Buduj z CometAPIPotrzebujesz jednego API dla wielu modeli?Przetestuj proces w Playground, a potem utwórz klucz API, gdy model i koszt pasują do Twojego zastosowania.
Poznaj natywną rozdzielczość 16 MP w modelu MiniMax H3-Image, edycję z 16 referencjami, opóźnienia w trybach Standard i Highspeed, cennik API oraz limity wdrożeniowe.
Wydany 11 listopada 2026 r., MiniMax H3-Image to model o otwartych wagach do generowania i edycji obrazów. Generuje obrazy o około 16 megapikselach bez zewnętrznego upscalera i akceptuje do 16 obrazów referencyjnych do edycji. Główne zastosowania obejmują wizualizacje produktowe, concept art oraz kompozycje scen z wieloma referencjami.
API oferuje dwa warianty: Standard dla niższych kosztów i Highspeed dla niższych opóźnień. Opublikowane przez MiniMax wyniki 4K tekst-na-obraz pokazują medianę czasów generowania odpowiednio 16,0 oraz 10,3 sekundy.
Najważniejsze wnioski
MiniMax H3-Image natywnie generuje obrazy około 16 MP, z sześcioma krokami próbkowania i bez zewnętrznego upscalera w udokumentowanym pipeline’ie modelu.
Edycja w MiniMax H3-Image akceptuje do 16 obrazów referencyjnych, umożliwiając połączenie produktów, postaci, pomieszczeń i układów w jednym żądaniu.
Sprawdzone pod kątem przejrzystości, atrybucji źródeł i aktualnej terminologii API.
Standard i Highspeed oferują te same udokumentowane parametry i limity API; Highspeed zamienia wyższe ceny tokenów obrazów na niższą, zmierzoną latencję.
CometAPI podaje ceny H3-Image o 20% niższe niż regularne stawki API MiniMax. MiniMax oferuje także oddzielną, tymczasową zniżkę startową 50% dla kwalifikujących się żądań 4K.
Otwarte wagi umożliwiają lokalne wdrożenie na podstawie niestandardowej licencji. Natywne API obsługuje JPEG, PNG i WebP, ale nie obsługuje przezroczystych teł ani edycji maskowanych.
Czym jest MiniMax H3-Image i jak działa?
MiniMax H3-Image bazuje na architekturze MiniMax H3 i łączy generowanie obrazów z tekstu oraz edycję opartą na referencjach w jednym checkpointcie.
Architektura MiniMax H3-Image
Oficjalny opis architektury wskazuje trzy główne komponenty: niezmieniony koder tekstu H3 oparty na Qwen3-VL, 33,1‑miliardowy dyfuzyjny transformer z usuniętą gałęzią audio oraz obrazowy VAE. Liczba 33,1B dotyczy dyfuzyjnego transformera, a nie wszystkich komponentów całego pipeline’u.
Rdzeń generowania obrazu wykorzystuje gęsty, jednostrumieniowy transformer operujący na spakowanych tokenach tekstowych i obrazowych. Jego 50 warstw przetwarza informacje wizualne, zanim przewidzi docelową reprezentację obrazu.
VAE przekształca treść obrazu w skompresowaną reprezentację utajoną i dekoduje wygenerowaną latentę do finalnego obrazu w wysokiej rozdzielczości.
Checkpoint został zdestylowany do sześciu kroków próbkowania bez classifier-free guidance. Hostowane API MiniMax stosuje również ulepszanie promptu, aby przekształcić krótsze instrukcje w bardziej szczegółowy opis przed generowaniem.
Natywne generowanie około 16MP; poziomy wyjściowe hostowanego API: 1K, 2K i 4K
Maksymalny niestandardowy obszar wyjściowy API
20,000,000 pixels
Obrazy referencyjne
Do 16
Maksymalna długość promptu w API
32,000 znaków Unicode; około 4,096 tokenów jest brane pod uwagę po wyłączeniu ulepszania promptu
Obrazów na jedno żądanie API
1–10; odpowiedzi Base64 mają dodatkowe limity łącznego obszaru
Format(y) wyjściowe
JPEG, PNG, WebP
Zakres proporcji boków wyjścia API
1:3 do 3:1
Warianty API
Standard, Highspeed
Wagi modelu
Publicznie dostępne do pobrania
Licencja
MiniMax-H3-Image Community License Agreement
Model wykorzystuje dyfuzyjny transformer o 33,1B parametrów z 50 warstwami, rozmiarem ukrytym 5,376 i 56 głowicami uwagi. Generuje obrazy w sześciu krokach próbkowania bez classifier-free guidance.
