过去两年，网友练出了一副「火眼金睛」：三条腿的人类、六根手指的模特，一眼就能看出是 AI 生成。破绽的根源是生图模型能力不过关，顶级模型贵得用不起，便宜模型细节崩坏。11 月 10 日 MiniMax 开源 H3 Image。

过去两年，AI飞速进入到了人们的日常生活，许多网友练就了一副“火眼金睛”，在看到视频或者图片时能够一眼看出是不是AI生成的。比如三条腿的人类、六根手指的模特、错位的器官……这类问题其实早已引起官媒的注意，光明网就多次点名批评 AI 图片的种种乱象。而这些“破绽百出”的图片——细节经不起推敲、结构不符合常识、材质光影虚假、人物磨皮严重——根源都在生图模型自身能力不过关、质量太差、真实感不足。

顶级的闭源生图模型的的确确能够生成“以假乱真”的图片，但使用起来价格不菲，对于出图量大、需要反复调用的创作者和团队来说，成本是个大问题。顶级模型很贵，于是用户就转向使用便宜模型来满足自己对于生图数量的需求，结果就是细节崩坏、文字“蚂蚁爬”、甚至出现了“恐怖谷效应”。所以，问题的根源在于“好模型用不起，便宜模型质量差”。

如果有一个模型拥有顶级的出图质量、顶级闭源模型一半的价格、开源的部署方式、4K超清画质、十秒钟左右交付的能力，用户还需要发愁吗？11月10日，MiniMax（稀宇科技）发布并开源了图像生成模型H3 Image，它拥有331亿参数，支持文生图、图像参考和图像编辑，最快约10秒钟即可生成一张约1600万像素4K图片，并且它还同步开放了模型权重。

知危也在第一时间体验了这款新模型，我们想看看H3 Image到底能不能解决上述的用户痛点。

准确实现复杂需求

很多模型在用户简单的提示词输入下，生成的图片还像模像样，一旦遇到复杂的提示词，就开始胡乱生成，导致用户不得不反复把需求拆开揉碎喂给它，本该是提升效率的工具，反而让人火大。

而H3 Image指令遵循目前为开源模型旗舰水平，越复杂的提示词，它的表现反而越好。因为在实际的应用中，用户接到的需求会复杂的多，比如哪些产品之间有联系，参考图需要参考哪些区域，具体风格又要如何选择等等。这就要求模型能够理解用户的这些需求，然后才能够生成正确的图片。

提示词如下：

工业产品级 3D 渲染（CGI product render），KeyShot 渲染器质感，横版 16:9。一台大涵道比涡轮风扇发动机 AE-9X 的爆炸视图，全部模块沿水平主轴等距悬浮、互不遮挡，保持真实装配顺序：进气整流罩与抛光鼻锥、24 片风扇叶片组、风扇机匣与短舱、低压压气机、高压压气机、环形燃烧室、高压涡轮、低压涡轮、涡轮后机匣与尾椎、尾喷管与外涵道壳体、反推装置，下方悬浮附件齿轮箱、轴承、金属编织油管与螺栓；一条半透明蓝色发光点划线贯穿主轴。

PBR 材质：风扇叶片碳纤维编织纹理加钛合金包边，鼻锥与压气机叶片为抛光/拉丝钛合金，机匣为阳极氧化喷砂铝合金，燃烧室与涡轮为古铜色单晶镍合金、部分带米白陶瓷热障涂层，黑色橡胶密封件，金属编织软管，镀锌钢螺栓；真实环境反射与各向异性高光。

纯白到浅灰渐变无影影棚背景，顶部柔光箱主光，两侧轮廓光，HDRI 环境反射，零件下方柔和接触阴影，地面微弱镜面反射，8K 超精细细节。每个零件旁悬浮深灰半透明圆角标签，白色无衬线字标注 A1–A12，细引线连接，左下角小字“AE-9X TURBOFAN”，文字无乱码。

负面约束：禁止卡通手绘、线稿平涂、纯色填充、人物、场景杂物、零件重叠、叶片畸形、透视夸张、水印、乱码、多余零件。

还需要再加上每个零件的中文名称和编号

我们让H3 Image生成了一台AE-9X涡扇发动机的爆炸图。提示词中的信息非常复杂，对于模型的理解能力是种考验，模型要理解部件之间的装配关系、层级和空间结构。生成的图片清晰地通过3D形式展示了每个零件的编号和中文名称，以及各个零件之间的结构关系。

H3 image的另一大特点是大段的文字、论文可直接生成流程图与可视化整理，无需人工二次预处理，从而降低信息理解门槛。我们给H3 image提供了一段技术论文的原文，让它生成了一个系统流程图。从生成效果来看，图中每一个流程步骤上的文字做到了准确、清晰，没有出现“蜘蛛爬”的现象，清晰明了的将论文原文转化成了可视的流程图。

