AREX Feed Article
MiniMax 发布 H3-Image：官方称 10 秒出 4K 图，Runware 与 fal 发布当日上线
11 月 10 日，MiniMax 发布图像生成与编辑模型 H3-Image，权重放上 Hugging Face。给出的核心数字是：4096×4096 的 4K 图 10 秒以内生成，最多读入 16 张参考图，价格是同类主流方案的 50%～70%。
发布当天，两家推理平台把模型挂上了自己的 API。 H3 Image 与 H3 Image Highspeed「D0 上线」，模型已可用。MiniMax 的官方账号随后补了两条致谢，写给 Runware 的「Day 0 支持」，写给 fal 团队。
Day 0：Runware 的参数表和 fal 的免费窗口
MiniMax 自己的把卖点列成清单：10 秒生成 4K 图、1600 万像素、最多 16 张参考图、开放权重，通道是自家 API、MiniMax Code 和 Hailuo AI，发布周对 1600 万像素以上的生成打五折。
Runware 的公告发在 11 月 10 日 15:24 UTC（北京时间 23:24）。它的列出了这些接口参数：标准版走 minimax:h3@image，Highspeed 走 minimax:h3@image-highspeed；分辨率可选 1K、2K、4K 预设，也可以直接指定宽高，上限 20 MP，最小到 0.65 MP；比例 1:3 到 3:1；编辑时带 1 到 16 张参考图；prompt 最长 32,000 字符；一次请求最多出 20 张。
fal 的公告在 16:00 UTC 发出，北京时间已是 11 月 11 日零点。它的把能力拆成四个端点：文生图、编辑，以及各自的 Highspeed 版本，参数上限一致。输出上限 20 MP，边长 468 到 7,745 像素，一次最多 10 张。页面同时标了两条「暂不支持」：基于 mask 的局部重绘，和透明背景。试用窗口开得比较宽：到 11 月 23 日，未登录 3 张、登录 4 张、绑定支付方式 5 张，每 24 小时一轮，API 调用照常计费。
同一个模型在两家平台上，限制并不完全一样。Runware 一次能出 20 张，fal 是 10 张；Runware 的自定义尺寸从 0.65 MP 起，fal 给的是边长区间。
16 张参考图怎么用，fal 的说明里有个例子：人物取 Image 1，外套取 Image 2，场景取 Image 3，各管一部分，最后合成一张。Runware 的提示词指南写法一样，先把参考图按顺序编号，再逐张指认用途。
10 秒的来路：6 步采样与去掉音频分支的 DiT
H3 是 MiniMax ，图像版直接复用了它的主干和文本编码器。Hugging Face 的把结构写清楚了：扩散主干是 H3 的 DiT 去掉音频层，33.1B 参数，50 层，隐藏维度 5376，56 个注意力头；文本编码器是 H3 那份完整的 Qwen3-VL，DiT 读它第 50 层的隐藏状态。因为共用这套编码器，fal 把 H3-Image 描述成 H3 与 H3 Max 的「天然关键帧生成器」，图生成完可以直接交给视频模型。
4K 之所以算得动，一部分原因在 token 数量。图像 VAE 做 16 倍空间下采样、24 个 latent 通道，DiT 再按 2×2 打 patch，于是每个 transformer token 覆盖 32×32 像素。输出也不经过放大模块，4096×4096 到 6272×2688 都是原生生成；模型卡说有效区间约 4 MP 到 20 MP，16 MP 附近效果最好。
另一部分原因在采样步数。这个 checkpoint 被蒸馏到 6 步（6 NFE），且不用 classifier-free guidance。模型卡把它写成硬约束而非建议：本地起服务时 num_inference_steps 只能留空或填 6，guidance_scale 只能留空或填 1，填别的直接返回 HTTP 400。
链路前面还有一步。MiniMax 的 API 会先用 H3-Image-Context-IR 把短 prompt 改写成一段完整的英文描述，再交给模型。Runware 和 fal 上这个改写默认开着，fal 明说它会在生成前「多加一步改写」，并给了关掉的参数。
官方延迟图上的 4K 是 16.0 秒
MiniMax 博客正文写的是「10 秒以内出一张全分辨率 4K 图，最高是主流方案的 5 倍」。同一篇博文的价格段落又给了另一组倍数：Standard 是主流的 1.5～2 倍，Highspeed 是 3～4 倍。致谢 Runware 的那条帖子里，说法是「进 16 张参考图，出图快 2～3 倍」。
三组数字都能追到 MiniMax 自己的材料。在那张延迟图上，4K 文生图这一组是：Standard 16.0 秒，Highspeed 10.3 秒；对照组里 Nano Banana 2.1 的 medium 和 high 分别是 50.0 秒和 51.0 秒。4K 单参考图编辑是 18.2 秒和 12.5 秒，三张参考图是 21.4 秒和 14.4 秒。落在 10 秒附近的，是 Highspeed 那一档。
图下的注释写明了数据来源：对比数据来自「用户提供的对比图」，H3 用的是第二轮 P50 结果，其他模型沿用原始数据。也就是说，图里那些几十秒的差距，不全是在同一轮里测出来的。
fal 的落地页给的是另一组口径：示例图都是 2304×1536，每张推理 12 到 14 秒；页面还写「MiniMax 报价约 15 秒做一次 2K 编辑」。MiniMax 帖子里说「fal 上约 10 秒出 4K」，没有说明是哪个档位。
4K 图的两种计价
MiniMax 在同一篇博客里给了一张价格图，按「示例任务成本」列：4K 文生图 Standard 五折后 $0.03439，原价 $0.06879；Highspeed $0.06501，原价 $0.13001。4K 三参考图编辑是 $0.03957 和 $0.07703。1K 文生图 $0.02179。折扣到 11 月 17 日 16:00 UTC 截止，门槛是输出不小于 16,600,000 像素；图下注明这些是示例成本，不是固定单价。
Runware 按 token 计费：标准版文本输入 $2.30/百万 token、图像输入 $1.50、图像输出 $3.80。一张 1K 或 2K 图算 4,096 个输出 token，4K 约 8,200 个；按标准版输出价，前者折合 $0.016，后者原价 $0.031、五折后 $0.016。Highspeed 的输出单价是 $7.60，对应 1K/2K 的 $0.031 和 4K 的 $0.062，4K 五折后为 $0.031。这个折算只包含输出 token，prompt 改写产生的文本 token 和参考图的图像 token 另计，所以和 MiniMax 那张示例成本表不是同一口径。
权重能下载，许可证排除了四个市场
模型卡指向的仓库里，权重可以直接下载：transformer 66.28 GB，BF16 存权重，嵌入层、时间步和输出层留 FP32；VAE 2.34 GB；文本编码器不在这个仓库，要从 MiniMax-H3 仓库单独取，66.7 GB。本地起服务支持 SGLang、vLLM-Omni、diffusers 和 ComfyUI。
许可证是另一回事。仓库里的 标注日期为 2026 年 11 月 10 日，授权方是 Nanonoble Pte. Ltd.。协议把「适用区域」定义为「全球，除去排除区域」，排除区域是欧盟、英国、韩国和美国。授权只在适用区域内有效，非独占、不可转让、免版税；协议写明，这四个区域内的人想部署，可以联系 MiniMax 单独取得许可。
发布文案里的三个场景是广告创意、电商和规模化内容生产，而这份协议把美国、欧盟、英国和韩国排除在授权区域之外。要在本地复现「4K、10 秒」这两个数字，先得下完 66.28 GB 的 DiT 和 66.7 GB 的文本编码器。