Jakie są główne funkcje MiniMax H3-Image?
Natywne generowanie obrazów 4K i 16 megapikseli
Wyjście 4096 × 4096 zawiera 16,777,216 pikseli, co stanowi 16 razy więcej niż obraz 1024 × 1024.
W API MiniMax poziom 4K celuje w około 16,8 miliona pikseli, przy wymiarach zależnych od proporcji boków.
MiniMax H3-Image generuje obrazy około 16,8 MP w popularnych proporcjach. Udokumentowane rozmiary obejmują 4096 × 4096 przy 1:1, 4736 × 3552 przy 4:3, 5024 × 3360 przy 3:2, 5472 × 3072 przy 16:9 oraz 6272 × 2688 przy 21:9.
Większa liczba pikseli przydaje się szczególnie, gdy twórcy muszą wykadrować wygenerowany obraz, przejrzeć drobne detale lub przygotować wiele projektów z jednej kompozycji.
Fotorealistyczne obrazy i naturalne tekstury
Opublikowane przykłady MiniMax pokazują różne style wizualne, od codziennej fotografii po surrealistyczne kompozycje editorial.
Przykłady MiniMax prezentują szczegółowe tekstury, odbicia i oświetlenie zarówno w scenach fotograficznych, jak i stylizowanych. W przypadku obrazów produktowych oceń teksturę materiału, kształt, kolor i branding na podstawie własnych obrazów referencyjnych.
Generowanie obrazów z wieloma referencjami — do 16 obrazów
Zamiast tworzyć pokój wyłącznie na podstawie opisu tekstowego, użytkownicy mogą dostarczyć fotografię pustego pomieszczenia wraz z indywidualnymi obrazami mebli. Model może następnie zsyntetyzować umeblowane wnętrze na bazie tych referencji.
Na potrzeby katalogu lub kampanii przypisz każdej referencji jasną rolę w promptcie. Sprawdź, czy wynik zachowuje kształt, kolor, branding i względną skalę produktu, zanim potraktujesz go jako finalny asset.
Rozumienie przestrzenne i edycja sterowana instrukcjami
Jedna z oficjalnych demonstracji zaczyna się od płaskiej mapy gry i generuje środowisko pierwszoosobowe na podstawie wybranej lokalizacji.
Zadanie wymaga czegoś więcej niż prostej zmiany stylu. Model musi zinterpretować relacje przestrzenne między ścieżkami, budynkami, wodą i innymi elementami otoczenia.
Dla użytkowników technicznych stwarza to możliwość przekształcania surowych referencji w bardziej dopracowane reprezentacje wizualne bez ręcznego odtwarzania każdego detalu.
Wdrożenie z otwartymi wagami i warunki licencyjne
Oficjalne instrukcje wdrożenia obejmują SGLang, vLLM-Omni, Diffusers i ComfyUI. Wymienione komponenty to 66.28GB dyfuzyjnego transformera, 2.34GB obrazowego VAE i osobno pobierany 66.7GB koder tekstu. To rozmiary plików, a nie gwarantowane minimalne wymagania pamięci GPU.
W przypadku wdrożeń komercyjnych sprawdź licencję społecznościową w kontekście Twojej lokalizacji, modelu biznesowego i przychodów. Ogólna klauzula terytorialna wyłącza Stany Zjednoczone, Unię Europejską, Zjednoczone Królestwo i Koreę Południową. Potrzebujesz odrębnej, uprzedniej pisemnej zgody, aby świadczyć hostowaną usługę podmiotom trzecim lub jeśli Twoje roczne przychody i/lub przychody podmiotów powiązanych przekraczają 1 mln USD. Publicznie dostępne wagi do pobrania nie znoszą tych warunków.
Jak szybki jest MiniMax H3-Image?
MiniMax opublikował szczegółowe porównanie latencji obejmujące generowanie tekst-na-obraz i edycję obrazów w różnych rozdzielczościach wyjściowych.
