Unternehmen
11.11.2026 00:04
Im August dieses Jahres eröffnete MiniMax die Entwicklung des H3-Videogenerationsmodells, das als erstes Open-Source-Videomodell jemals SOTA-Niveau erreichte.
In den folgenden Monaten spielte die Community darauf basierende Streiche, die weit über die offizielle Demonstration hinausgingen, und brachte auch eine Reihe abgeleiteter Modelle wie H3 max hervor, die die KI-Kreativbranche wirklich einen Schritt nach vorne brachten.
Jetzt hat MiniMax nicht einmal die Absicht, das Bilderzeugungsmodell zu verbergen. Gerade wurde MiniMax H3 Image offiziell veröffentlicht, das sich auf die Bilderzeugung und -bearbeitung konzentriert und auf SOTA in Open-Source-Bildmodellen abzielt.
Der vorherige H3 hat das einheitliche, vollmodale Vortraining bestanden und ist in der Lage, Bilder, Videos, Audios und andere Inhalte, einschließlich Vincent-Bilder und Bildbearbeitung, zu verstehen und zu generieren.
Dieses Mal basiert H3 Image auf den vorhandenen Funktionen von H3 und führt darüber hinaus eine Post-Training-Optimierung für die Bildgenerierung und -bearbeitung durch, sodass das Modell bei der Befolgung komplexer Anweisungen, Bilddetails und visueller Ästhetik eine bessere Leistung erbringen kann.
Das intuitivere Erlebnis ist Auflösung und Geschwindigkeit. In unseren tatsächlichen Tests benötigt H3 Image nur 10 bis 20 Sekunden, um ein hochauflösendes 4K-Bild mit 4096 x 4096 Pixeln zu erzeugen.
Das bedeutet, dass hochauflösende Bilder, die in der Vergangenheit oft mehrere zehn Sekunden oder sogar länger gedauert haben, jetzt innerhalb von einem Dutzend Sekunden fertiggestellt werden können. Die Bilderzeugung auf 4K-Niveau tritt in eine Ära von zehn Sekunden ein, und die Detailvorteile, die eine hohe Auflösung mit sich bringt, können endlich bei häufigeren täglichen Kreationen genutzt werden.
Wir verwenden H3 Image, um eine Vielzahl hochästhetischer Bilder zu erstellen, die sich gut für CG, Spielszenen, Industriedesign und verschiedene Kunststile eignen.
Der Schwerpunkt liegt auch auf der Stärkung der Fähigkeit, komplexe Anweisungen zu befolgen, bis zu 16 Referenzbilder zu unterstützen und gleichzeitig verschiedene Themen-, Material- und Stilanforderungen zu verstehen.
Noch wichtiger ist, dass H3 Image am Tag der Veröffentlichung veröffentlicht wird und Entwickler auch über die API darauf zugreifen oder es in der offenen MiniMax-Plattform, MCode und MiniMax Conch-Plattform verwenden können.
Auch APPSO hat dieses neue Modell vorab erlebt. Neben den schönen Zeichnungen möchten wir auch wissen, wie komplex die Anforderungen sind und wie detailliert das Bild sein kann.
Komplexe Anforderungen können präzise erfasst werden
In der Vergangenheit haben wir beim Testen von Bildmodellen oft mehr darauf geachtet, ob es die Objekte zeichnen kann, die in den Aufforderungswörtern erscheinen.
Doch in der Praxis sind die Anforderungen, die wir an Designer stellen, oft viel komplexer. Beispielsweise, wie sollen die Teile des Produkts zusammengesetzt werden, welche Elemente müssen in einem bestimmten Bereich beibehalten werden und welche Verbindungen bestehen zwischen verschiedenen Referenzzeichnungen. Das Modell muss diese Bedingungen verstehen, bevor es das richtige Bild zeichnen kann.
Dieses Mal begannen wir mit dem strukturellen Design eines Industrieprodukts und ließen H3 Image eine Explosionsansicht einer futuristischen Kaffeemaschine erstellen. Es muss die Struktur des Bohnensilos, der Mühle, des Brühmoduls, des Wassertanks usw. zeigen und gleichzeitig die Verbindungsbeziehung der einzelnen Teile angeben und die Konsistenz des Produktdesigns wahren.
