MiniMax 开源 H3-Image：原生 4K、16 张参考图，能画 CAD 三视图，价格打到竞品一半

11 月 12 日，MiniMax 把自家的图像模型 H3-Image 直接开源了。距离它开源视频模型 H3 引发讨论还没过多久，这一次的靶心换成了生图：原生 4K、16 张参考图输入、能画 CAD 三视图，API 价格只有主流竞品的五到七成。

比起参数，更值得看的是它试图解决的那个老问题——AI 生成图片的“塑料感”。过去几年，生图模型的进步大多体现在分辨率和提示词遵循上，人脸依旧油光、皮肤依旧像剥壳鸡蛋，商业客户看一眼就知道“这是 AI 做的”。H3-Image 的切入点，是把毛孔、雀斑、绒毛、镜子上的水渍、闪光灯打在镜头上的光晕这些“不完美”画出来。

一分钟速览

• MiniMax 开源图像模型 H3-Image，原生支持 16MP（4096×4096）输出，即原生 4K。
• 支持最多 16 张参考图输入，用于角色一致性、复杂分镜连续性等场景。
• 网页端 4K 生成体感 10 至 20 秒；API 价格为主流竞品的 50% 至 70%，首周 16MP 请求再打五折。
• 能力覆盖 CAD 正交三视图、机械爆炸图、带解题步骤的高数试卷、3D 游戏场景与电商资产。
• 模型权重开放，可自行部署与定制，也可直接走 API。

从“好看”到“可用”：CAD 与排版是分水岭

衡量一个图像模型是否进入生产力，不看它能不能画美女，而看它能不能画对结构。H3-Image 最受关注的能力是“拆解”：给一张产品外观图，它能推演出正视图、侧视图、俯视图三张标准正交视图；让它画机械爆炸图，它能按装配逻辑把零件分层拆开，并标出组件引线。

这背后考验的不是画技，而是对三维几何与空间关系的理解，以及把一长串提示词转成规划的能力。另一项更硬的测试是文本排版：有测试者让它生成一张高数期末试卷，极限符号、复杂积分式在高密度学术排版下一个字符都没乱码；再让它“完成这份试卷”，输出的答案和解题步骤居然是对的。

这两件事的意义在于，图像模型开始具备“世界知识 + 指令遵循 + 结构化输出”的组合能力。它不再只是把文字翻译成像素，而是在理解物体怎么装配、公式怎么排布、场景怎么构图。对工业包装设计、商业插画、跨境营销物料这类工作流来说，周期压缩是直接的。

开源与价格：一次明确的市场动作

H3-Image 选择开源，而不是只放 API。对开发者来说，这意味着可以在私有环境里微调风格、锁定角色一致性，或把它接进自己的 Agent 工作流；对 MiniMax 来说，这是在多模态领域复制 H3 的路径——用开源换生态，用 API 换现金流。

价格策略同样直接：只有主流竞品的 50% 到 70%，首周 16MP 请求再打五折。配合原生 4K，它实际上在打一个很具体的痛点——过去生成高分辨率图片，往往要先出低分辨率图，再交给另一个模型放大修细节，中间既损失一致性，也增加成本和时间。原生 4K 把这步省掉了。

垂直模型与通用模型的路线之争

过去一年，行业流行“一个通用模型降维打击所有任务”：文本模型顺手做图、做视频、做 3D。但实际落地时，很多任务与文本关系不大，用通用模型反而更贵、更慢、更难控。

H3-Image 代表的是另一条路：各领域训各自的垂直模型，把天花板做高、把成本做低，再通过 Agent 的 Tool Call 把多个垂直模型串起来。这个思路并不新鲜，但它需要两个前提——单点能力足够强、调用足够便宜。开源加低价，正好补齐后者。

当然，冷静看还有几个变量。第一，开源权重的许可证条款决定了商业客户能否放心使用；第二，4K 生成对显存和推理成本的要求不低，实际部署成本要等社区实测；第三，评测目前多来自官方与早期用户，独立的盲测对比还不够。

多模态的“Coding 时刻”到了吗

过去两年，编程是 AI 唯一被验证的大规模商业模式，于是所有公司都往 Coding 挤。但图像生成的商业场景其实一直存在——电商、广告、游戏美术、工业设计——只是过去被“细节经不起推敲”挡在门外。

如果去 AI 味、可泛化的审美、结构逻辑这三件事同时被满足，图像模型的市场规模不会比编程小。H3-Image 至少在这三个维度上给出了可验证的样本。接下来要看的，是它能否在真实生产流程里稳定复现，而不是只在 demo 里惊艳。