compañía
2026-11-11 00:04
En agosto de este año, MiniMax abrió los pesos del modelo de generación de video H3, que es el primer modelo de video de código abierto que alcanza el nivel SOTA.
En los meses siguientes, la comunidad jugó trucos que superaron con creces la demostración oficial y también dieron origen a una serie de modelos derivados como el H3 max, que realmente impulsó a la industria creativa de la IA un paso adelante.
Ahora, MiniMax ni siquiera tiene la intención de ocultar el modelo de generación de imágenes. Justo ahora se lanzó oficialmente MiniMax H3 Image, que se centra en la generación y edición de imágenes y apunta a SOTA en modelos de imágenes de código abierto.
El H3 anterior pasó una capacitación previa unificada de modo completo y tiene la capacidad de comprender y generar imágenes, videos, audios y otros contenidos, incluidas imágenes y edición de imágenes de Vincent.
Esta vez, H3 Image se basa en las capacidades existentes de H3 y realiza además una optimización posterior al entrenamiento para la generación y edición de imágenes, lo que permite que el modelo funcione mejor al seguir instrucciones complejas, detalles de imágenes y estética visual.
La experiencia más intuitiva es la resolución y la velocidad. En nuestras pruebas reales, H3 Image solo tarda entre 10 y 20 segundos en generar una imagen de alta definición 4K de 4096 × 4096.
Esto significa que en el pasado, las imágenes de alta resolución que a menudo requerían esperar decenas de segundos o incluso más, ahora pueden completarse en una docena de segundos. La generación de imágenes a nivel 4K está entrando en una era de diez segundos y las ventajas de detalle que aporta la alta resolución finalmente se pueden utilizar en creaciones diarias más frecuentes.
Usamos H3 Image para generar una variedad de imágenes altamente estéticas, que funcionan bien en CG, escenas de juegos, diseño industrial y varios estilos artísticos.
También se centra en fortalecer la capacidad de seguir instrucciones complejas, admite hasta 16 imágenes de referencia y puede comprender diferentes requisitos de temas, materiales y estilos al mismo tiempo.
Más importante aún, H3 Image se abrirá el día del lanzamiento y los desarrolladores también pueden acceder a él a través de API o usarlo en la plataforma abierta MiniMax, MCode y MiniMax Conch.
APPSO también experimentó con antelación este nuevo modelo. Además de los hermosos dibujos, también queremos saber qué tan complejos pueden ser los requisitos que puede comprender y qué tan detallada puede ser la imagen.
Los requisitos complejos se pueden dibujar con precisión
En el pasado, cuando probábamos modelos de imágenes, a menudo prestábamos más atención a si podían dibujar los objetos que aparecían en las palabras clave.
Pero en el trabajo real, los requisitos que imponemos a los diseñadores suelen ser mucho más complejos. Por ejemplo, cómo se deben ensamblar las partes del producto, qué elementos se deben retener en un área determinada y cuáles son las conexiones entre diferentes dibujos de referencia. El modelo necesita comprender estas condiciones antes de poder dibujar la imagen correcta.
Esta vez, comenzamos con el diseño estructural de un producto industrial y dejamos que H3 Image generara una vista en despiece de una máquina de café futurista. Debe mostrar la estructura del silo de granos, el molinillo, el módulo de preparación, el tanque de agua, etc., al tiempo que indica la relación de conexión de cada parte y mantiene la coherencia del diseño del producto.
Además de la estructura mecánica, el procesamiento de textos también es un problema difícil que a menudo encuentran los modelos de generación de imágenes. En particular, no sólo es necesario escribir las palabras correctamente, sino también tener en cuenta el diseño de la fuente, la composición de la imagen y el efecto visual general.
Para carteles con caracteres grandes, el modelo debe manejar el contenido del texto, el estilo de fuente y la composición visual al mismo tiempo. En escenas que contienen párrafos grandes de texto pequeño, la precisión del texto, el nivel de información y la tipografía también se convertirán en nuevos problemas.
Primero le pedimos a H3 Image que generara un póster Art Deco neoclásico con el tema de Phoenix, que combine mitología occidental, grabados retro, patrones decorativos victorianos y tipografía minimalista moderna.
