MiniMax H3-Image 开源：4K 图 3.4 美分，但要 135G 权重

先说结论。MiniMax 在 2026 年 11 月 10 日放出了 MiniMax-H3-Image 的开源权重，单张 4K 大图在首发周五折期间算下来大约 0.034 美元，比 Google 的 Nano Banana 2.1 便宜一大截。但如果你看到“开源”两个字就准备往自己电脑上搬，或者打算直接塞进出海业务里赚钱，先停一下。这玩意儿全套权重加起来要 135 GB，家用显卡根本塞不下；而且它的许可证里藏着一行关于美国、欧盟、英国、韩国的地区限制争议。对绝大多数开发者来说，趁着 11 月 17 日前直接调 API 薅五折羊毛，比自己折腾硬件划算得多。

很多做设计工作流的朋友一早看到 MiniMax 在 X 上发的上线帖，第一反应都是去 Hugging Face 拖权重。据 orcarouter 记录，这份权重在 11 月 10 日 14:50 UTC 正式上架 MiniMaxAI/MiniMax-H3-Image 仓库。大家习惯性地以为，既然开放了权重，那肯定能像以前跑小模型一样，在自己工作站里免费出 4K 图了。等到真正点开文件列表，看着那几个几十 GB 的大文件，不少人直接关掉了下载页面。

它到底是什么

MiniMax-H3-Image 来自 MiniMax H3 家族。简单讲，它就是把原本的 H3 架构砍掉了音频分支，做成一个专门干视觉活的开源权重（open-weight）模型。以前我们配工作流，文生图得挂一个模型，改图又得换另一个专门的编辑模型，显存切来切去特别折腾。这次 H3-Image 把文生图和图像编辑揉进了同一份权重里，生成和修改调的都是同一个底座。

看一眼底子，它用的是稠密扩散 Transformer（DiT）架构，参数量直接推到了 33.1B。里面一共叠了 50 层，隐藏维度设在 5376，配了 56 个注意力头。在处理图像的时候，每个 Transformer token 覆盖 32x32 像素的 patch。

理解文字这块，MiniMax 没去重新训一套新东西，而是原封不动把 MiniMax-H3 里面那个完整的 Qwen3-VL 文本编码器搬了过来，一点没改。另外，这个模型已经蒸馏到了 6 步采样（6 NFEs），跑的时候不用分类器自由引导（CFG）。

官方在发布时喊了一句“开源模型里指令遵循最强”。老实说，这种厂商自夸听听就算了，千万别直接当成真金白银的采购依据。据 orcarouter 报道，H3-Image 刚上架一天，目前还没有任何公开排行榜收录它的成绩；相比之下，它的直接竞争对手 Google Nano Banana 2.1（gemini-nano-banana-2.1）已经在生产环境里跑了差不多一个月的真实流量。H3-Image 到底听不听话，还得靠大家自己拿业务里的烂提示词去试。

4K 与 16 张参考图怎么用

以前很多人用开源模型出大图，走的都是“先出 1024 小图，再挂个超分节点放大”的路子，一放大就容易出伪影或者塑料感。H3-Image 这次主打原生约 1600 万像素直出，中间不走超分。

在原生直出的状态下，1:1 画幅直接给到 4096x4096，16:9 是 5472x3072，21:9 则是 6272x2688。如果你走官方 API 调用，输出面积上限还能进一步放宽到 2000 万像素，宽高比支持从 1:3 到 3:1 之间调整。API 提供了 1K、2K、4K 三档面积预设，你不填参数的话，系统默认直接按 4K 出图。

官方宣传口径里写着，出一张 4K 图大概 10 到 20 秒，最快约 10 秒就能拿到结果。这里我必须泼盆冷水：10 秒出 4K 是官方托管服务的速度，而且目前还没有任何独立第三方用完全相同的提示词和硬件做过实测对照。你千万别以为把这个模型抱回家，插在自己的显卡上也能 10 秒蹦出一张 4K 图。

再看图像编辑。假设你现在在帮电商团队做商品海报，手里有一张主图，还要参考另外七八张不同角度的材质图、光影参考图和模特姿势图。H3-Image 的编辑功能单次最多支持塞进去 16 张参考图。

写法上有个死规矩：你在写提示词的时候，得按照上传图片的先后顺序，在文本里明确标出 <Picture 1>、<Picture 2> 这样的标签。系统固定把第一张图 image_1 当成你要修改的目标底图，后面跟着的统统算作参考图。

