10 秒生成一张 4096×4096 的 4K 图，速度约为主流水平的 5 倍，这是 MiniMax 新模型 H3-Image 给出的答卷。作者把它拆成四道验证题，从 CAD 三视图一路考到近 5000 字符的合同照片，看它在速度、画质和指令遵循上走到了哪一步。

先看一张图。

这是日本创作者用MiniMax新出的图像模型H3-Image做的。

作者把自家机器人角色TOTO丢进去，拿回一张拆解图海报：从头罩、天线到胸甲和四肢，一件件拆开，编号引线对得上，右下角的部件表连文字都写出来了。图有3552×4736像素，按作者的说法可以直接拿去印。

这种图难在既要好看，又不能出错，放大以后的细节还得经得起看，出图速度也不能拖后腿。

H3-Image把这几样放进了一个模型。它10秒内就能生成一张4096×4096、约16MP的4K图，速度可达市面主流水平的5倍；画面细节丰富，真实感强，没有常见的“AI感”；指令遵循是开源模型里最强的，最多支持16张参考图。效果达到第一梯队，发布当天就开放了权重，是开源模型里的SOTA。

看完网友发的这个我想亲手验一遍，就把它们拆成了4道题。

先看海外创作者的作业

结构图

TOTO那张已经看过，再看@Ankit_patel211的机甲。

左边是作者给的参考图，右边是H3-Image出的CAD风格线稿。正面、侧面、俯视三个视角各占一块，点划线中心线贯穿画面，长枪短刀、肩甲腿甲在三个视角里的位置都一致。

这类图考的是理解。模型得先看懂这台机甲由哪些部件组成、部件之间怎么咬合，才能从另外两个角度把它重新画出来。CAD和爆炸图是H3-Image最独树一帜的方向，在别的模型上很少见到这种玩法。

游戏和3D

@Peymannaderi_拿《侠盗猎车手：圣安地列斯》的一张经典截图，做了一次“次世代重制”。

上面是原版截图，下面是H3-Image参考原图做的重制版。老轿车停在街角，路灯、铁丝网和树篱都在，主角CJ也站在原来的位置；贴图、光照和材质换成了3A游戏的水准。作者自己的说法是：给CJ补上了等了20年的画质升级。

@Israa_Ali2077测的是游戏概念场景。这张废弃中继站场景里，悬崖上的锈蚀钢架和卫星天线，远处的海和飞船，远中近三层空间关系很清楚。

游戏场景、游戏资产和3D场景，是H3-Image的稳定长板。

多风格

左边是@PixelNinjaArt做的90年代复古动画风，雪夜的铁路道口、红围巾和底部字幕，像极了一帧老番截图。右边是@shedntcare_的超现实风格，一架三角钢琴摆在沙丘上，琴腿底下的沙子正往下漏。

最能看出指令遵循的，是@peter6759这张油画。

这张图的提示词要求卡拉瓦乔式的强烈明暗和深色背景，两位衣衫破旧的老渔夫从木船里拖起一张滴水的网，网里缠着一只挣扎的鹈鹕，喙和一只翅膀从网眼里伸出来，一束光从左上方打在鹈鹕的白羽和渔夫的脸上。对着成图逐条核对，这些要素都能在画里找到。

文字和知识

这张更夸张。它看起来像一份放在皮革垫上的真实合同照片，其实是AI生成的，画面里有接近5000个字符，全部来自一段文字提示词。

最后这张考的是知识。@plasm0让H3-Image画美国手语字母表，从A到Z，再加一个“ILY”，每个手势对应一个字母。模型除了会画手，还得知道每个字母的手势长什么样。