除了上述两大痛点之外，生图模型对于图中文字的处理，往往不尽如人意。经常会出现文字笔画不对、文字重叠、不是正常文字等问题。我们让H3 image生成了一个带有设计风格的大字海报和打字机上的多行复杂小字。可以从图中看到，H3 image完美呈现了我们给他的提示词中需要展现的效果，并没有在文字的生成上出差错。并且在海报大字的内部的设计细节也得以完全呈现，而在打字机上呈现的小字英文原文也清晰无误。

CAD工程图的生成，对于模型能力也是个不小的考验。不过，这都难不倒H3 Image，从生成的效果来看，能够完美复现了我们提示词中的机甲战士，对于各个零件、尺寸、铭牌、各个方位的视图，都能够完美的展现。

4K超清，让图片告别“见光死”

常见的AI生图有不少一眼就能看穿的破绽，比如图片放大后就会发糊发虚，丢失掉很多细节；或者一在大屏幕上显示就有很多像素点，从而无法成为可用的商业物料。但这正是H3 Image的长处，H3 Image生成的4K超清大图，能够展示图中丰富的细节，从而让图片更加真实，不会让人看着“一眼假”。让用户进行放大、裁切、上大屏和商业印刷都能够直接可用，直接把4K大图提升到了日常创作使用的默认规格。

我们给H3 Image撰写了和目前当下最火的游戏《影之刃零》相似场景的提示词。可以从图中看到，无论是光影效果，还是建筑、灯光、地面、投影的细节都能够让人有种身临其境的真实感。它完全理解了游戏中场景的风格，而不是简单的中式恐怖元素的叠加，让人一看就像是游戏中的实机截图。

此外，我们还让H3 Image复刻了经典游戏的实机画面。我们在提示词中给到了视角、人物、环境、远景、色彩、光线等提示词。可以看到模型通过提示词，真正理解了我们想要的图片，并不是对该游戏风格的简单模仿，就像在真实游玩游戏一样。

H3 Image还有一大能力不得不提，它支持最多16张参考图，参考图再多，也不会损失一致性。我们可以提供不同的物品图片、不同的视角和元素，再让模型把这些参考图整合到一个场景的图片中。我们把16个物品的图片全部喂给了H3 Image，它迅速根据提示词，生成了相关场景的图片，并且把这些物品摆放在了场景中正确的位置上。这个能力实为行业顶尖水平，完全能够支撑品牌物料的一致性、IP/角色的统一性，以及帮助电商用户更好的批量出图。

4K超清大图的一大特点，就是放大几倍也不会糊。我们让H3 Image小秀一下肌肉，插入一个小彩蛋，从这张图中，点开然后放大，你能发现什么？

高质量生图不再做单选题

过去使用生图模型，用户面对的是一道单选题。要想图片效果好，就必须接受高价和闭源；要想便宜和开源，就得忍受生图效果不佳的情况。H3 Image完全打破了这一禁锢，其定价仅为同档位主流工具的 50%—70%。以 4K超高清文生图为例，标准模式约 0.2261 元/张（原价 0.4522 元），高速模式约 0.4275 元/张（原价 0.8550 元）；还有特价活动，发布首周，4K生成请求在官方价基础上再享五折。

另一个关键就是，H3 Image发布即开源，权重同步上线 Hugging Face，并通过 MiniMax 开放平台、MiniMax Code、海螺等渠道提供。让有算力硬件的团队可以本地部署，把单张图的边际成本压到更低。

这样一个模型，让效果好、便宜、开源、快，这四个维度第一次同时成立，中小团队拥有了第一次既用得起、也能本地部署的生图模型。

便宜和开源，能不能长久

一个很自然的疑问是：模型卖得这么便宜，又把权重开源出去，MiniMax靠什么把这件事做下去？

大部分开源模型都面对过类似的疑问。当前行业内的解法是，分层的Community License，约定某个收入线，这条线以下的使用者可以免费使用，这条线之上的企业需要取得商业授权。

换句话说，个人创作者、自媒体、中小团队和大多数创业公司，可以放心把它用在自己的个人项目里；只有做到一定规模的公司才会触发授权。

分层收费的解法，起到了平衡“开源让所有人用得上”和“让大客户付费，公司有动力研发更新更好的模型”这两件事的作用。

H3 Image不是MiniMax第一次做开源。今年7月，他们就把视频模型H3开源了出来，到现在三个多月，衍生出了1000多个相关模型。H3 Image也是开源的。相比视频，生图的使用频次要高得多——写文章要配图、做海报要出稿、产品详情页、PPT封面、社交媒体内容，场景几乎覆盖所有日常创作。生图门槛降下来，受益最深的是最普通的一群使用者。

不用再在预算和效果之间反复权衡的，是中小团队和个人创作者。当顶级模型属于每一个普通使用者，这才是一个真正属于人民的模型。