MiniMax H3-Image рисует нативный 4K за 16 секунд и открывает веса

Большинство генераторов картинок годами жили с одним компромиссом: модель рисует в разрешении поменьше, а потом апскейлер дорисовывает «правдоподобные» детали. Для превью этого хватает. Для печати, баннеров и крупных макетов уже нет. MiniMax предлагает другой путь: H3-Image генерирует 4096×4096 сразу, без отдельного шага увеличения.

Что это за модель

H3-Image выросла из видеомодели H3, которую MiniMax переделала под статичные кадры. Внутри диффузионный трансформер на 33,1 млрд параметров. Он делает картинку за шесть шагов, а это очень мало для модели такого размера.

Ещё два параметра важны на практике. Промпт может быть длиной до 32 000 символов, то есть в него влезает целое ТЗ: описание бренда, раскладка кадра, требования к стилю. Референсов можно передать до 16, например персонажа, товар, палитру и примеры композиции. Для продуктовых команд это ближе к рабочему инструменту, чем к игрушке: бренд-гайд можно положить прямо в запрос.

Скорость и цена

По данным из анонса, 4K по тексту в Highspeed занимает около 10,3 секунды, в Standard 16 секунд. У Nano Banana 2.1 с thinking medium в том же тесте вышло 50 секунд. Сравнение стоит читать с оговоркой. Режим thinking добавляет время на рассуждение перед рисованием, поэтому разницу нельзя целиком списать на скорость самой генерации. На каком железе мерили, в посте не сказано, так что цифры нужно перепроверить на своих задачах.

Через API 4K-картинка в Standard стоит около $0,07, и сейчас на старте действует скидка 50%. До 23 ноября включительно на fal дают 3–5 бесплатных генераций. Этого хватит, чтобы быстро прогнать свои промпты, не разворачивая ничего у себя.

Локальный запуск: тяжело, но возможно

Веса открыты, код лежит на GitHub. Но вместе с энкодером и VAE скачивать нужно около 135 ГБ. Для видеокарт на 24 ГБ SGLang предлагает выгружать часть слоёв в оперативную память. Это работает, но скорость заметно упадёт, и цифры из анонса к такой конфигурации не относятся. В ComfyUI уже есть готовые шаблоны, так что собирать пайплайн вручную не придётся.

Комьюнити уже выпустило двухшаговую LoRA для ускорения. Насколько она портит качество, пока неясно, и это надо проверять отдельно.

Что с этим делать

Если вы делаете продукт с генерацией изображений, самое дешёвое действие сейчас такое: возьмите 10–20 своих реальных промптов, включая длинные и с референсами, и прогоните через бесплатные генерации на fal. Смотрите на то, что обычно ломается в прикладных задачах: мелкие детали, текст в кадре, удержание персонажа по референсам. Нативное 4K имеет смысл, только если выигрыш в детализации виден без апскейла.

Для локального запуска заранее посчитайте диск и память. 135 ГБ, офлоад и неизвестная скорость на потребительской карте могут съесть всю экономию на API. Лицензию на Hugging Face тоже стоит прочитать до интеграции в коммерческий продукт.

Общий сдвиг понятен: разрешение 4K и длинный контекст для промпта становятся базовой планкой, а скорость в шесть шагов делает такую генерацию пригодной для интерактивных сценариев. Остальное покажут независимые сравнения.