Wyniki wykorzystują P50, czyli medianę, czasu generowania w sekundach. Niższe wartości oznaczają szybsze generowanie obrazu.
MiniMax raportuje P50, czyli medianę, czasów generowania. Sprzęt, współbieżność, wielkość próbki i granice pomiaru nie są w pełni ujawnione, więc traktuj te liczby jako punkt odniesienia dla podanych konfiguracji i przetestuj reprezentatywne żądania przed ustaleniem oczekiwań dotyczących czasu odpowiedzi.
MiniMax H3-Image Standard vs Highspeed
Zadanie
Rozdzielczość
Standard P50
Highspeed P50
Opóźnienie Standard ÷ opóźnienie Highspeed
Tekst na obraz
1K
10.6 s
7.7 s
1.38×
Tekst na obraz
2K
10.5 s
7.6 s
1.38×
Tekst na obraz
4K
16.0 s
10.3 s
1.55×
Edycja obrazu, 1 referencja
4K
18.2 s
12.5 s
1.46×
Edycja obrazu, 3 referencje
4K
21.4 s
14.4 s
1.49×
Na przykład obraz 4K ma 16 razy więcej pikseli niż obraz 1K, ale czas generowania w trybie Standard wzrasta z 10.6 do 16.0 sekundy.
Kiedy wybrać MiniMax H3-Image?
Warto rozważyć MiniMax H3-Image, gdy Twój workflow wymaga szczegółowych, wysokorozdzielczych obrazów statycznych, kilku referencji wizualnych lub lokalnego wdrożenia.
Duże obrazy do kadrowania i ponownego użycia. Natywne wyjście około 16 megapikseli daje przestrzeń na wykadrowanie kompozycji lub stworzenie wielu układów z jednego obrazu.
Sceny zbudowane z wielu referencji. Obsługa do 16 obrazów referencyjnych ułatwia połączenie produktów, postaci, mebli i środowisk w jednej kompozycji.
Lokalne wdrożenie i personalizacja. Wagi do pobrania pozwalają zespołom budować własne przepływy generowania w ramach MiniMax-H3-Image Community License. Opcje wdrożenia i warunki licencyjne omówiono poniżej.
Przed wyborem modelu sprawdź wymagany format dostarczania. Natywne API zwraca JPEG, PNG i WebP, ale nie obsługuje przezroczystych teł ani edycji maskowanych. Workflowy wymagające przezroczystych wycięć, precyzyjnych poprawek maską, plików SVG lub animacji potrzebują dodatkowych narzędzi lub modelu obsługującego te możliwości.
W pracy produktowej i kampanijnej przetestuj reprezentatywne briefy i sprawdź kształt produktu, kolor, branding, poprawność tekstu i spójność między referencjami. Porównaj koszt zaakceptowanego assetu, wliczając ewentualne rundy ponownego generowania i edycji.
To przykładowe regularne ceny MiniMax, z referencjami 1024 × 1024 do edycji; Twój rachunek zależy od rzeczywistego zużycia tokenów, które zwracane jest w polach usage odpowiedzi.
Oferta startowa MiniMax:Promocja bezpośredniego API obniża łączny koszt żądania o 50% dla Standard i Highspeed, gdy dostarczony obraz zawiera co najmniej 16,600,000 pikseli, dla kwalifikujących się żądań przed 17 listopada 2026, 16:00 UTC. Sama etykieta 4K nie przesądza o kwalifikacji; o zniżce decydują dostarczone wymiary.
Ceny CometAPI:CometAPI podaje H3-Image o 20% poniżej regularnych stawek MiniMax. Przy tym samym zużyciu tokenów co w przykładzie Standard 4K daje to około $0.05503 za obraz ($0.06879 × 0.8). To odrębna oferta od zniżki startowej bezpośredniego API MiniMax; rabaty nie są tu łączone.
Co należy sprawdzić przed integracją MiniMax H3-Image?
Trasa dostawcy i identyfikator modelu
Deweloperzy mogą uzyskać dostęp do API MiniMax H3-Image w CometAPI z identyfikatorem modelu H3-image i cenami 20% poniżej regularnych stawek API MiniMax. Skorzystaj z dokumentacji CometAPI dla obsługiwanego endpointu i parametrów, a następnie śledź rzeczywiste zużycie tokenów, aby oszacować koszty produkcyjne.