La imagen H3 reproduce con precisión el título PHOENIX MYTH y el subtítulo Eternal Rebirth of the Fire Bird.
Con respecto al rendimiento de H3 Image en letra pequeña, encontramos la carta abierta de Huang Jen-Hsun que ha estado haciendo mucho ruido durante este período y le pedimos a H3 Image que generara una versión con membrete que se colocó en el escritorio.
Básicamente, el texto de la imagen se genera con precisión, no hay errores obvios y el estilo general es consistente con el estilo alrededor de la imagen. Si observa detenidamente los detalles del papel de carta, todos están relacionados con Lao Huang.
También podemos generar una escena nostálgica: una clásica chaqueta de cuero colgada en la pared, acompañada del monólogo en la máquina de escribir: "Llevo 30 años usándola".
También intentamos utilizar H3 Image para generar una interfaz de juego más compleja. La representación del texto y el diseño de la imagen son similares a los de los juegos de supervivencia, mostrando niveles de vida, poder mágico y fuerza física.
Además, depende de si Image puede comprender la lógica entre texto e imágenes. Esto requiere que tenga la capacidad de comprender la semántica, así como conocimientos de ciencia, matemáticas, biología, etc., y que pueda presentar la lógica de manera precisa y hermosa.
Desde la estructura mecánica hasta el diseño del texto y la comprensión del conocimiento, estos casos en realidad apuntan a la misma pregunta: si el modelo puede realmente comprender la información que el usuario desea expresar y convertirla con precisión en una imagen.
Esta vez H3 Image admite hasta 16 imágenes como referencia. Esto significa que podemos proporcionar diferentes perspectivas del producto, referencias de materiales, elementos de marca e imágenes de la escena, todo a la vez, y luego pedirle al modelo que integre esta información en la misma pieza.
Lo que más vale la pena esperar es que esta vez H3 Image también puede acceder a Agent Harness como MiniMax Code, Claude Code, Codex a través de API y participar directamente en procesos de tareas más complejos.
En otras palabras, podemos presentar requisitos creativos directamente en el cuadro de diálogo del Agente, dejar que el Agente organice las tareas, llamar a H3 Image para generar imágenes y luego modificar continuamente el diseño a través de conversaciones posteriores.
Desliza hacia la izquierda para ver más
Al igual que en este caso del uso de MiniMax H3 Image para generar diagramas de desmontaje de explosión del motor V8 en Codex, a través de la recopilación y organización de información del Agente, los diagramas de desmontaje finales generados son muy realistas.
Para el Agente, necesita gestionar continuamente el contexto y las opiniones de modificación del usuario; para la imagen H3, debe comprender las instrucciones complejas compiladas por el Agente y ejecutarlas con la mayor precisión posible. Esta forma de trabajar también plantea mayores requisitos para la capacidad del modelo de imagen para seguir instrucciones y comprender información compleja.
Este modelo de generación de imágenes de código abierto H3 Image puede comprender requisitos complejos, realizar modificaciones precisas y mantener la coherencia en la creación continua. Aquí es donde comienza a integrarse verdaderamente en el flujo de trabajo del Agente.
En particular, las imágenes generadas por muchos modelos actuales de generación de imágenes convencionales todavía tienen un millón o cuatro millones de píxeles, mientras que H3 Image puede generar directamente imágenes de ultra alta definición de 4096 × 4096, y el número de píxeles alcanza la calidad 4K.
Esto significa que en el flujo de trabajo posterior, incluso si ampliamos o recortamos partes de la imagen, todavía habrá suficientes detalles disponibles. Ya sea diseño de productos, carteles comerciales o materiales visuales que deben mostrarse en la pantalla grande, hay más espacio para el posprocesamiento.
Simplemente confíe en una palabra rápida para generar un verdadero sentido de belleza.
Una comprensión sólida no significa necesariamente una buena estética. Hemos visto muchas IA que pueden cumplir estrictamente con las palabras indicadas, pero las cosas que dibujan son siempre menos interesantes.
Al igual que GPT-Image, mucha gente tiene la impresión de que genera gráficos de información muy potentes, pero cuando se trata de generar imágenes muy estilizadas como Midjourney, GPT-Image también es un poco débil.
