MiniMax H3-Image․ բաց կշիռներով 4K պատկերներ՝ 10 վայրկյանից էլ արագ
2026 թվականի նոյեմբերի 11-ին MiniMax-ը թողարկեց H3-Image-ը՝ պատկերների ստեղծման բաց կշիռներով մոդել, որը հիմնված է H3 տեսանյութերի մոդելի վրա։ Այն ստեղծում է պատկերներ տեքստային նկարագրություններից, հղումային պատկերների հիման վրա և խմբագրում է պատկերները։ Ընկերության խոստումը կարճ է՝ 16 միլիոն պիքսել, 10–20 վայրկյան, բաց կշիռներ։
Տեխնիկական բնութագրեր
| Պարամետր | Արժեք |
|---|---|
| Առավելագույն լուծաչափ | 4096 × 4096 (16 MP), ստեղծվում է բնիկ ձևաչափով՝ առանց լուծաչափի բարձրացման |
| Արագություն | 4K պատկեր՝ 10 վայրկյանից էլ արագ (ըստ արտադրողի) |
| Ճարտարապետություն | 33.1B պարամետր ունեցող դիֆուզիոն տրանսֆորմեր (DiT) |
| Նմուշառում | 6 քայլ, առանց classifier-free guidance-ի |
| Հղումային պատկերներ | մինչև 16՝ մեկ հարցման համար |
| Հարցման երկարություն | մինչև 4096 թոքեն |
| Կողմերի հարաբերակցություններ | 1:1-ից մինչև 21:9 (օրինակ՝ 6272 × 2688) |
| Կշիռներ | բաց, 68.65 GB՝ BF16-ով |
| Տեքստային կոդավորիչ | Qwen3-VL, ընդհանուր է H3 տեսանյութերի մոդելի հետ |
DiT-ը խիտ, 50 շերտից բաղկացած տրանսֆորմեր է՝ 5376 թաքնված չափով։ Այն վերօգտագործում է H3-ի ճարտարապետությունը՝ առանց աուդիո շերտերի։ Հարցումների ընդլայնման կամընտիր checkpoint-ը՝ MiniMax-H3-Image-PE-ն (17.9 GB՝ NVFP4-ով), կարճ հարցումը վերածում է մանրամասն նկարագրության, որն առավել հարմար է մոդելի համար։
Արագություն․ 4K-ը դառնում է ամենօրյա ձևաչափ
Պատկերների մոդելների մեծ մասն աշխատում է 1–4 MP տիրույթում և ավելի մեծ պատկերների համար օգտագործում է լուծաչափի բարձրացման գործիք։ H3-Image-ը 10 վայրկյանից էլ արագ ստեղծում է ամբողջական լուծաչափով՝ 16 MP պատկեր, ինչը, ըստ MiniMax-ի, մինչև 5× արագ է հիմնական այլընտրանքներից։ Standard API ռեժիմն աշխատում է համադրելի առաջարկներից 1.5–2× ավելի արագ, իսկ Highspeed ռեժիմի խոստումն է՝ 3–4×։
Որակ և կառավարում
MiniMax-ը նկարագրում է արդյունքը որպես հարուստ, իրատեսական մանրամասներով պատկեր, որը զուրկ է այն հղկված հարթությունից, որը սովորաբար բնորոշ է AI պատկերներին, և նշում է, որ հարցման պահանջներին համապատասխանությամբ այն գերազանցում է բաց կշիռներով մյուս մոդելներին։ Ստեղծումն ու խմբագրումն օգտագործում են նույն checkpoint-ը, ուստի նույն կշիռներն արձագանքում են տեքստային հարցման, հղումային պատկերների հավաքածուի կամ խմբագրման հարցման։ Հարցման մեջ հղումային պատկերները նշվում են որպես <Picture 1>, <Picture 2> և այլն՝ ըստ վերբեռնման հերթականության։
Ստորև բերված ստուդիական դիմանկարը մոտավորապես 16.7 MP-ով ստեղծված նմուշ է։
Հասանելիություն և գներ
- Բաց կշիռները հասանելի են Hugging Face-ում՝ MiniMax-ի Community License լիցենզիայով։
- API-ն հասանելի է MiniMax հարթակի, MiniMax Code-ի և Hailuo AI հավելվածի միջոցով։
- Ինտեգրացիաները ներառում են ComfyUI-ն (պաշտոնական և գործընկերային հանգույցներ) և Vercel AI Gateway-ը։
API-ի գինը Standard ռեժիմում կազմում է $3.80՝ յուրաքանչյուր միլիոն ելքային պատկերի թոքենի համար, իսկ Highspeed ռեժիմում՝ $7.60։ Մեկ 4K պատկերի արժեքը մոտ $0.069 է, իսկ 1K պատկերի արժեքը՝ մոտ $0.022։ Մինչև 2026 թվականի նոյեմբերի 17-ը MiniMax-ը 50% զեղչ է տրամադրում 16.6 MP և ավելի բարձր լուծաչափով պատկերների ստեղծման համար։
Սահմանափակումներ
MiniMax Community License-ը բացառում է օգտագործումը ԱՄՆ-ում, ԵՄ-ում, Մեծ Բրիտանիայում և Հարավային Կորեայում։ Տարեկան $1M-ից ավելի եկամուտ ունեցող ընկերություններին, ինչպես նաև բոլոր նրանց, ովքեր մոդելն առաջարկում են երրորդ կողմերին որպես հոսթինգով ծառայություն, անհրաժեշտ է MiniMax-ի գրավոր թույլտվությունը։ 4K պատկերի ստեղծման 10 վայրկյան ցուցանիշը արտադրողի հայտարարությունն է, որը դեռ անկախ չափումներով չի հաստատվել։
Որտեղ օգտագործել H3-Image-ը
api.vega.chat (VEGA API). Մեկ API՝ 800+ AI մոդելների համար։ Այն աշխատում է Ռուսաստանում՝ առանց VPN-ի, աջակցում է OpenAI և Anthropic ձևաչափերին, իսկ վճարումը կատարվում է ըստ փաստացի օգտագործման՝ քարտով կամ հաշիվ-ապրանքագրով։ Անձնական տվյալներն անանունացվում են 152 դաշնային օրենքի համաձայն՝ նախքան մոդելին հասնելը, իսկ սերվերները գտնվում են Ռուսաստանում։ Նոր մոդելները, այդ թվում՝ H3-Image-ը, թողարկումից անմիջապես հետո հայտնվում են կատալոգում, իսկ նոր հաշիվներին տրամադրվում է փորձնական մնացորդ։
marfik.media (Marfik). Մեդիա ստեղծելու և խմբագրելու ստուդիա, որն առաջարկում է նաև API՝ մեդիա մոդելների համար։ Կատալոգն ընդգրկում է 500+ մոդել՝ պատկերների, տեսանյութերի, խոսքի, երաժշտության և 3D օբյեկտների համար։ Ստեղծումն ու խմբագրումը կատարվում են AI գործակալի միջոցով, և բաժանորդագրություն չի պահանջվում։