点赞 101 关注 MiniMax 11.8k 文生图 MiniMax H3 Diffusers Safetensors 英文 图生图 图像编辑 图像生成 许可证：minimax-h3-image-community-license-agreement 模型卡 文件 文件与版本 xet 社区 2 部署 复制到存储桶 使用此模型 使用 MiniMaxAI/MiniMax-H3-Image 配合各类库、推理提供商、notebook 和本地应用的说明。请通过以下链接开始使用。 库 Diffusers 如何在 Diffusers 中使用 MiniMaxAI/MiniMax-H3-Image： pip install -U diffusers transformers accelerate import torch from diffusers import DiffusionPipeline

在 Apple 设备上切换为 "mps"

pipe = DiffusionPipeline.from_pretrained("MiniMaxAI/MiniMax-H3-Image", dtype=torch.bfloat16, device_map="cuda") prompt = "Astronaut in a jungle, cold color palette, muted colors, detailed, 8k" image = pipe(prompt).images[0] Notebooks Google Colab Kaggle MiniMax-H3-Image 在线 API 在线应用 简介 模型库 模型架构 快速开始 下载 本地部署 完整工作流 展示 许可证 联系我们 MiniMax-H3-Image 在线 API 通过 API 直接使用 MiniMax-H3-Image。 在线应用 通过 App 直接使用 MiniMax-H3-Image。 简介 MiniMax-H3-Image 是 MiniMax H3 系列中用于图像生成与编辑的最先进开源模型。它将 对创作意图的智能理解与构建视觉世界的能力相结合：凭借精确的 指令遵循能力，它能把一个创意概念发展为具体的角色、场景和 氛围。生成与编辑统一在同一个 checkpoint 中，既能从 文本生成图像（文生图），也能编辑一张或多张参考图像（图像编辑），为创作者 和开发者提供灵活可控的图像创作方式。 它在各种宽高比下都能生成约 1600 万像素的图像，从 4096x4096（1:1）到 6272x2688（21:9），直接生成且无需放大模型（见尺寸）。该 checkpoint 被 蒸馏至 6 个采样步（6 NFE），且不使用无分类器引导。其扩散 transformer（DiT）采用 H3 架构但去掉了音频层，并使用 未改动的 MiniMax-H3 文本编码器。 MiniMax-H3-Image 汇聚了三项核心优势：速度、图像质量和指令 遵循。 模型库 模型 角色 精度 大小 Hugging Face MiniMax-H3-Image 文生图与图像编辑 BF16（DiT） 68.65 GB MiniMaxAI/MiniMax-H3-Image MiniMax-H3-Image-PE（可选） 文生图的提示词扩展器 NVFP4 17.9 GB MiniMaxAI/MiniMax-H3-Image-PE 模型架构 MiniMax-H3-Image 沿用 H3-Base 设计，但移除了音频分支。文本 提示词和参考图像由 H3 文本编码器编码；参考图像 同时由图像 VAE 编码。所有 token 组成一个打包序列，输入单流 transformer，由它预测目标图像的 latent。VAE 再将该 latent 解码为图像。 快速开始 下载 组件 内容 大小 transformer/ DiT：BF16，其中 embedding、timestep 和输出层为 FP32。 66.28 GB pdd_fused_heads.safetensors、pdd_config.json 替代 transformer 输出层的逐步输出头，以及采样调度。 12 MB vae/ 图像 VAE，FP32。 2.34 GB tokenizer/、processor/ Qwen3-VL tokenizer 和 processor，与 MiniMax-H3 相同。 23 MB 文本编码器 不在此仓库中。model_index.json 从 MiniMaxAI/MiniMax-H3 的 text_encoder/ 文件夹加载。如果你已有 MiniMax-H3，则不会重复下载。 66.7 GB MiniMax-H3-Image/ ├── model_index.json ├── pdd_config.json ├── pdd_fused_heads.safetensors ├── processor/ ├── tokenizer/ ├── transformer/ └── vae/ 将此仓库和 MiniMax-H3 文本编码器下载到 Hugging Face 缓存： hf download MiniMaxAI/MiniMax-H3-Image hf download MiniMaxAI/MiniMax-H3 --include "text_encoder/*"

可选的提示词扩展器

hf download MiniMaxAI/MiniMax-H3-Image-PE 本地部署 我们推荐以下推理框架来部署模型： SGLang 部署 这里以 SGLang 为例进行部署。更多部署配置见 MiniMax-H3-Image 部署指南。 sglang serve --model-path MiniMaxAI/MiniMax-H3-Image --host 0.0.0.0 --port 30000 --warmup-mode off 要使用本地副本的 MiniMax-H3 text_encoder/ 文件夹而非 Hugging Face 缓存，请添加 --text-encoder-path <path to text_encoder>。 为降低延迟，可用序列并行（Ulysses）将每个请求拆分到多块 GPU 上， 例如在 4 块 GPU 上： sglang serve --model-path MiniMaxAI/MiniMax-H3-Image --host 0.0.0.0 --port 30000 --warmup-mode off
--num-gpus 4 --ulysses-degree 4 请求参数 文生图请求是以 JSON 发送到 /v1/images/generations。图像编辑请求将 参考图像以 multipart 表单数据发送到 /v1/images/edits；其顺序决定了 提示词中的 <Picture 1>、<Picture 2> 等。两者都在 data[0].b64_json 中返回 PNG。可运行的示例见完整工作流。 尺寸 MiniMax-H3-Image 的有效工作范围约为 4 MP 到 20 MP，通常在 16 MP 左右 效果最佳。常见的 16 MP 尺寸如下： 完整工作流 MiniMax-H3-Image 期望收到对整幅图像的详细英文描述。MiniMax API 在生成前会用 H3-Image-Context-IR 将任意语言的简短提示词转换为这样的描述。我们还提供 MiniMax-H3-Image-PE，可 在本地部署。 本节复现由 MiniMax API 直接生成的图像质量，使用本地部署的 SGLang 服务器。脚本位于 examples/，且仅使用 Python 标准库；请在该文件夹中运行： hf download MiniMaxAI/MiniMax-H3-Image --include "examples/*" --local-dir . cd examples 运行示例前，请设置你的 MiniMax API 端点和密钥，以便使用 H3-Image-Context-IR API 和参考脚本。脚本从环境变量中读取它们：

MiniMax API 端点（任选其一）

中国

export MINIMAX_API_BASE="https://api.minimax.cn"

全球

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）