Para las imágenes de IA, especialmente escenas como CG, diseño de conceptos de juegos e ilustraciones, muchas veces no podemos describir completamente la composición, el color y la atmósfera deseados. Sólo podemos dar una orientación general, que depende básicamente del nivel estético del propio modelo.
Esta vez para probar la estética de H3 Image, encontramos algunas imágenes de referencia que nos gustaron en Midjourney. Primero le pedimos a ChatGPT que desglosara la composición, la luz y el material de la imagen en palabras clave, y luego usamos estas palabras clave para hacer preguntas a H3 Image.
Por ejemplo, en estas imágenes de carreras de caballos llenas de velocidad, dejamos claro en las palabras clave que el estilo central de las imágenes es la fotografía cinematográfica dinámica, la fotografía de seguimiento en cámara lenta y la estética de las películas de deportes retro.
La imagen H3 puede representar con precisión la mancha horizontal causada por la carrera a alta velocidad del caballo, el fondo verde oscuro, los caballos iluminados por la puesta de sol dorada y la gran área de espacio negativo abstracto y oscuro en la imagen.
No hace falta decir que no hay sabor a IA. Cuando ves cómo se generan estas fotos, incluso tienes una fuerte sensación de que se trata de una película de gran éxito, después de que los fotógrafos pasaron mucho tiempo retocando las fotos.
Seguimos usando este conjunto de palabras para probar diferentes escenas deportivas, desde carreras, ciclismo, skate, hasta autos en movimiento, personas corriendo y animales, para ver si H3 Image puede presentar la belleza de la velocidad y la textura imperfecta pero en movimiento en la fotografía.
Cada imagen es muy emotiva, y el sujeto en movimiento se disuelve gradualmente en rastros de luz, color y tiempo.
Para la generación de retratos, le pedimos a H3 Image que generara varias imágenes de fotografía de película retro con flash directo + fotografía documental de estilo de vida + estética de revista de moda independiente.
La imagen resultante es como un momento aleatorio capturado por un amigo en una fiesta privada. No hay poses cuidadosamente arregladas, pero es más vital que una fotografía formal.
Cabe destacar el realismo de los personajes que aparecen en estas imágenes. La piel conserva su textura natural, y los detalles del cabello, la ropa y las luces y sombras son lo suficientemente ricos, sin la textura grasosa y con exceso de piel que es común en muchos retratos generados por IA.
Al copiar este estilo a otras imágenes, también puede ver la capacidad de H3 Image para controlar el estilo. El fuerte contraste de luz y oscuridad que aporta el flash directo en la noche, el momento incontrolable en el que el personaje ríe de forma natural, la composición ligeramente desordenada, los ricos colores florales y la textura sin modificaciones de la instantánea de la película se generan con éxito.
Fotografías de retratos similares incluyen una película con estética clásica oriental que generamos usando H3 Image, integrando fotografías de películas de trajes chinos, luces y sombras naturalistas y textura visual de películas retro.
Estas imágenes parecen recrear un momento íntimo y cotidiano de la vida antigua. La luz del sol de la tarde que atraviesa las hojas ilumina suavemente los rostros de los personajes. Las expresiones naturales y las sombras moteadas de los árboles convierten la imagen en un recuerdo cinematográfico que será atesorado en el tiempo.
En el proceso de reproducir la pantalla de juego real de GTA V, también especificamos el estilo y la perspectiva en tercera persona en la palabra de aviso, y le pedimos a H3 Image que generara una captura de pantalla del juego en 3D de mundo abierto con el estilo visual real del juego "Grand Theft Auto V".
H3 Image entiende completamente que lo que queremos son "gráficos de juego GTA", no un simple "estilo GTA". Varias imágenes son como un marco capturado aleatoriamente por los jugadores en el mundo abierto de GTA. Son diferentes de otras imágenes generadas por IA. Otras imágenes generadas por IA se parecen más a imágenes promocionales oficiales cuidadosamente producidas.
También generamos varias imágenes muy estilizadas, todas ellas en forma de imágenes vicencianas generadas directamente al mismo tiempo. No hay ninguna referencia de imagen adicional. Con solo unas palabras breves, H3 Image puede estar estéticamente completamente libre de IA y al mismo tiempo representar con precisión el estilo que requerimos.
