10 秒出一张 4K 大图，权重还白送，它到底图什么

做电商主图的人都熟这套流程：先出小图看构图，再挂超分放大，放大完文字边缘糊了、商品高光不自然，又得回修图软件一点点擦。一张能交付的 4K 图，花掉的不是生成时间，是「先小后大、来回返工」那十几分钟。

所以这几天的消息有点反常：一个模型能把 4096×4096 的 4K 图原生直出，不挂超分，官方给的 4K 文生图中位耗时约十秒；更反常的是，权重当天就上了 Hugging Face，谁都能免费下载。又开源、又快、又便宜，这三件事平时很少凑齐。这是近三天被反复实测、仍在发酵的一件事——MiniMax 把 H3-Image 白送出去，到底图什么。

把「先出小图再放大」这一整套删掉了

以往高清出图多是先生成 1024 或 2048 底图，再交给超分补像素，补出来的细节是猜的，文字和边缘最容易在放大那步露馅。据官方模型卡与技术报道，H3-Image 直接用扩散 Transformer 生成约 1600 万像素的图像，方形 4096×4096，宽幅到 6272×2688 的 21:9，中间不过任何超分模块。

快也来自架构：checkpoint 被蒸馏到六步采样，连分类器自由引导都省了，副作用是没有负面提示词可填。官方给出的 4K 文生图 P50 中位耗时，极速版约 10.3 秒、标准版约 16 秒，同档普遍 50 秒开外，最高约为主流方案的 5 倍。

把一张图从 40 秒压到 10 秒，少等的不只是 30 秒，而是从「想周全了再出一张」变成「先出四张再挑一张」——两种完全不同的工作方式。

一个视频模型，反过来成了生图第一

更意外的是出身。H3-Image 脱胎于 MiniMax 7 月底开放权重的全模态视频模型 H3：拿掉音频分支，保留骨干、文本编码器与图像 VAE。文本侧沿用 320 亿参数的多模态语言模型，核心是 331 亿参数、50 层的扩散 Transformer，把文本与参考图打包成一条序列单流处理。

从视频出发反而占便宜：要让连续几十帧不穿帮，模型得懂物体换角度的样子、材质受光的变化，这些「视觉世界知识」搬到静帧上就是结构与质感。机器之心 11 月 13 日实测里，最出挑的恰是老难题：微信截图的 iPhone 状态栏、气泡间距、可乐瓶冷凝水都对得上；地铁涂鸦把一长串 3D 字母完整拼出；35mm 相机爆炸图的七个部件沿中轴对齐，编号与参数表一并生成。人像那层「塑料皮」也淡了，毛孔、雀斑、汗毛都在。同期 Artificial Analysis 榜单上，它在文生图与图像编辑两项均列开放权重模型第一。

16 张参考图，改的是「像不像」

容易被速度盖过的数字是 16。据模型卡，一次最多读 16 张参考图，生成与编辑共用一个 checkpoint——不换模型、不挂 LoRA 或 ControlNet，提示词里编号点名即可；提示词最长 32000 字符，关掉提示增强后生效的只有开头约 4096 个 token。这改的不是画质，是一致性：同角色换三个场景、同包装换五个角度，参考图不够就只能靠文字硬猜，出十张像十个人。

于是这几类活被直接改写：

• 角色与分镜：多张参考图锁住五官、服装与画风，镜头之间不再各画各的。
• 电商与包装：平铺图转真人穿搭、同款换角度，材质与品牌信息要同时保住。
• 带字的版面：主标题、副文案、参数表分出层级，文字不再只是「看起来像字」。
• 要结构的图：爆炸分解图、信息图考的是零件位置与装配关系，是理解而非美感。

「白送」两个字，得拆开看

权重确实在发布当天上了 Hugging Face 与 GitHub，SGLang、vLLM-Omni、Diffusers 和 ComfyUI 都能接。但至少三件事得分清楚：

• 能下载，不等于跑得动：完整 DiT 权重约 66 到 68 GB，文本编码器再加约 66.7 GB，合计一百三十多 GB，基本属于高显存专业卡；消费卡要靠社区剪枝量化版（约 7 到 14 GB）配合内存卸载，4K 会明显变慢。
• 开源，不等于随便商用：社区许可写明排除美国、欧盟、英国与韩国，年营收超过门槛或做第三方托管需书面批准，禁止用生成结果训练别的模型，还要求公开标注 AI 生成。
• 权重免费，不等于服务免费：官方 API、MiniMax Code 与海螺 AI 照常计费，定价约为同类的 50% 到 70%，发布首周对 4K 及以上请求另有折扣。

「白送」送的是一份能自己部署、自己改的文件，不是无条件通行证。

真正被图谋的，是那张「生态位」

机器之心提到：官方这版之前，海外已有把 MiniMax-H3 改造成图像模型的开源项目；Hugging Face 上以 H3 为基础的模型树约收了 220 个衍生条目，英伟达团队做过 Sol-H3，Pika 做过 H3 Flex，社区戏称「正版来了」。

逻辑这就串起来了：用免费权重占住生态位，让开发者在自家底座上做微调、做工具、接工作流；再由托管 API 与订阅承接用量，许可里的营收门槛和托管限制恰好把规模化玩家导向商业授权。长尾免费、规模收费，不靠一次发布收回成本，靠别人不断在它的地基上盖房子。

当 4K 直出、十几张参考图变得人人可下载，竞争的内核就从「谁的模型更强」，悄悄换成了「谁的生态更厚」。

编辑观察：对做图的人意味着什么

落到内容创作者和 AI 绘画使用者身上，结论有点反直觉：分辨率与速度都不再是瓶颈之后，变稀缺的是「能不能说清楚要什么」。提示词越细、结构拆得越清，4K 成图越完整；含糊一句「画张高级的海报」，小尺寸还能靠氛围糊过去，放大到 1600 万像素，没交代的地方全成了看得见的破绽。

这也是本站把每条资源整理成带完整提示词、生成模型与场景标签的独立页面的原因，可从全部作品或全部资源索引按用途取用，工具对照看AI 工具导航。模型会一版版换，但写清楚主体、构图、光线与风格约束的提示词，换到任何工具上迁移成本都接近零。出图这步变便宜了，「定义这张图」这步变贵了。

还有一句：权重能下载，不等于作品能随便商用。接单投放前先核对许可地域、营收门槛与标注要求，别把「能下载」当成「能随便用」。

一句话：MiniMax 把 4K 压进十秒、还把权重白送，图的从来不是这一张图，而是让下一批做图的人都站在它的底座上。

本文由编辑部整理并独立撰写，参考来源见文末；具体信息以厂商官方公告为准。