entreprise

2026-11-11 00:04

En août de cette année, MiniMax a ouvert la pondération du modèle de génération vidéo H3, qui est le premier modèle vidéo open source à atteindre le niveau SOTA.

Au cours des mois suivants, la communauté a joué des tours basés sur celui-ci qui ont largement dépassé la démonstration officielle, et ont également donné naissance à un certain nombre de modèles dérivés tels que le H3 max, qui ont vraiment fait avancer l'industrie créative de l'IA.

Désormais, MiniMax n’a même pas l’intention de cacher le modèle de génération d’images. Tout à l'heure, MiniMax H3 Image a été officiellement publié, se concentrant sur la génération et l'édition d'images, ciblant SOTA dans les modèles d'images open source.

Le précédent H3 a suivi une pré-formation unifiée entièrement modale et a la capacité de comprendre et de générer des images, des vidéos, des audios et d'autres contenus, y compris des images Vincent et l'édition d'images.

Cette fois, H3 Image est basé sur les capacités existantes de H3 et effectue en outre une optimisation post-formation pour la génération et l'édition d'images, permettant au modèle de mieux fonctionner dans le suivi d'instructions complexes, de détails d'image et d'esthétique visuelle.

L'expérience la plus intuitive est la résolution et la vitesse. Lors de nos tests réels, il ne faut que 10 à 20 secondes à H3 Image pour générer une image haute définition de 4096 × 4096 de qualité 4K.

Cela signifie que par le passé, les images haute résolution qui nécessitaient souvent d'attendre des dizaines de secondes, voire plus, peuvent désormais être réalisées en une douzaine de secondes. La génération d'images au niveau 4K entre dans une ère de dix secondes, et les avantages en matière de détails apportés par la haute résolution peuvent enfin être utilisés dans des créations quotidiennes plus fréquentes.

Nous utilisons H3 Image pour générer une variété d’images hautement esthétiques, qui fonctionnent bien dans les images de synthèse, les scènes de jeu, le design industriel et divers styles artistiques.

Il se concentre également sur le renforcement de la capacité à suivre des instructions complexes, prenant en charge jusqu'à 16 images de référence, et peut comprendre simultanément différentes exigences en matière de sujet, de matériau et de style.

Plus important encore, H3 Image ouvrira le poids le jour de sa sortie, et les développeurs pourront également y accéder via l'API, ou l'utiliser dans la plateforme ouverte MiniMax, MCode et MiniMax Conch.

APPSO a également expérimenté ce nouveau modèle en amont. En plus des beaux dessins, nous voulons également savoir à quel point les exigences qu'il peut comprendre sont complexes et à quel point l'image peut être détaillée.

Des exigences complexes peuvent être dessinées avec précision

Dans le passé, lorsque nous testions des modèles d'images, nous accordions souvent plus d'attention à la capacité de dessiner les objets apparaissant dans les mots d'invite.

Mais dans la réalité, les exigences que nous imposons aux concepteurs sont souvent beaucoup plus complexes. Par exemple, comment les pièces du produit doivent-elles être assemblées, quels éléments doivent être conservés dans une certaine zone et quelles sont les connexions entre les différents dessins de référence. Le modèle doit comprendre ces conditions avant de pouvoir dresser un tableau correct.

Cette fois, nous sommes partis de la conception structurelle d'un produit industriel et avons laissé H3 Image générer une vue éclatée d'une machine à café futuriste. Il doit montrer la structure du silo à grains, du broyeur, du module de brassage, du réservoir d'eau, etc., tout en indiquant la relation de connexion de chaque pièce et en maintenant la cohérence de la conception du produit.

Outre la structure mécanique, le traitement de texte constitue également un problème difficile souvent rencontré par les modèles de génération d'images. En particulier, il est nécessaire non seulement d'écrire les mots correctement, mais également de prendre en compte la conception de la police, la composition de l'image et l'effet visuel global.

Pour les affiches à gros caractères, le modèle doit gérer à la fois le contenu du texte, le style de police et la composition visuelle. Dans les scènes contenant de gros paragraphes de petit texte, la précision du texte, le niveau d’information et la composition deviendront également de nouveaux problèmes.

Nous avons d'abord demandé à H3 Image de générer une affiche Art Déco néoclassique sur le thème du Phénix, qui allie mythologie occidentale, gravures rétro, motifs décoratifs victoriens et typographie minimaliste moderne.