Neben der mechanischen Struktur ist auch die Textverarbeitung ein schwieriges Problem, auf das Bilderzeugungsmodelle häufig stoßen. Insbesondere ist es notwendig, nicht nur die Wörter richtig zu schreiben, sondern auch die Schriftgestaltung, die Bildkomposition und die visuelle Gesamtwirkung zu berücksichtigen.
Bei Postern mit großen Zeichen muss das Modell gleichzeitig Textinhalt, Schriftstil und visuelle Komposition verarbeiten können. In Szenen, die große Absätze mit kleinem Text enthalten, werden auch Textgenauigkeit, Informationsniveau und Schriftsatz zu neuen Problemen.
Wir haben H3 Image zunächst gebeten, ein neoklassizistisches Art-Deco-Poster mit dem Thema Phoenix zu erstellen, das westliche Mythologie, Retro-Gravuren, viktorianische dekorative Muster und moderne minimalistische Typografie kombiniert.
Das H3-Bild gibt den Titel PHOENIX MYTH und den Untertitel Eternal Rebirth of the Fire Bird genau wieder.
Bezüglich der Leistung von H3 Image im Kleingedruckten haben wir den offenen Brief von Huang Jen-Hsun gefunden, der in dieser Zeit viel Aufsehen erregt hat, und H3 Image gebeten, eine Briefkopfversion zu erstellen, die auf dem Desktop platziert wurde.
Der Text im Bild ist grundsätzlich korrekt generiert, es gibt keine offensichtlichen Fehler und der Gesamtstil stimmt mit dem Stil rund um das Bild überein. Wenn Sie sich die Details rund um das Briefpapier genau ansehen, stehen sie alle im Zusammenhang mit Lao Huang.
Wir können auch eine nostalgische Szene erzeugen: eine klassische Lederjacke, die an der Wand hängt, begleitet vom Monolog auf der Schreibmaschine: „Ich trage sie seit 30 Jahren.“
Wir haben auch versucht, H3 Image zu verwenden, um eine komplexere Spieloberfläche zu erstellen. Die Textwiedergabe und das Layout im Bild ähneln denen von Überlebensspielen und zeigen Leben, magische Kraft und körperliche Stärke.
Darüber hinaus kommt es darauf an, ob Image die Logik zwischen Text und Bildern verstehen kann. Dies erfordert die Fähigkeit, Semantik zu verstehen sowie Kenntnisse in Naturwissenschaften, Mathematik, Biologie usw. zu besitzen und die Logik genau und schön darstellen zu können.
Von der mechanischen Struktur über das Textlayout bis hin zum Wissensverständnis weisen diese Fälle tatsächlich auf die gleiche Frage hin: ob das Modell die Informationen, die der Benutzer ausdrücken möchte, wirklich verstehen und sie genau in ein Bild umwandeln kann.
Dieses Mal unterstützt H3 Image bis zu 16 Bilder als Referenz. Das bedeutet, dass wir verschiedene Perspektiven des Produkts, Materialreferenzen, Markenelemente und Szenenbilder auf einmal bereitstellen und das Modell dann bitten können, diese Informationen in dasselbe Stück zu integrieren.
Darüber hinaus lohnt es sich, sich darauf zu freuen, dass H3 Image dieses Mal auch über die API auf Agent Harness wie MiniMax Code, Claude Code und Codex zugreifen und direkt an komplexeren Aufgabenprozessen teilnehmen kann.
Mit anderen Worten, wir können kreative Anforderungen direkt im Dialogfeld des Agenten vorlegen, den Agenten die Aufgaben organisieren lassen, H3 Image aufrufen, um Bilder zu generieren, und dann das Design durch nachfolgende Gespräche kontinuierlich ändern.
Wischen Sie nach links, um mehr zu sehen
Genau wie in diesem Fall der Verwendung von MiniMax H3 Image zur Generierung von Explosions-Demontagediagrammen für V8-Motoren in Codex sind die endgültigen Demontagediagramme durch die Sammlung und Organisation von Informationen durch den Agenten sehr realistisch.