这几组从结构图一路看到大段文字，H3-Image的画面质量和指令遵循两头都顾上了。不过这些都是别人出的题，要验证官方的说法，还得自己出题。

我出的4道验证题

第1题验证换风格时的稳定性，

第2题验证复杂信息下的指令遵循，

第3题验证图像参考，以及CAD和爆炸图这类结构理解，

第4题直接掐表，验证10秒出4K和细节的真实感。

难度一道比一道高。

第1题：同一个早餐铺，换四种手艺

内测里，H3-Image在钢笔手绘、水彩这类手绘风格，以及毛毡定格动画和剪纸动画上，表现力都不错。我把这四种放进同一道题：主体描述一字不改，每次只换最后一句风格描述。这样比出来的只有风格能力，还能顺带看它换风格时会不会丢元素。

主体提示词（四次都用这一段）

清晨的老街早餐铺，系蓝色围裙的老板正把刚出锅的油条递给背双肩包的女孩，蒸笼冒着白汽，木招牌上写着“老周早点”四个字，一只橘猫趴在门口的竹凳上，竖版构图。

风格后缀（每次只换这一句）

A：钢笔速写风格，黑色针管笔排线与交叉线表现明暗，局部留白，可见纸张纹理。

B：透明水彩风格，湿画法晕染，颜料边缘自然渗化，留出纸白做高光。

C：羊毛毡定格动画风格，所有物体都是手工羊毛毡微缩布景，可见绒毛纤维和针戳痕迹，柔和棚拍灯光，浅景深。

D：多层彩色剪纸动画风格，纸片分层叠放产生投影，边缘有手工剪裁痕迹。

参数：H3-Image模型，4:3比例

按下面步骤来操作就行。

把模型切换为H3-Image。在输入框粘贴“主体提示词”，在末尾接上风格后缀A。把画面比例设为3:4。点击创作按钮

验收时可以看到老板、油条、女孩、蒸笼、橘猫五个元素，四张图里都在；招牌上的“老周早点”也都写对了

钢笔有排线，水彩能看出颜料渗化，毛毡能看出绒毛和针眼，剪纸能看出纸片之间的层叠投影。四种都像真手作才算过关。而这4点MiniMax H3-Image全都实现了。

更让我震惊的是生成速度，一张4K图片，居然10秒左右就生成完了。

第2题：一张能直接拿去评审会的用户旅程图

这道题考的是指令遵循和复杂信息的理解，官方说H3-Image的指令遵循在开源模型里是最强的。用户旅程图是体验设计里最常见的交付物之一：五个阶段、三行信息、一条情绪曲线，逻辑不能错，排版也不能丑。让我们来看一下MiniMax H3-Image能不能在处理复杂信息的同时，保证图片生成的质量。

提示词

设计一张横版16:9用户旅程地图信息图，主题“新用户首单旅程地图”，白色背景，现代扁平插画加细线图标，主色橙色，文字深灰色。从左到右分为5个阶段：“发现”“浏览”“下单”“等待”“评价”。每个阶段下方有三行，依次是“用户行为”“触点”“痛点”。

发现：看到朋友圈的新人红包；朋友圈广告；不确定红包是否真实

浏览：按距离筛选附近餐厅；首页推荐列表；担心图片与实物不符

下单：反复计算满减组合；购物车结算页；凑满减太复杂

等待：查看骑手实时位置；订单追踪页；预计送达时间跳变

评价：收餐后拍照评价；评价弹窗；评价步骤偏多

画面中部画一条贯穿5个阶段的情绪曲线：发现中性，浏览上升，下单跌到最低点，等待回升，评价到达最高点。最低点标红色气泡“凑满减太复杂”，最高点标绿色气泡“准时送达＋好评返券”。左上角写标题“新用户首单旅程地图”，右下角写小字“UX Research · 2026”。所有文字清晰准确，不出现其他文字。

依然是把模型切换为H3-Image。整段提示词完整粘贴进输入框。把画面比例设为16:9。点击生成，出图后下载原图。

看到结果之后我逐字核对27处文字：5个阶段名、3个行标题、15个单元格、2个气泡、标题和落款；情绪曲线的最低点也落在“下单”，最高点落在“评价”；都没有问题。

每个图标和所在单元格的内容也对得上。在这种内容非常零散的测试案例中，可以看到MiniMax H3-Image在复杂指令下的遵循能力还是非常不错的。

27处文字全对、曲线拐点全对，同时画面还拿得出手，这张图就能直接放进评审会的PPT。这张图可能看起来没有一些特效图片那么炫酷，但它却是我们工作中最真实需要的能力。