W przypadku bezpośredniego dostępu do MiniMax, przewodnik API dokumentuje MiniMax-H3-Image i MiniMax-H3-Image-Highspeed. Tekst-na-obraz używa POST /v1/images/generations, a edycja używa POST /v1/images/edits. Oba wspierają odpowiedzi synchroniczne, z opcjonalnym strumieniowaniem ukończonych obrazów.
Wymagania dotyczące wyjścia i przegląd produkcyjny
Przed większą partią przetestuj niewielki zestaw reprezentatywnych briefów: szczegółowy obraz produktu, scenę z wieloma referencjami i edycję, która musi zachować istniejący obiekt. Sprawdź wierność produktu, poprawność tekstu, spójność referencji, czas odpowiedzi i rzeczywiste naliczenia.
Udokumentowane ograniczenia natywnego API obejmują edycje maskowane i przezroczyste tła. Zapis PNG nie czyni tła przezroczystym. Jeśli Twój brief produkcyjny zależy od którejkolwiek z tych funkcji, uwzględnij ten wymóg przy wyborze modelu, zamiast odkrywać niedopasowanie po generowaniu.
Wnioski
Najpierw wybierz workflow. H3-Image jest kandydatem, gdy deliverable to duży obraz rastrowy złożony ze szczegółowego briefu lub kilku referencji. Workflow oparty na przezroczystych wycięciach, precyzyjnych maskach, wektorach lub animacji wymaga innego zestawu możliwości.
Przeprowadź reprezentatywny pilotaż przed wyborem Standard, Highspeed lub wdrożenia lokalnego. Porównaj zaakceptowane wyniki, nakład pracy edycyjnej, opóźnienie end‑to‑end i naliczony koszt. To da Ci praktyczną podstawę do oceny, czy model usprawnia Twój proces produkcyjny.
Aby ocenić go w istniejącym workflow wielomodelowym, zacznij od API MiniMax H3-Image w CometAPI i zweryfikuj bieżącą konfigurację trasy przed skalowaniem.
FAQ
Dlaczego długi prompt H3-Image może tracić szczegóły?
Bezpośrednie API akceptuje do 32,000 znaków Unicode, ale wyłączenie ulepszania promptu ogranicza efektywne wejście do około 4,096 tokenów. Umieść kluczowe instrukcje dotyczące obiektu, układu i zachowania elementów na początku. Jeśli wynik pomija ograniczenie, sprawdź, czy ulepszanie było wyłączone i czy istotne instrukcje nie wykraczały poza ten efektywny zakres.
Parametry rozmiaru działają w dwóch wzajemnie wykluczających się trybach. Podaj size jako WIDTHxHEIGHT albo pozostaw size pominięte/auto i użyj aspect_ratio oraz area. Nie wysyłaj aspect_ratio ani area z jawnym size, nawet z wartością auto. Jawne wymiary muszą też spełniać dozwolone zakresy pola i proporcji boków.
Czy H3-Image może zwrócić dziesięć obrazów 4K jako Base64?
Liczba wnioskowanych obrazów obsługuje do dziesięciu, ale odpowiedzi Base64 mają limit łącznego obszaru: 20,000,000 pikseli dla PNG i 80,000,000 dla JPEG lub WebP. Przy 4096 × 4096 pozwala to na jeden PNG lub do czterech obrazów JPEG/WebP w jednej odpowiedzi Base64. Użyj odpowiedzi z URL lub mniejszych partii, gdy żądanie przekroczyłoby te limity.
Co jeśli tylko część partii H3-Image zakończy się powodzeniem?
Pomyślna odpowiedź HTTP nie oznacza, że każdy żądany obraz się udał. Sprawdź każdy element danych pod kątem wyniku obrazu lub błędu, zapisz udane wyjścia i obsłuż nieudane pozycje osobno. Kontrakt odpowiedzi API MiniMax stwierdza, że opłaty naliczane są tylko za udane obrazy. Zwracane adresy URL obrazów nie są gwarantowane jako trwale dostępne, więc pobierz i przechowaj potrzebne zasoby.