Der Agent muss den Kontext und die Änderungsmeinungen des Benutzers kontinuierlich verwalten. Für das H3-Image muss es die vom Agenten zusammengestellten komplexen Anweisungen verstehen und sie so genau wie möglich ausführen. Diese Arbeitsweise stellt auch höhere Anforderungen an die Fähigkeit des Bildmodells, Anweisungen zu befolgen und komplexe Informationen zu verstehen.
Dieses Open-Source-Bildgenerierungsmodell H3 Image kann tatsächlich komplexe Anforderungen verstehen, präzise Änderungen durchführen und die Konsistenz bei der kontinuierlichen Erstellung aufrechterhalten. Hier beginnt die wirkliche Integration in den Agenten-Workflow.
Insbesondere haben die von vielen aktuellen Mainstream-Bilderzeugungsmodellen erzeugten Bilder immer noch eine Million Pixel oder vier Millionen Pixel, während H3 Image direkt ultrahochauflösende Bilder mit 4096 x 4096 erzeugen kann, wobei die Anzahl der Pixel 4K-Qualität erreicht.
Das bedeutet, dass im späteren Arbeitsablauf auch dann noch genügend Details vorhanden sind, wenn wir Teile des Bildes vergrößern oder beschneiden. Ob Produktdesign, Werbeplakate oder visuelle Materialien, die auf der großen Leinwand angezeigt werden müssen, es gibt mehr Raum für die Nachbearbeitung.
Verlassen Sie sich einfach auf ein schnelles Wort, um ein wahres Gefühl für Schönheit zu wecken
Starkes Verständnis bedeutet nicht unbedingt gute Ästhetik. Wir haben viele KIs gesehen, die sich strikt an Aufforderungswörter halten können, aber die Dinge, die sie zeichnen, sind immer weniger interessant.
Genau wie GPT-Image haben viele Leute den Eindruck, dass es sehr starke Informationsgrafiken erzeugt, aber wenn es darum geht, stark stilisierte Bilder wie Midjourney zu erzeugen, ist GPT-Image auch etwas schwach.
Bei KI-Bildern, insbesondere bei Szenen wie CG, Spielkonzeptdesign und Illustrationen, können wir die gewünschte Komposition, Farbe und Atmosphäre oft nicht vollständig beschreiben. Wir können nur eine allgemeine Richtung vorgeben, die im Wesentlichen vom eigenen ästhetischen Niveau des Modells abhängt.
Um die Ästhetik von H3 Image zu testen, haben wir dieses Mal auf Midjourney einige Referenzbilder gefunden, die uns gefallen haben. Wir haben ChatGPT zunächst gebeten, die Komposition, das Licht und das Material im Bild in kurze Worte aufzuschlüsseln, und haben dann diese kurzen Worte verwendet, um Fragen an H3 Image zu stellen.
Bei diesen rasanten Pferderennen-Bildern zum Beispiel haben wir in den treffenden Worten deutlich gemacht, dass der Kernstil der Bilder filmische dynamische Fotografie, Zeitlupen-Tracking-Fotografie und Retro-Sportfilm-Ästhetik ist.
Das H3-Bild kann den horizontalen Streifen, der durch das Hochgeschwindigkeitsrennen des Pferdes verursacht wird, den dunkelgrünen Hintergrund, die durch den goldenen Sonnenuntergang beleuchteten Pferde und den großen Bereich des dunklen, abstrakten Negativraums im Bild genau darstellen.
Es erübrigt sich zu erwähnen, dass es keinen KI-Geschmack gibt. Wenn man sieht, wie diese Fotos entstehen, entsteht sogar das starke Gefühl eines Blockbuster-Films, nachdem die Fotografen viel Zeit mit der Retusche der Fotos verbracht haben.
Wir verwenden diese Aufforderungswörter weiterhin, um verschiedene Sportszenen zu testen, von Rennen, Radfahren, Skateboarden bis hin zu fahrenden Autos, laufenden Menschen und Tieren, um zu sehen, ob H3 Image die Schönheit der Geschwindigkeit und die unvollkommene, aber bewegte Textur in der Fotografie darstellen kann.
Jedes Bild ist sehr emotional, das bewegte Motiv löst sich nach und nach in Spuren von Licht, Farbe und Zeit auf.
