MiniMax veröffentlicht Open-Weights-Bildmodell H3 Image: 68 GB, quantisiert 18 GB
Laut Matthew Berman ist H3 Image von MiniMax ein vollständig offenes Open-Weights-Bildmodell, in voller Größe 68 GB und als quantisierte Version rund 18 GB groß.
MiniMax hat H3 Image als Open Weights auf Hugging Face veröffentlicht. Die Model Card beschreibt einen einzigen Checkpoint, der sowohl Bilder aus Text erzeugt als auch bis zu 16 Referenzbilder bearbeitet. Matthew Berman zufolge ist das vollständige Modell 68 GB groß und ab sofort herunterladbar. In der Model-Zoo-Tabelle der Card ist das BF16-Bildmodell mit 68,65 GB angegeben, im Download-Abschnitt der Transformer-Ordner mit 66,28 GB. Laut Card ist der Text-Encoder allerdings nicht im Repository enthalten. Er wird aus dem separaten MiniMax-H3-Repository geladen, das 66,7 GB umfasst, und nicht erneut heruntergeladen, wenn MiniMax-H3 bereits vorhanden ist. Eine erstmalige lokale Installation braucht daher mehr, als die 68 GB vermuten lassen.
Die Card beschreibt einen dichten Diffusion Transformer mit 33,1 Milliarden Parametern und 50 Schichten. Er ist auf sechs Sampling-Schritte destilliert und kommt ohne Classifier-Free Guidance aus. Der Bild-VAE arbeitet mit 16-fachem räumlichem Downsampling, sodass jeder Transformer-Token 32x32 Pixel abdeckt. Laut MiniMax liefert das Modell in jedem Seitenverhältnis rund 16 Megapixel, von 4096x4096 bis 6272x2688 bei 21:9, ohne Upscaler. Am besten funktioniert das Modell laut Card um 16 MP, der Arbeitsbereich liegt bei etwa 4 MP bis 20 MP. Bilder dieser Größe erfordern in der Regel deutlich mehr Rechenaufwand als die Ausgaben mit 1 bis 4 MP, mit denen die Card vergleicht. Die Behauptung, MiniMax halte diesen Aufwand im Rahmen, belegt der Text nicht mit Latenzwerten. Stattdessen verweist er auf ein vLLM-Omni-Rezept, das die gemessene Latenz je Hardwarekonfiguration angibt.
Bermans Angabe von 18 GB deckt sich nicht mit dem Repository. Die 17,9 GB große Datei im Model Zoo ist ein NVFP4-Build des optionalen Prompt Expanders MiniMax-H3-Image-PE für Text-to-Image. Das Bildmodell selbst ist nur in BF16 gelistet. Berman sagte außerdem, die quantisierte Version laufe auf den meisten aktuellen Computern. Zu Consumer-Hardware sagt die Card nichts. Sie empfiehlt SGLang, vLLM-Omni, diffusers oder ComfyUI. Im vLLM-Omni-Abschnitt werden Beschleuniger wie NVIDIA H200, RTX PRO 6000 Blackwell und AMD Instinct MI350X genannt. Das diffusers-Beispiel lädt das Modell auf cuda, mit dem Hinweis, auf Apple-Geräten zu mps zu wechseln.
Berman bezeichnete H3 Image als vollständig quelloffen mit offenen Gewichten. Laut Card steht das Modell unter dem MiniMax-H3-Image Community License Agreement. Zudem heißt es dort, eine gesonderte schriftliche Genehmigung, beschrieben in Abschnitt IV dieser Lizenz, werde über ein Antragsformular beantragt.
Die Card stellt eigene Leistungsbehauptungen auf. Demnach befolgt H3-Image Anweisungen besser als alle anderen Open-Source-Modelle und unterstützt für mehr Kontrolle bis zu 16 Referenzbilder. Außerdem wandle die API einen kurzen Prompt vor der Generierung mit dem Schritt H3-Image-Context-IR in eine ausführliche englische Beschreibung um. Der lokale Workflow erreiche laut Card die Qualität der über die API erzeugten Bilder. Als lokale Alternative für diesen Prompt-Schritt bietet die Card den optionalen Expander MiniMax-H3-Image-PE an, der laut Card derselben Lizenzvereinbarung unterliegt.
Was sich ändert
Art: Neue Funktion · Betrifft: H3 Image, MiniMax-H3-Image-PE, MiniMax-H3
Warum es wichtig ist
Ein herunterladbares Bildmodell, das auf Consumer-Hardware läuft, ermöglicht es Teams, die Bildgenerierung im eigenen Haus zu behalten und API-Gebühren pro Bild zu vermeiden.
Originalquelle
Wo wir es gesehen haben
Forward Future (Matthew Berman)
KI hat diese Zusammenfassung aus den genannten Quellen geschrieben und ins Deutsche übersetzt. Niemand hat sie vor der Veröffentlichung einzeln geprüft. Bitte prüfen Sie die Originalquelle, bevor Sie sich darauf verlassen. So funktioniert es