H3 Image restitue avec précision le titre PHOENIX MYTH et le sous-titre Eternal Rebirth of the Fire Bird.

Concernant les performances de H3 Image en petits caractères, nous avons trouvé la lettre ouverte de Huang Jen-Hsun qui a fait beaucoup de bruit pendant cette période, et avons demandé à H3 Image de générer une version à en-tête qui a été placée sur le bureau.

Le texte de l'image est généré avec précision, il n'y a pas d'erreurs évidentes et le style général est cohérent avec le style autour de l'image. Si vous regardez attentivement les détails autour du papier à lettres, ils sont tous liés à Lao Huang.

On peut également générer une scène nostalgique : une veste en cuir classique accrochée au mur, accompagnée du monologue sur la machine à écrire : « Je la porte depuis 30 ans ».

Nous avons également essayé d'utiliser H3 Image pour générer une interface de jeu plus complexe. Le rendu du texte et la disposition de l'image sont similaires à ceux des jeux de survie, montrant les niveaux de vie, de pouvoir magique et de force physique.

De plus, cela dépend si Image peut comprendre la logique entre le texte et les images. Cela nécessite qu'il ait la capacité de comprendre la sémantique, ainsi que des connaissances en sciences, mathématiques, biologie, etc., et qu'il soit capable de présenter la logique avec précision et beauté.

De la structure mécanique à la disposition du texte en passant par la compréhension des connaissances, ces cas soulèvent en réalité la même question : si le modèle peut réellement comprendre les informations que l'utilisateur souhaite exprimer et les convertir avec précision en image.

Cette fois, H3 Image prend en charge jusqu'à 16 images comme référence. Cela signifie que nous pouvons fournir simultanément différentes perspectives du produit, des références de matériaux, des éléments de marque et des images de scène, puis demander au modèle d'intégrer ces informations dans la même pièce.

Ce qui mérite d'être attendu, c'est que cette fois, H3 Image peut également accéder à Agent Harness tel que MiniMax Code, Claude Code, Codex via l'API et participer directement à des processus de tâches plus complexes.

En d'autres termes, nous pouvons directement proposer des exigences créatives dans la boîte de dialogue de l'agent, laisser l'agent organiser les tâches, appeler H3 Image pour générer des images, puis modifier continuellement la conception au cours de conversations ultérieures.

Balayez vers la gauche pour en voir plus

Tout comme ce cas d'utilisation de l'image MiniMax H3 pour générer des diagrammes de démontage d'explosion de moteur V8 dans le Codex, grâce à la collecte et à l'organisation des informations par l'agent, les diagrammes de démontage finaux générés sont très réalistes.

Pour l'Agent, il doit gérer en permanence le contexte et les avis de modification de l'utilisateur ; pour l'image H3, il doit comprendre les instructions complexes compilées par l'agent et les exécuter aussi précisément que possible. Cette façon de travailler impose également des exigences plus élevées quant à la capacité du modèle d'image à suivre des instructions et à comprendre des informations complexes.

Ce modèle de génération d'images open source H3 Image peut en effet comprendre des exigences complexes, effectuer des modifications précises et maintenir la cohérence dans la création continue. C'est là qu'il commence à véritablement s'intégrer dans le flux de travail de l'agent.

En particulier, les images générées par de nombreux modèles de génération d'images grand public actuels sont toujours à un million de pixels ou quatre millions de pixels, tandis que H3 Image peut générer directement des images ultra haute définition 4096 × 4096, le nombre de pixels atteignant la qualité 4K.

Cela signifie que dans le flux de travail suivant, même si nous agrandissons ou recadrons des parties de l'image, il y aura toujours suffisamment de détails disponibles. Qu'il s'agisse de conception de produits, d'affiches commerciales ou de supports visuels devant être affichés sur grand écran, il y a plus de place pour le post-traitement.

Comptez simplement sur un mot rapide pour dessiner un véritable sentiment de beauté

Une bonne compréhension ne signifie pas nécessairement une bonne esthétique. Nous avons vu de nombreuses IA capables de se conformer strictement aux mots d'invite, mais les choses qu'elles dessinent sont toujours moins intéressantes.

Tout comme GPT-Image, beaucoup de gens ont l'impression qu'il génère des graphiques d'informations très forts, mais lorsqu'il s'agit de générer des images très stylisées comme Midjourney, GPT-Image est également un peu faible.