Für die Erstellung der Porträts haben wir H3 Image gebeten, mehrere Bilder mit Retro-Direktblitzfilmfotografie + Lifestyle-Dokumentarfotografie + unabhängiger Modemagazin-Ästhetik zu erstellen.
Das resultierende Bild ähnelt einem zufälligen Moment, den ein Freund auf einer privaten Party festgehalten hat. Es gibt keine sorgfältig arrangierten Posen, aber sie sind wichtiger als ein formelles Foto.
Besonders hervorzuheben ist der Realismus der in diesen Bildern gezeigten Charaktere. Die Haut behält ihre natürliche Textur und die Details von Haaren, Kleidung sowie Licht und Schatten sind satt genug, ohne die überhäutete und fettige Textur, die bei vielen KI-generierten Porträts üblich ist.
Wenn Sie diesen Stil auf andere Bilder kopieren, können Sie auch die Fähigkeit von H3 Image erkennen, den Stil zu steuern. Der starke Hell-Dunkel-Kontrast, der durch den direkten Blitz bei Nacht entsteht, der unkontrollierbare Moment, in dem die Figur auf natürliche Weise lacht, die leicht chaotische Komposition, die satten Blumenfarben und die unveränderte Textur des Filmschnappschusses sind alle gelungen erzeugt.
Ähnliche Porträtfotos umfassen ein Filmstill mit orientalisch-klassischer Ästhetik, das wir mit H3 Image erstellt haben und chinesische Kostümfilmfotografie, naturalistisches Licht und Schatten sowie die visuelle Textur eines Retrofilms integrieren.
Diese Bilder scheinen einen gewöhnlichen und intimen Moment im antiken Leben nachzubilden. Das durch die Blätter fallende Nachmittagssonnenlicht beleuchtet sanft die Gesichter der Charaktere. Der natürliche Ausdruck und die gesprenkelten Baumschatten machen das Bild zu einer Filmerinnerung, die mit der Zeit in Erinnerung bleiben wird.
Bei der Reproduktion des tatsächlichen Spielbildschirms von GTA V haben wir auch den Stil und die Third-Person-Perspektive im Eingabeaufforderungswort angegeben und H3 Image gebeten, einen Open-World-3D-Spiel-Screenshot mit dem tatsächlichen visuellen Stil des Spiels „Grand Theft Auto V“ zu erstellen.
H3 Image versteht voll und ganz, dass wir „GTA-Spielgrafiken“ wollen und keinen einfachen „GTA-Stil“. Mehrere Bilder sind wie ein Rahmen, der zufällig von Spielern in der offenen Welt von GTA aufgenommen wurde. Sie unterscheiden sich von anderen KI-generierten Bildern. Andere KI-generierte Bilder ähneln eher offiziellen, sorgfältig produzierten Werbebildern.
Wir haben auch mehrere stark stilisierte Bilder erstellt, die alle in der Form vinzentinischer Bilder vorliegen, die direkt zu einem bestimmten Zeitpunkt entstanden sind. Es gibt keinen zusätzlichen Bildhinweis. Mit nur einmaligen Eingabeaufforderungen kann H3 Image ästhetisch völlig KI-frei sein und gleichzeitig den von uns benötigten Stil genau wiedergeben.
Für Ersteller, die bereits über Referenzbilder verfügen, können wir GPT-Image verwenden, um die entsprechenden Stilaufforderungswörter zu extrahieren, oder wir können direkt die Referenzfunktion von H3 Image verwenden, um die Fokusverfolgungsmethode auf ein bestimmtes Foto oder eine Illustration anzuwenden, um die Pinselstriche auf der Unterseite des Papiers freizulegen und sie dann auf ein anderes Motiv zu platzieren.
Wenn komplexes Unterrichtsverständnis und visuelle Ästhetik gleichzeitig berücksichtigt werden können, wird das Bildmodell praktischere Anwendungen haben. Von Spielkonzeptzeichnungen über Markenplakate bis hin zu Produktstrukturdiagrammen und Designplänen besteht die Möglichkeit, dass die Häufigkeit, mit der Benutzer ihre Bedürfnisse wiederholt erklären und Aufforderungsworte anpassen müssen, weiter reduziert wird.