Para los creadores que ya tienen imágenes de referencia, podemos usar GPT-Image para extraer las palabras de indicación de estilo correspondientes, o podemos usar directamente la función de referencia de H3 Image para aplicar el método de seguimiento de enfoque de una determinada foto, o una ilustración para exponer las pinceladas en la parte inferior del papel y luego colocarlas en otro tema.
Cuando se puedan tener en cuenta al mismo tiempo la comprensión de instrucciones complejas y la estética visual, el modelo de imagen tendrá usos más prácticos. Desde dibujos de conceptos de juegos, carteles de marcas hasta diagramas de estructura de productos y planes de diseño, la cantidad de veces que los usuarios necesitan explicar repetidamente sus necesidades y ajustar las palabras clave tiene la oportunidad de reducirse aún más.
Del vídeo a las imágenes, MiniMax abre capacidades multimodales
Volviendo a la imagen H3, el aspecto más notable de esta versión debería ser el código abierto.
Ya sea el modelo de generación de video al principio o la generación de imágenes actual, estas son áreas que durante mucho tiempo han requerido una alta potencia informática, datos de entrenamiento y capacidades de modelo.
Especialmente los modelos de generación visual superior, en muchos casos, solo podemos usarlos a través de productos oficiales o API. Lo que el modelo puede hacer, cómo funciona y cómo se puede modificar aún más depende del proveedor de servicios.
El código abierto de MiniMax ha transformado el modelo del producto de una empresa en un punto de partida para que más usuarios y desarrolladores continúen creando: no solo pueden usar modelos listos para usar, sino que también tienen la oportunidad de implementar, ajustar y optimizar de acuerdo con sus propias necesidades, desarrollar nuevas herramientas de creación a su alrededor e integrar verdaderamente las capacidades del modelo en productos y flujos de trabajo existentes.
Para el contenido y la industria en general, H3 Image, como modelo de imagen de código abierto SOTA, ofrece a todos una nueva opción. Por ejemplo, los desarrolladores de juegos pueden intentar establecer un proceso de generación de material que coincida con su propio estilo artístico, los equipos de diseño pueden establecer flujos de trabajo automatizados para productos específicos y los desarrolladores individuales también tienen la oportunidad de crear sus propias aplicaciones creativas en torno al modelo abierto.
Desde videos hasta imágenes, combinados con texto, voz y otros modelos, el diseño multimodal de MiniMax está formando gradualmente una matriz de capacidades más completa. H3 ha demostrado una vez que cuando se abre el peso, la jugabilidad, los modelos derivados y los flujos de trabajo que surgen de la comunidad exceden con creces los límites de la demostración oficial, y también ha verificado que el modelo de código abierto también puede soportar una comercialización sólida.
Para nosotros, lo más emocionante es que las capacidades de generación visual de primer nivel ya no pueden depender de unos pocos servicios cerrados.
Cuando se puedan poner a disposición de los desarrolladores modelos generativos que sean lo suficientemente inteligentes y atractivos, más personas tendrán la oportunidad de convertir sus ideas en herramientas y trabajos que realmente les pertenecen.
*Todas las imágenes de este artículo se generaron utilizando MiniMax H3 Image
Zhang Zihao
Se han publicado un total de 201 artículos.
Este artículo proviene de la columna.
Artículo anterior2026-11-10 17:30
Ternus presiona al jefe de Siri, la IA de Apple no puede esperar más
Aplicación Aifaner
Ama el estilo, haz que el futuro esté a tu alcance.
Marcas digitales de moda que se centran en los productos del mañana
Herramientas avanzadas, los profetas primero, la guía de inspiración de AIGC
Una nueva era en la fabricación de automóviles, los viajeros del mañana
Explora nuevos estilos de vida en la ciudad y sé tu guía para la vida del mañana.
Copyright © Guangzhou Liwo Zhiyuan Investment Management Partnership (Sociedad en comandita) 2008 - 2026. El uso del contenido del sitio web de Aifaner con fines comerciales requiere permiso. El uso no comercial tiene licencia CC BY-NC 4.0.
Todo el contenido está disponible bajo CC BY-NC 4.0 para uso no comercial. El uso comercial de este contenido está prohibido sin permiso explícito.