第3题：把一台四足机器人拆给你看

工业设计、产品结构和具身智能是最能看出图片模型细节处能力的考题。我找到一台更“工程”的四足机器人图片，用同一张参考图连出两张：一张CAD三视图，一张爆炸图。H3-Image最多支持16张参考图，这道题只用1张，重点看它能不能把一台机器的结构读懂。

测试输入图片

3a提示词：CAD三视图

参考图1中的四足机器人，绘制工程CAD三视图：正视图、侧视图、俯视图按第一角投影排布，白底黑线。可见轮廓用实线，被遮挡结构用虚线，对称轴用点划线，标注整机长、宽、高三条主尺寸线，右下角画标题栏，分三行写“QR-01四足机器人”“三视图”“比例1:5”。外形和部件与参考图保持一致。

3b提示词：爆炸图

参考图1中的四足机器人，生成竖版3:4爆炸图技术海报。沿装配轴线把机器人分解为12个部件，并用细引线连接圆形编号：

01激光雷达模组、02头部壳体、03深度相机、04躯干上盖、05主控板、06电池仓、07躯干下壳、08髋关节电机、09大腿连杆、10膝关节电机、11小腿连杆、12足端橡胶垫。

右下角画部件表，编号与名称一一对应，左上角大标题“QR-01 EXPLODED VIEW”，浅米色纸张背景，工业设计手稿质感。

两张图依然共用一张参考图，操作过程就不再赘述了，直接看结果

这个测试案例我们从更细节的地方评价一下，首先是三视图：三个视图的长、宽、高都严格对齐了；实线、虚线、点划线也用在该用的地方；标题栏文字也准确无误。

爆炸图中12个编号和部件表一一对应；四条腿的髋关节电机、大腿连杆、膝关节电机、小腿连杆和足端橡胶垫按装配顺序排开；部件之间对齐同一条装配轴线。

要注意的是，上面这张图片是我同时生成的三视图和爆炸图，也就是说，我只发了一次指令，就在同一个任务、同一张图片中完成了两个任务的图片生成，而且这两个任务都是这种复杂的结构型任务。复杂任务前的指令遵循依然相当棒。

做机器人和硬件产品的团队，评审、说明书和发布页如果用MiniMax H3-Image也能减少很多工作量。

第4题：掐着秒表，验证10秒出4K

标题里的那个问号，靠这道题来回答。官方说生成一张4096×4096、约16MP的图不到10秒，速度可达市面主流水平的5倍。验证速度很简单，掐表就行。快之外，官方还强调细节丰富、真实感强，没有常见的“AI感”，放大以后经不经得起看，也得一起验。所以我只写了一条文字提示词，把一条雨夜老街切成九宫格，每一格埋一个指定细节。出图后放大到100%逐格找，哪一格糊了、哪一格漏了，一眼就看得出来。