Pour les images d'IA, en particulier les scènes telles que les images de synthèse, la conception de jeux et les illustrations, nous ne pouvons souvent pas décrire entièrement la composition, la couleur et l'atmosphère souhaitées. Nous ne pouvons donner qu'une orientation générale, qui repose essentiellement sur le niveau esthétique du modèle.

Cette fois, pour tester l'esthétique de H3 Image, nous avons trouvé quelques images de référence qui nous ont plu sur Midjourney. Nous avons d'abord demandé à ChatGPT de décomposer la composition, la lumière et le matériau de l'image en mots rapides, puis nous avons utilisé ces mots rapides pour poser des questions à H3 Image.

Par exemple, dans ces images de courses de chevaux pleines de vitesse, nous avons clairement indiqué dans les mots rapides que le style principal des images est la photographie dynamique cinématographique, la photographie de suivi au ralenti et l'esthétique des films de sport rétro.

L'image H3 peut représenter avec précision le frottis horizontal causé par la course à grande vitesse du cheval, le fond vert foncé, les chevaux illuminés par le coucher de soleil doré et la grande zone d'espace négatif sombre et abstrait dans l'image.

Inutile de dire qu’il n’y a pas de saveur IA. Lorsque vous voyez ces photos générées, vous ressentez même une forte impression de film à succès, après que les photographes ont passé beaucoup de temps à retoucher les photos.

Nous continuons d'utiliser cet ensemble de mots d'invite pour tester différentes scènes sportives, de la course, du cyclisme, du skateboard, aux voitures en mouvement, en passant par les gens et les animaux, pour voir si H3 Image peut présenter la beauté de la vitesse et la texture imparfaite mais mouvante de la photographie.

Chaque image est très émouvante, le sujet en mouvement se dissolvant progressivement en traces de lumière, de couleur et de temps.

Pour la génération de portraits, nous avons demandé à H3 Image de générer plusieurs images de photographie argentique rétro au flash direct + photographie documentaire lifestyle + esthétique de magazine de mode indépendant.

L’image qui en résulte ressemble à un moment pris au hasard par un ami lors d’une soirée privée. Il n’y a pas de poses soigneusement arrangées, mais c’est plus vital qu’une photo formelle.

Il convient de noter en particulier le réalisme des personnages montrés dans ces images. La peau conserve sa texture naturelle et les détails des cheveux, des vêtements, de la lumière et des ombres sont suffisamment riches, sans la texture trop cutanée et grasse qui est courante dans de nombreux portraits générés par l'IA.

Lorsque vous copiez ce style sur d’autres images, vous pouvez également voir la capacité de H3 Image à contrôler le style. Le fort contraste de lumière et d'obscurité apporté par le flash direct la nuit, le moment incontrôlable où le personnage rit naturellement, la composition légèrement désordonnée, les riches couleurs florales et la texture non modifiée de l'instantané du film sont tous générés avec succès.

Des photos de portraits similaires incluent un film à l'esthétique classique orientale que nous avons généré à l'aide de H3 Image, intégrant la photographie de costumes chinois, la lumière et l'ombre naturalistes et la texture visuelle du film rétro.

Ces images semblent recréer un moment ordinaire et intime de la vie ancienne. La lumière du soleil de l'après-midi qui traverse les feuilles illumine doucement les visages des personnages. Les expressions naturelles et les ombres marbrées des arbres transforment l’image en un souvenir cinématographique qui restera précieux au fil du temps.

Dans le processus de reproduction de l'écran de jeu réel de GTA V, nous avons également spécifié le style et la perspective à la troisième personne dans le mot d'invite, et avons demandé à H3 Image de générer une capture d'écran de jeu 3D en monde ouvert avec le style visuel réel du jeu "Grand Theft Auto V".

H3 Image comprend parfaitement que ce que nous voulons, ce sont des « graphismes de jeu GTA », et non un simple « style GTA ». Plusieurs images sont comme un cadre capturé au hasard par les joueurs du monde ouvert de GTA. Elles sont différentes des autres images générées par l’IA. D’autres images générées par l’IA ressemblent davantage à des images promotionnelles officielles soigneusement produites.

Nous avons également généré plusieurs images très stylisées, toutes sous la forme d'images vincentiennes générées directement en une seule fois. Il n’y a aucune référence d’image supplémentaire. Avec seulement des mots d'invite uniques, H3 Image peut être esthétiquement totalement exempt d'IA tout en décrivant avec précision le style dont nous avons besoin.