Von Video bis hin zu Bildern eröffnet MiniMax modale Möglichkeiten
Zurück zu H3 Image: Der bemerkenswerteste Aspekt dieser Veröffentlichung sollte Open Source sein.
Ob am Anfang das Videogenerierungsmodell oder die aktuelle Bildgenerierung, das sind Bereiche, die schon lange hohe Rechenleistung, Trainingsdaten und Modellfähigkeiten erfordern.
Insbesondere die besten Modelle der visuellen Generation können wir in vielen Fällen nur über offizielle Produkte oder APIs verwenden. Was das Modell kann, wie es funktioniert und wie es weiter modifiziert werden kann, hängt immer noch vom Dienstanbieter ab.
Die Open Source von MiniMax hat das Modell von einem Unternehmensprodukt in einen Ausgangspunkt für mehr Benutzer und Entwickler verwandelt, die weiterhin erstellen können: Sie können nicht nur vorgefertigte Modelle verwenden, sondern haben auch die Möglichkeit, sie entsprechend ihren eigenen Anforderungen bereitzustellen, zu verfeinern und zu optimieren, neue Erstellungstools darauf aufzubauen und Modellfunktionen wirklich in bestehende Produkte und Arbeitsabläufe zu integrieren.
Für Inhalte und die gesamte Branche bietet H3 Image als SOTA-Open-Source-Bildmodell jedem eine neue Auswahl. Spieleentwickler können beispielsweise versuchen, einen Materialgenerierungsprozess zu etablieren, der zu ihrem eigenen Kunststil passt, Designteams können automatisierte Arbeitsabläufe für bestimmte Produkte einrichten und einzelne Entwickler haben auch die Möglichkeit, ihre eigenen kreativen Anwendungen rund um das offene Modell zu entwickeln.
Von Videos bis hin zu Bildern, kombiniert mit Text, Sprache und anderen Modellen, bildet das multimodale Layout von MiniMax nach und nach eine umfassendere Leistungsmatrix. H3 hat einmal bewiesen, dass das Gameplay, die abgeleiteten Modelle und die Arbeitsabläufe, die aus der Community hervorgehen, die Grenzen der offiziellen Demonstration weit überschreiten, wenn das Gewicht geöffnet wird, und es hat auch bestätigt, dass das Open-Source-Modell auch eine solide Kommerzialisierung unterstützen kann.
Das Spannendste für uns ist, dass die visuellen Generierungsfunktionen der ersten Ebene nicht mehr auf ein paar geschlossene Dienste angewiesen sind.
Wenn generative Modelle, die intelligent genug und gut aussehend genug sind, Entwicklern zur Verfügung gestellt werden können, haben mehr Menschen die Möglichkeit, ihre Ideen in Werkzeuge und Werke umzusetzen, die wirklich ihnen gehören.
*Alle Bilder in diesem Artikel wurden mit MiniMax H3 Image erstellt
Zhang Zihao
Insgesamt wurden 201 Artikel veröffentlicht
Dieser Artikel stammt aus der Kolumne
Vorheriger Artikel2026-11-10 17:30
Ternus übt Druck auf Siri-Chef aus, Apple AI kann nicht länger warten
Aifaner-App
Lieben Sie Stil, machen Sie die Zukunft greifbar
Digitale Trendmarken mit Fokus auf die Produkte von morgen
Fortgeschrittene Tools, Propheten zuerst, AIGCs Inspirationsleitfaden
Eine neue Ära des Automobilbaus, die Reisenden von morgen
Entdecken Sie neue Lebensstile in der Stadt und seien Sie Ihr Wegweiser für das Leben von morgen
Copyright © Guangzhou Liwo Zhiyuan Investment Management Partnership (Limited Partnership) 2008 - 2026. Die Nutzung der Inhalte der Aifaner-Website für kommerzielle Zwecke erfordert eine Genehmigung. Die nichtkommerzielle Nutzung ist unter CC BY-NC 4.0 lizenziert.
Alle Inhalte werden im Rahmen des CC BY-NC 4.0 zur nichtkommerziellen Nutzung zur Verfügung gestellt. Eine kommerzielle Nutzung dieser Inhalte ist ohne ausdrückliche Genehmigung untersagt.