提示词

一张写实街拍摄影，像在二楼窗口用全画幅相机俯拍雨夜老城区的十字路口，地面积水倒映着霓虹，空气里有细雨和水汽。画面按九宫格放置以下细节：

左上：老楼阳台的晾衣绳上挂着三件衬衫，栏杆边趴着一只白猫；

正上：红色霓虹招牌“深夜食堂”，“堂”字的灯管有一段不亮；

右上：一扇亮着暖光的窗户，窗里有人在弹吉他；

正左：水果摊的纸板价签写着“西瓜5元一斤”；

正中：撑红伞的女孩正走过斑马线，伞面挂着水珠；

正右：路边停着一辆黄色出租车，车顶灯亮着“空车”；

左下：一个积水坑，完整倒映出“深夜食堂”的招牌；

正下：店门口的黑板菜单，粉笔字写着“今日特价：鱼蛋12元”；

右下：外卖骑手坐在电动车上看手机，屏幕的光照亮骑手的脸。

整体要像真实照片：有自然的镜头噪点和景深，皮肤、布料、金属和湿沥青的质感真实，不要塑料感，不要过度锐化。除上述文字外，画面不出现其他文字。

生成的结果：

整个生成过程，10秒完全浓缩了，速度又让我震惊了

主流模型出的图多是100万或400万像素，16MP在细节上的优势很明显。以前这个规格很难天天用，10秒一张之后，16MP的日常创作就成了可能。

九宫格这个思路可以直接拿去做电商主图、海报和展板，设计师把场景和细节清单换成自己的，就是一套现成的大图验收方法。

我还测试了一些其他案例，直接放出来给大家看看

带完整HUD的3A游戏实机截图

未来摩托车悬浮爆炸图

雪豹杂志封面

速度、画质和指令遵循，放进同一个模型

回头看这些图，H3-Image最让我在意的，是速度、画质和指令遵循放进了同一个模型。H3-Image在H3预训练的基础上，把后训练链路从数据和强化学习，一直做到了步数压缩、PE和部署优化，这三项竞争力是这些工作一起换来的。

速度前面已经掐过表。画质这一项，官方看重的是细节和真实感，希望缩小AI生成图像和真实视觉世界之间的距离，这两样能显著拓宽模型的使用范围。九宫格街景和雪豹封面这类图，要的就是“像真的”。

指令遵循关系到创作的上限。Claude这类文本模型擅长逻辑，审美差点意思；Midjourney这类视觉模型画面好看，碰到文字信息和逻辑关系就容易出错。

落到设计师手里，短板就是返工：逻辑对了，画面不够看；画面好看了，字和关系又得手动改。H3-Image在这一项上是开源模型里最强的。旅程图和结构图，信息图和带大段文字的海报，这些既要“对”又要“好看”的活，交给同一个模型就行，对需求的理解能力和生成图片的美观度都表现得很棒。

MiniMax此前一直在讲多模态融合，H3-Image可以看作这条路线在图像上交出的一份答卷，文生图、图像参考和图像编辑都在这一个模型里。对设计师来说，最直接的变化在初稿环节：信息图和结构图不用在两个模型之间来回倒，带精确文字要求的海报不用生成完再手动补字，要4K大图也不用先出小图再放大。

MiniMax真源神

H3-Image的开源，延续的是MiniMax在开源上的一贯做法。这次同样开放权重，创作者可以自由定制自己的模型。官方希望它能成为一个起点，让开源模型在图像生成上缩小与顶级闭源的差距。官方推文的评论区，“源神”两个字刷了一排，还有人留言“连夜入库”。

H3的发布，是有史以来第一个达到SOTA水平的视频模型开源。它催生了非常多玩法，推动了H3 max等诸多开源视频模型的出现，也推动了AI创意行业的进步。说MiniMax是“源神”，H3就是最好的注脚。

H3-Image是第一个在图像上达到SOTA水平的开源模型。视频那边的故事已经演过一遍，图像这边，接下来内容行业会冒出多少新的创意玩法，很值得期待。

H3还带来了另一个信号：开源模型也可以做好商业化。H3-Image的发布，进一步带来了MiniMax商业化收入的想象空间。对开发者和产品团队来说，开源和API接入两条路都通，可以直接调用，也可以把它接进自己的产品和工作流。

想直接上手试试的朋友，打开MiniMax Code或MiniMax海螺就能用。开发者可以通过MiniMax开放平台的API接入，也可以从Hugging Face拿开源权重自己部署。

价格这笔账也划算：标准模式的速度是主流工具的1.5到2倍，Highspeed模式是3到4倍，价格只有同档主流工具的50%到70%。发布首周，16MP及以上的请求按官方价格五折计费，想批量跑4K大图，这一周最合适。