一、先算清楚要下多少
11 月 10 日 MiniMax 开放 H3-Image 权重,一个 33.1B 参数的稠密单流扩散 Transformer,文本侧用 H3 的 Qwen3-VL 编码器,读第 50 层隐藏态。同一份 checkpoint 同时干文生图和编辑:不给参考图是生成,给了就是编辑,最多 16 张。
坑在体积。Hugging Face 上 MiniMaxAI/MiniMax-H3-Image 仓库 68.65GB,其中 transformer 66.28GB、VAE 2.34GB。但文本编码器不在这里——model_index.json 会去 MiniMaxAI/MiniMax-H3 的 text_encoder 目录取,另需 66.7GB,官方 vLLM-Omni 配方按 127GB 预留磁盘。只下主模型就开跑,是最常见的第一次失败。
二、选一条部署路径
官方列了四条:SGLang、vLLM-Omni、diffusers、ComfyUI。
ComfyUI 这条路最短:升到 v0.45.0,这个 tag 已合入原生条件节点 MiniMax H3 Image Conditioning,模板库里就有文生图与编辑两套官方模板。权重下 Comfy-Org 的 repack 版,按显存选档——w4a8 约 12.5GB、int8 约 21GB、bf16 约 40.2GB;文本编码器 nvfp4_awq 约 15.7GB;扩写用的 9B 模型约 7.3GB;VAE 约 1.2GB。
服务侧,单卡把 DiT 与文本编码器一起 layerwise offload,峰值显存 14.7GiB、2048×2048 出图 8.3 秒;四卡 DiT TP4 峰值 36.2GiB、1.0 秒。
12.5GB 的量化版是诱饵。文本编码器那 15.7GB 一分都省不掉,显存要按两者之和算。
三、参数只有一种合法写法
模型已蒸馏到 6 步、不带 CFG:num_inference_steps 只能省略或填 6,guidance_scale 只能省略或填 1,填别的值直接返回 400;negative_prompt 不接受;prompt 原样使用并在 4096 token 处截断。
尺寸也不能随便填。原生档位是 4096×4096、4736×3552、5024×3360、5472×3072、6272×2688,都在 1600 万像素上下,宽高比限制 1:3 到 3:1,有效区间 4MP 到 20MP,16MP 附近最好。官方模板默认从 4MP 起步是为照顾小显存,但那已是清晰度下限,低于 4MP 会明显发软。
它吃的是对成品画面的长篇描述,短提示词直接喂进去效果打对折。三条解法:云端用官方接口自动改写;本地部署 PE 扩写模型(Qwen3.8-27B 微调,FP4 权重约 19GiB,SGLang 起服务);ComfyUI 官方模板内置 9B 扩写节点,编辑模板默认就带这条链路,所以模板里那个提示词框其实是写给扩写模型看的。
四、参考图、seed 和许可证
参考图支持 JPG、PNG、WEBP、HEIC、HEIF,单个不超 64MiB。上传顺序就是提示词里的 Picture 1、Picture 2。seed 建议显式给,generator_device 设成 cpu,同一 seed 在不同机器上产生相同初始噪声。
许可证能直接否掉方案。权重按 Community License 发布,允许商用与衍生,但适用地域明确排除欧盟、英国、韩国和美国;年化收入超 100 万美元或对外提供托管服务需先取得书面授权;商业产品界面要显著展示 MiniMax-H3-Image;输出不得用于改进其他 AI 模型。
上手顺序建议:先用云端 API 把效果验明白(11 月 17 日前 4K 请求五折),再决定要不要为本地工作流付出那 127GB 和一张大显存卡。