如果你是写代码调 API，这里有几个特别容易踩坑的硬限制，填错一个就会直接报错中断你的业务流：

首先，文生图走的是 /v1/images/generations 接口，图片数据装在 data[0].b64_json 里返回；图像编辑走 /v1/images/edits 接口，必须用 multipart 表单传图，而且整个请求体的体积上限卡死在 64 MiB。你如果真往里塞满 16 张未压缩的高清原图，很容易直接撞上 64 MiB 的墙，传图前最好先在本地压一下体积。

其次，老玩家平时调扩散模型，手痒总想改改步数和引导系数。但在 H3-Image 的 API 里，num_inference_steps 只能死填 6，guidance_scale 只能死填 1。你只要敢填别的数字，服务器直接甩你一个 HTTP 400 错误。同时，接口压根不支持 negative_prompt（反向提示词），别费劲往请求体里塞那些“不要六根手指、不要模糊”的旧参数了。

另外，官方也明确列出了三个目前干不了的活：不支持遮罩编辑（Inpainting）、不支持直接生成透明背景、也不支持预览图功能。要是你的业务流强依赖局部重绘或者直接扣好透明通道的 PNG 素材，现阶段还得备着别的后处理工具。

在提示词习惯上，这个模型喜欢听长篇大论的英文整图描述。要是你在 ComfyUI 里跑，提示词长度上限可以顶到 4096 token。很多人平时习惯只敲三五个词的短句，直接喂给它效果肯定打折。MiniMax 在 API 侧专门配了一个叫 H3-Image-Context-IR 的接口，用来把你的短句自动扩写成细节丰富的长描述；要是你在本地跑，也可以额外部署一个可选的提示词扩展器 MiniMax-H3-Image-PE（NVFP4 格式，体积 17.9 GB）来干同样的活。

价格账单

大家最关心的还是钱。很多人看到“首周五折”就觉得肯定能省一半预算，但 H3-Image 的账单算法跟传统的“按张一口价”不太一样，它是按 token 算钱的。

据 orcarouter 与 Crypto Briefing 报道，H3-Image 的 API 计费标准定为：输入文本每百万 token 收 2.30 美元，输入图像每百万 token 收 1.50 美元，输出图像每百万 token 收 3.80 美元。

因为按 token 计费，你每次写的提示词长短不同、塞进去的参考图数量不同，最后折算到每张图上的真实花费就会上下浮动。如果按常规用法折算成单张价格，再拉上同期的 Google Nano Banana 2.1（gemini-nano-banana-2.1）做个对比，账面数字是这样的：

看表格就能算明白你自己的业务账了。平时出 1024x1024 的小图，H3-Image 大概两美分出头，比 Nano Banana 2.1 便宜三成多。一旦切到 4096x4096 的 4K 大图，常规价大约 0.06879 美元，依然明显低于 Google 的 0.113 美元。

更狠的是首发优惠。官方规定，在发布首周内，只要你生成 16MP 及以上（也就是 1670 万像素以上）的大图，统统打 5 折。打完折下来，跑一张 4K 大图大约只要 0.034 美元，几乎跟竞争对手跑一张 1K 小图的钱持平了。不过盯紧日历，据 orcarouter 称，这个五折活动到 2026 年 11 月 17 日 16:00 UTC 就准时截止。你手头如果有积压的高清素材生成任务，这一周内跑完能省下一半的钱；过了 11 月 17 日，预算就得按原价重新做表了。

本地部署的真实门槛

回到开头那个问题：我不调 API，自己下权重在本地白嫖行不行？

我们把它的家底一件件搬出来称一下重量。首先是那个 33.1B 的 DiT 主权重，BF16 精度下占了 66.28 GB；接着是负责编解码图像的 VAE，占 2.34 GB；然后是最容易让人漏算的大头，那个完整的 Qwen3-VL 文本编码器，足足有 66.7 GB（这部分要单独从 MiniMax-H3 仓库加载，如果你机器上之前已经存过 MiniMax-H3 的权重，倒是可以省掉重复下载的时间）。

把这三样加起来，光是为了让模型能正常跑起来，硬盘和显存就得面对合计约 135 GB 的庞然大物。要是你嫌自己写的提示词不够好，还想把前面提到的那个本地提示词扩展器 MiniMax-H3-Image-PE 也挂上，那就得再往上加 17.9 GB。

