智东西 作者 陈骏达 编辑 漠影 智东西11月11日报道，昨天深夜，MiniMax正式发布新一代图像生成模型H3-Image，并同步开放模型权重。 根据不少网友的实测反馈，H3-Image的水准已经能和全球顶级的图像生成模型掰手腕，在开源图像模型中 达到SOTA水平 。速度方面，H3-Image高速版可以在 10秒左右 生成一张4096×4096像素（16MP）的高分辨率4K图像， 耗时仅为市面主流模型水平的1/5 。 除了生成速度和画面质量的提升，H3-Image这次值得关注的变化，还有模型对复杂指令和视觉信息的理解能力。该模型支持最多16张参考图融合，能够处理复杂指令和结构化信息，在开源模型中具备领先的指令遵循能力。 这些能力究竟有多少能够经得起实际测试？我们第一时间通过MiniMax海螺和MiniMax Code接入H3-Image，围绕视觉表现、复杂任务理解和多素材参考融合等方向，做了一轮高强度实测。 一、从复古漫画到写实摄影，H3-Image视觉表现实测 视觉部分，我们一共设计了五组测试，分别考察真实质感、风格转换、游戏场景复刻、海报文字排版，以及16图参考融合能力。 H3-Image可以生成具备超真实摄影作品质感的画面。下方这几张图，如果不事先声明，相信大多数人会把这张图当成人文纪实的实拍作品：画面的光影质感真实，人物皮肤保留了自然的纹理和细微瑕疵，环境光也真实地作用在人物和周围物体上， 整体没有常见AI图像中过度磨皮、锐化和高光堆叠带来的塑料感。 再来看这张“自然摄影”作品。自然摄影其实是AI图像生成中颇具挑战的一类。物体运动不符合物理规律、动物姿态失真、自然环境细节过度规整，都很容易暴露AI生成痕迹。 H3-Image生成的图片并没有刻意把每个元素都处理得十分清晰，光线、色彩和动态细节共同构成了完整的画面氛围，甚至带有一定的故事感。比较难得的是，海鸥掠过浪花的姿态、浪花的层次以及整体光影关系都比较协调，没有明显的结构错乱或AI渲染的痕迹，真实度拉满。 建筑图像的生成对AI来说也有难度，它要求线条横平竖直、毫无漂移，玻璃幕墙的反射要符合镜面成像的物理规律，不同的材质还需要呈现出符合真实情况的质感和反射特性。H3-Image在这几项难点上都做到了一流水平，尤其值得点出的是，画面中室内顶灯的透射与室外反射共存而互不矛盾，体现出模型对光影的理解力。在体育场景，H3-Image生成的“运动员”在身体重心、发力姿态上都符合真实的运动力学，双臂为了保持平衡自然张开，大腿因为发力而紧绷，背景里黄色球衣的门将侧身飞扑、身体舒展，场地的草皮飞溅。在最考验物理与人体真实性的运动题材中，H3-Image的生成结果依然呈现出专业摄影的水准。下一组测试，我们选用同一张橘猫照片，要求H3-Image分别将其转换为两种不同的艺术风格，包括毛毡定格动画、和超现实主义油画，考察模型的风格化能力。这组测试还加入了一些具体的制作要求。比如，在毛毡风格中我们要求模型需要呈现纤维交织的质感，而不是简单地给增加一层模糊效果。可以看到，H3-Image将画面中的所有元素都做了风格转换，仔细看细节，连树叶上都有纤维毡化后的质感，对提示词的要求还原得十分到位。 超现实主义风格同样表现不错。我们只在提示词中提到了达利式风格，H3-Image便主动加入了融化的时钟等标志性元素。画面中，室内与荒漠、窗台与悬空阶梯形成了不符合现实空间逻辑的组合，既保留了原图中的橘猫主体，又通过场景重组营造出超现实的氛围。 如今，游戏已经成为生图模型重要的应用场景，我们也在这个场景里跑了几个实测。先来看看下方这张以《塞尔达传说：旷野之息》为灵感的开放世界游戏画面。模型还原了原作标志性的低多边形美术风格，整体光影与色彩也比较协调，呈现出接近真实游戏截图的视觉效果。 让H3-Image生成游戏UI的参考设计，它也能交出像样的答卷。我们以一款奇幻RPG游戏为假想需求，要求它生成包含血条、技能栏、背包格、小地图和任务追踪面板的完整HUD界面。可以看到，各功能模块的位置布局符合主流游戏UI的交互逻辑，设计风格统一，可以作为后续开发的有效参考。我们还要求模型设计一把名为“蒸汽核心弩炮”的奇幻蒸汽朋克武器，整张图分成四个区域：正视图、侧视图、背视图以及局部细节。H3-Image的表现超出了预期，四个视图的武器轮廓基本对得上，局部细节图里铆钉和齿轮的刻画精细，作为概念设计阶段的参考图，这个完成度已经非常高了。文字生成是图像模型一直以来比较容易出问题的环节，尤其是中文。字数一多，模型就容易出现笔画粘连、错字、漏字等情况。在这个场景，我们先试了试难度相对较低的海报，要求模型生成题为「来喝咖啡」的海报，最终，所有文字均正确生成，还准确执行了我们提示词中“少即是多”的设计逻辑。随后，我们把难度提高，画面中包含一