MiniMax 开放了一个 331B 图片模型的权重,十秒出图

MiniMax 在 November 10 晚上把 H3-Image 放上了市场,距离它派生自的那个视频模型过去了三个月。然后它做了一件在图像生成第一梯队里几乎没人再做的事:把权重公开了。
这是一个 331B 参数的稠密扩散 Transformer,50 层。它保留了 H3 的 Qwen3-VL 文本编码器,去掉了视频模型上的音频分支,文本塔配一个图像 VAE,参考图和生成结果都走这一套。Hugging Face 上的技术材料讲的就是这些,架构层面没有别的故事。没有 MoE 那类把推理成本压下来的技巧。它就是稠密,就是大。
速度的说法是 4096x4096,差不多 16MP,十秒左右,MiniMax 说这是主流工具的五倍。价格才是争论变尖锐的地方。MiniMax 自己的估算,1024x1024 一张约 $0.022,4096x4096 一张约 $0.069。Highspeed 版本是 $0.035 和 $0.13。按 token 计费,4K 在 November 17 之前半价。
榜单说它排第 23
Artificial Analysis 现在把 GPT Image 2.6 Sunburst 排在文生图第一,Seedream 5.5 第十,H3-Image 第二十三。编辑榜上顺序变了,形状没变:OpenAI 第一,ByteDance 第六,MiniMax 第十二。
这没什么可意外的。三个发布前后差不到七十二小时,两个闭源模型在指令遵循上被强化学习磨了好几年,专门对付脏提示词。榜单能看出的是,MiniMax 相对最强的地方在编辑,不在从零生成。在一个拥挤的编辑赛道里排第十二,比在生成里排第二十三好看,也和这产品实际擅长的事对得上:拿住一张参考图,改一处,别动其它地方。
中文区的评测这一周就在测这个。一位 Bilibili 创作者拿 Seedream 5.5 做了一百轮局部编辑,最满意的是没被碰的区域真的没被碰。另一位拿 H3-Image 做了同类的折磨测试,给出的结论很标准:快、便宜、单点修改听话,复杂构图一次做对还是差一步。
这是比较诚实的读法。如果你要一张营销主视觉,提示词只有一次机会,闭源模型还是赢。如果你要四百张固定背景的产品图变体,排名的重要性远不如账单。
第一天就有十二家芯片厂商
被 benchmark 讨论盖住的一个细节是芯片名单。发布当天 MiniMax 说它在和 Huawei Ascend、T-Head、Cambricon、Moore Threads、Biren、Hygon、MetaX、Iluvatar、NVIDIA、AMD、Intel、Tenstorrent 合作,另外还有一批推理和云平台。
这份名单再看一遍。十二家里有八家是中国加速器厂商。一家早就得围着出口管制设计 H3 视频线的公司,不会碰巧在发布会幻灯片上放十二家厂商。那份名单就是部署计划,只是被写下来了。
开放权重到这里才有了实际意义。331B 的稠密模型跑不了笔记本,任何值得出货的分辨率下也跑不了单张消费级卡。现实的自托管方案是一个机柜,或者一台租来的节点,插上你实际买得到的加速器。没有这层芯片支持就发权重,结果只会是一个 Hugging Face 页面,别的什么都没有。带上这层支持发,就多了一个选项。

这个体量的开放权重能买到什么
这里有个合理的反问。模型要一个机柜,那受众是谁。
三类人,没有一类是爱好者。
第一类是有数据驻留要求的人。银行、医院,还有越来越多和政府沾边的采购方,不能把客户图片发到美国托管的端点,端点再好也不行。一个能下载、许可证宽松的模型,决定了项目停在试点还是能签合同。
第二类是产品依赖某种特定视觉惯例的人。微调闭源模型意味着好好跟厂商申请,然后等。微调一个 331B 稠密模型照样要花真钱,但整个循环是你自己的,产出的 checkpoint 是你拥有的资产,不是你租来的配置。
第三类是价格底线本身。每一个这个质量级别的开放发布,都给采购方提供了一个可以指着说的数字。下季度厂商要涨价,反驳的论据就是一个下载链接加一份 GPU 报价。这个论据不需要真的有人去跑那个模型。
许可证那条脚注
在有人围着它规划产品之前,值得先说一句:许可证不是 Apache。目前看到的说法是自定义开放权重许可,几个常见追踪站的 open weights 板块都在逐条读,没有直接放行。对一家西方公司来说,实际问题有三个,能不能商用,输出归谁,许可证里有没有和司法辖区挂钩的限制。
最后一条不是假设。这个月早些时候,三家公司同一天在 MiniMax 的 H3 上做了视频产品,而那个模型的许可证最后被发现把美国排除在外。把开放权重读成随便用的人,之前已经在这上面吃过亏。
实际怎么用
Runware 和 OpenRouter 都上了 H3-Image 和 H3-Image Highspeed,按 MiniMax 的 token 价走,所以最快的测试方式是一张信用卡加一个 API key,不用走 GPU 采购流程。生成支持 1024、2048、4096,参考图能收一到十六张,如果你要让一个产品在整个目录里保持一致,这个数字才是关键。
自托管的话,Hugging Face 的模型卡和 MiniMax 的仓库是起点,比较实在的建议是先在租来的硬件上跑 Highspeed 版本,再决定要不要上完整模型。16MP 十秒是厂商在自己栈上测出来的厂商数字。在你自己的节点上,用你自己的 batching,先准备花一周调,再判断这笔账算不算得过来。
这次发布真正改变了什么
三年前,这个体量的图像模型会是一份研究产物。今天它和两个闭源对手一起上市,质量排在中游,价格赢,发布时伙伴名单上已经躺着十二家加速器厂商。
排名会变。MiniMax 有一个视频模型,一直在接外部公司的后训练工作,图像这条线会得到同样的待遇。不会变的是这笔交易的结构:闭源模型保持质量领先,开放模型继续把价格往下压,把部署选项留着。
这笔交易值得知道,哪怕你永远不会去下载权重。下次有厂商给你报每张图的价格,会议室里现在有人可以问一句,开放的替代方案要多少钱。一周之前这个问题还没有好答案。
相关文章
「宿命感拉满的橘子海剪影」:一句提示词把情绪拆成了参数
11 月 19 日到 20 日,小红书和抖音同时刷起「橘子海剪影」。点进去会发现多数人并没有站在落日下,他们把自己的一张照片交给豆包,出来的是一张 3:4 竖版情绪海报。这套氛围被拆成了十几个写得明明白白的参数。
ByteDance 的 SeedRealtime 每秒只取两帧,再自己决定什么时候开口
豆包 Seed-Realtime-1.0 把摄像头画面、屏幕画面和语音合成一个全双工会话,每秒最多推两帧。有意思的决定是帧率、主动说话,以及默认就开着的审核回复。
Cicada 直接听会议的系统音频,会议室里没有机器人
Cicada 是 Mac、Windows、Linux 和 Android 上的免费应用,从系统音频里写出双语字幕和结构化会议笔记。按住一个键,你能用自己克隆出来的声音,把回复用另一种语言说出去。整个过程里没有机器人加入通话。
一台 server、一个 AI 主播:夜间直播背后的代码
open-yoki 是一个每晚在 Binance Square 直播的 AI 主播的生产代码,人格、声音和跟钱有关的功能都拿掉了。headless Chrome 画帧,ffmpeg 推 RTMP,一个 Markdown 文件夹决定她的情绪和要发的东西。