图像生成这一条线读宽一点,站内的 ai-image-generation-comparison-review 是模型横评的角度,本篇刻意不比高下、只拆 H3-Image 一家的模型卡与发布稿口径,两者可以对照着看。至于模型卡里推荐的 ComfyUI 等推理框架,以及 Qwen3-VL 这类组件在其它图像模型里的用法,站内另有专文,这里不再展开。