135 GB 是什么概念？消费级市场上的顶级家用显卡，单卡显存往往连这个数字的零头都吃力。官方在文档里列出的 vLLM-Omni 硬件支持列表，直接点名了 NVIDIA H200、RTX PRO 6000 Blackwell 以及 AMD MI350X 这类数据中心或顶级工作站级别的怪兽卡。

所以，普通个人玩家看着自己机箱里的单卡，基本可以打消原版满血本地跑的念头了。对于手握多卡服务器或者租了高配云主机的团队，官方推荐通过 SGLang、vLLM-Omni、diffusers 或 ComfyUI 来拉起服务。下面把官方给的 vLLM 和 SGLang 启动命令放在这，但请一定先确认你的显存池扛得住这 135 GB。

许可证那行小字

除了硬件门槛，另一个能让你踩坑的地方在法务合规上。很多做独立开发或者跨国业务的朋友，一看到 Hugging Face 上挂着权重，顺手就拉下来塞进面向欧美客户的商业产品里了。但这次关于 H3-Image 的许可证，市面上出现了两种必须引起警惕的说法。

据 Crypto Briefing 报道，该模型采用的社区许可证里，明确把美国、欧盟、英国和韩国排除在了允许使用的地区之外。如果按这个说法，你只要把服务卖给这四个地方的用户，或者你的服务器、公司主体落在这些区域，直接拿来用就可能面临违约风险。

但与此同时，也有另一派分析指出，MiniMax 的官方公告里其实并没有明确写出 H3-Image 专属的独立许可证条款，它存在直接沿用之前 H3 基础许可证的可能。

既然外媒报道和条款解读在这个节骨眼上打架，最稳妥的做法只有一个：在你把它集成进任何商业项目、或者部署到美欧英韩的节点之前，先亲自去 Hugging Face 的 MiniMaxAI/MiniMax-H3-Image 仓库里，把那个 LICENSE 文件点开，逐字核对里面的地区与商用限制。千万别只听宣传里的“开源”两个字就盲目上线，真出了合规问题，换模型的迁移成本可比 API 账单贵多了。

现在能怎么上手

算完硬件账和合规账，如果你决定现在就去试水，目前一共有三条现成的路子可以走。

第一条路是直接调 MiniMax API，海外业务走国际站 platform.minimax.io，国内业务走国内站 platform.minimax.cn。API 里除了标准版，还提供了一个叫 H3-Image-Highspeed 的变体，它的各项参数和限制跟标准版完全一样。第二条路适合不想写代码的创作者，直接去打开 Hailuo AI 的网页端或者桌面端就能用。第三条路则集成在 MiniMax Code 里面。

如果你确实财大气粗，机房里躺着 H200 或 MI350X 级别的算力，想在自己的内网环境里用 vLLM-Omni 或者 SGLang 把服务架起来，可以直接跑下面这两条官方示例命令：

# 使用 vLLM-Omni 启动服务
vllm serve MiniMaxAI/MiniMax-H3-Image --omni --host 0.0.0.0 --port 8000

# 使用 SGLang 启动服务
sglang serve --model-path MiniMaxAI/MiniMax-H3-Image --host 0.0.0.0 --port 30000 --warmup-mode off

最后顺手带一嘴同日的价格动态：据价格追踪站 codenav 与 olud.ai 11 月 11 日的数据，Z.ai 的 glm-5.3-flash 输入价从每百万 token 0.15 美元降到了 0.04 美元，降幅约 73%，创下当日追踪到的最大单日价格变动（目前官方定价页尚未同步核实，此处仅为追踪站数据）。

一句话总结：没有百G显存的机房就别去折腾那 135 GB 的本地权重了，先去 Hugging Face 看一眼许可证，没问题的话，在 11 月 17 日前调 API 用 3 美分一张的五折价把 4K 大图跑出来才是正经事。

来源：

• Hugging Face 模型卡：https://huggingface.co/MiniMaxAI/MiniMax-H3-Image
• VP Land 报道：https://www.vp-land.com/stories/minimax-releases-h3-image-an-open-weight-model-for-4k-image-generation-and-editing-from-up
• Crypto Briefing 报道：https://cryptobriefing.com/minimax-h3-image-open-weight-4k-model/
• orcarouter 对比：https://www.orcarouter.ai/blog/minimax-h3-image-vs-nano-banana-2-1
• 价格追踪 codenav：https://www.codenav.cn/article
• 价格追踪 olud.ai：https://olud.ai/news/2026-11-11.html