MiniMax kertoi H3-Image-mallista 10. marraskuuta blogissaan ja Hugging Facen mallikortissa. Molemmat lähteet ovat yhtiön omia, eikä niissä ole riippumattomia mittauksia. Sama malli tekee kuvia tekstikuvauksen perusteella ja muokkaa yhtä tai useampaa viitekuvaa.

MiniMax kutsuu 4096 × 4096 pikselin kuvaa 4K-kuvaksi. Blogin mukaan H3-Image tuottaa sellaisen alle 10 sekunnissa ja jopa viisi kertaa nopeammin kuin markkinoiden tavanomaiset ratkaisut. Blogi ei nimeä vertailukohtaa eikä kerro, millä laitteistolla aika mitattiin. Mallikortti ei mainitse aikaa lainkaan.

Yhtiön mukaan malli myös noudattaa ohjeita paremmin kuin mikään muu avointen painojen malli. MiniMax ei esitä väitteen tueksi vertailutestin tuloksia.

Kuusi vaihetta kohinasta kuvaksi

Diffuusiomalli rakentaa kuvan satunnaisesta kohinasta korjaamalla sitä vaihe vaiheelta. Mallikortin mukaan H3-Image on tislattu kuuteen vaiheeseen eli koulutettu tuottamaan kuva kuudella mallin ajokerralla. Mallia ei myöskään ajeta joka vaiheessa kahdesti, kuten luokittelijattomassa ohjauksessa (classifier-free guidance) tavallisesti tehdään. Blogin mukaan vaiheiden karsinta oli osa jälkikoulutusta, johon kuuluivat myös vahvistusoppiminen ja kehotteiden laajennus.

Kuvan tuottava diffuusiomuuntaja on 33,1 miljardin parametrin malli. Se perustuu H3-perheen arkkitehtuuriin ilman äänikerroksia. Tekstin tulkitsee MiniMax-H3:n tekstienkooderi muuttamattomana. Mallikortin mukaan malli toimii noin 4–20 megapikselin kuvissa ja parhaiten noin 16 megapikselin kuvissa.

Malli tarvitsee yksityiskohtaisen englanninkielisen kuvauksen koko kuvasta. MiniMaxin rajapinnassa yhtiön H3-Image-Context-IR-palvelu laajentaa lyhyen, millä kielellä tahansa kirjoitetun kehotteen tällaiseksi kuvaukseksi. Kun kuva tehdään tekstistä, kehotteen voi laajentaa omalla palvelimella erillisellä MiniMax-H3-Image-PE-mallilla. Mallikortin muokkausesimerkki käyttää laajennukseen MiniMaxin rajapintaa.

Painot vievät yli 130 gigatavua

Kuvamallin tiedostot vievät 68,65 Gt. Lisäksi tarvitaan MiniMax-H3:n repositoriosta ladattava 66,7 Gt:n tekstienkooderi. Mallikortin mukaan palvelimen voi käynnistää yhdellä GPU:lla tai jakaa pyynnön usealle GPU:lle, jolloin viive lyhenee. Mallikortin mukaan vLLM-Omni tukee muun muassa Nvidian H200:aa ja AMD:n Instinct MI350X:ää. Kortissa on käyttöohjeet SGLangille, vLLM-Omnille, diffusersille ja ComfyUI:lle.

Mallin käyttöä koskee MiniMaxin oma yhteisölisenssi. Lisenssin IV jaksossa kuvattua erillistä kirjallista lupaa haetaan MiniMaxin lomakkeella.

H3-Imagea voi käyttää valmiina palveluna MiniMaxin rajapinnan, MiniMax Coden ja Hailuo-sovelluksen kautta. Blogin mukaan palvelun vakiotila on 1,5–2 kertaa ja Highspeed-tila 3–4 kertaa tavanomaisia työkaluja nopeampi. Hinta on yhtiön mukaan 50–70 prosenttia saman tason työkalujen hinnasta. Blogi ei nimeä näitäkään työkaluja. Julkaisuviikolla 4K-kokoiset ja sitä suuremmat kuvat maksavat puolet listahinnasta.