Pour les créateurs qui ont déjà des images de référence, nous pouvons utiliser GPT-Image pour extraire les mots d'invite de style correspondants, ou nous pouvons directement utiliser la fonction de référence de H3 Image pour appliquer la méthode de suivi de mise au point d'une certaine photo, ou d'une illustration pour exposer les coups de pinceau sur le bas du papier, puis les placer sur un autre sujet.

Lorsque la compréhension d’instructions complexes et l’esthétique visuelle peuvent être prises en considération en même temps, le modèle d’image aura des utilisations plus pratiques. Des dessins de concept de jeu aux affiches de marque en passant par les diagrammes de structure de produit et les plans de conception, le nombre de fois où les utilisateurs doivent expliquer à plusieurs reprises leurs besoins et ajuster les mots d'invite a la possibilité d'être encore réduit.

De la vidéo aux images, MiniMax ouvre des capacités entièrement modales

Revenons à H3 Image, l'aspect le plus remarquable de cette version devrait être l'open source.

Qu'il s'agisse du modèle de génération vidéo au début ou de la génération d'images actuelle, ce sont des domaines qui nécessitent depuis longtemps une puissance de calcul élevée, des données de formation et des capacités de modèle.

Surtout les modèles de la meilleure génération visuelle, dans de nombreux cas, nous ne pouvons les utiliser que via des produits officiels ou des API. Ce que le modèle peut faire, comment il fonctionne et comment il peut être modifié dépend toujours du fournisseur de services.

L'open source de MiniMax a transformé le modèle du produit d'une entreprise en un point de départ permettant à un plus grand nombre d'utilisateurs et de développeurs de continuer à créer : ils peuvent non seulement utiliser des modèles prêts à l'emploi, mais ont également la possibilité de déployer, d'affiner et d'optimiser en fonction de leurs propres besoins, de développer de nouveaux outils de création autour de ceux-ci et de véritablement intégrer les capacités du modèle dans les produits et flux de travail existants.

Pour le contenu et l’industrie au sens large, H3 Image, en tant que modèle d’image open source SOTA, offre à chacun un nouveau choix. Par exemple, les développeurs de jeux peuvent essayer d'établir un processus de génération de matériel qui correspond à leur propre style artistique, les équipes de conception peuvent établir des flux de travail automatisés pour des produits spécifiques et les développeurs individuels ont également la possibilité de créer leurs propres applications créatives autour du modèle ouvert.

Des vidéos aux images, en passant par le texte, la voix et d'autres modèles, la disposition multimodale de MiniMax forme progressivement une matrice de capacités plus complète. H3 a prouvé une fois que lorsque le poids est ouvert, le gameplay, les modèles dérivés et les flux de travail émergeant de la communauté dépassent de loin les limites de la démonstration officielle, et il a également vérifié que le modèle open source peut également prendre en charge une commercialisation solide.

Pour nous, le plus excitant est que les capacités de génération visuelle de premier niveau ne peuvent plus s'appuyer sur quelques services fermés.

Lorsque des modèles génératifs suffisamment intelligents et esthétiques pourront être mis à la disposition des développeurs, davantage de personnes auront la possibilité de transformer leurs idées en outils et en œuvres qui leur appartiennent véritablement.

*Toutes les images de cet article ont été générées à l'aide de MiniMax H3 Image

Zhang Zihao

Au total, 201 articles ont été publiés

Cet article est issu de la chronique

Article précédent2026-11-10 17:30

Ternus met la pression sur le patron de Siri, l'IA d'Apple n'en peut plus d'attendre

Application Aifaner

Aimez le style, rendez l'avenir à portée de main

Des marques digitales tendances tournées vers les produits de demain

Outils avancés, les prophètes d’abord, le guide d’inspiration de l’AIGC

Une nouvelle ère de construction automobile, les voyageurs de demain

Explorez de nouveaux modes de vie en ville et soyez votre guide pour la vie de demain

Copyright © Guangzhou Liwo Zhiyuan Investment Management Partnership (société en commandite) 2008 - 2026. L'utilisation du contenu du site Web Aifaner à des fins commerciales nécessite une autorisation. L'utilisation non commerciale est sous licence CC BY-NC 4.0.

Tout le contenu est mis à disposition sous CC BY-NC 4.0 pour un usage non commercial. L'utilisation commerciale de ce contenu est interdite sans autorisation explicite.