内容编辑丨特工小海 特工小饼

内容审核丨特工少女

这半年，中国开源的大语言模型越来越强，价格也越来越便宜，能力也越来越趋同。

不过有意思的是，当文本模型带来的新鲜感逐渐少了，在图像、视频和 3D 这些多模态领域，要找一个理解力强、成本不高、速度还快的模型，选择却很少，还有不少让我期待的空间。

MiniMax 今年开源 H3 之后，视频生态已经肉眼可见地活跃了一些：有团队基于 H3 魔改出一分钟级别的视频模型，有人做出了 24 小时连续直播的方案，甚至有人把模型跑在了个人消费级电脑上。

而图像领域 3D 领域还在等一个突破，它们都一直缺一个真正够强、同时又开源的 SOTA 模型。

11 月 10 日，MiniMax 官宣发布并直接开源了 SOTA 级别的图像模型：H3 Image。

在发布前，我们提前拿到了内测权限，花了两天时间认真测了一轮，发现这个模型有些地方确实超出了我们对「图片生成模型」的预期。

来，看 H3 Image 的疯狂表演。

H3 Image 一手实测

H3 Image 发布当天就开放了权重，支持 API 接入。

你可以直接在海螺 AI 平台体验，4K 分辨率的图大概 10 秒就能出。也可以在 MiniMax Code 等 Agent 脚手架里通过 API 调用，这种方式下模型对指令的遵循会更精准，适合需要复杂控制的场景。

它支持最多 16 张参考图输入，分辨率覆盖 1K、2K、4K。

16 张参考图这个数字意味着什么？意味着你可以给模型喂一整套视觉参考体系，从色彩到构图到细节风格，让它在一个非常明确的视觉框架里工作。

让我们直接进入实测环节:

游戏空间概念图

游戏概念设计对图片模型的要求很综合，既要审美在线，又要空间逻辑正确，还要有足够的想象力。我让它生成一个云海的环境场景，要求有光影、布局和和人物活动。

生成一张横向16:9的电影级游戏环境概念图，主题为“云海之上的最后一座茶驿”。画面只有三座悬浮岛：中央主岛建有一座深色木构茶馆，左侧小岛种着一棵红枫，右侧小岛设有飞艇停靠台。两座窄木桥分别连接中央岛与左右小岛，桥的两端必须真实接到地面，不出现断桥或多余桥梁。一位背竹篓的旅人正在左桥上走向茶馆，飞艇停在右岛外侧，不遮挡茶馆。采用略高于建筑的三分之四视角，能清楚读懂三岛布局。清晨金色侧逆光穿过冷青色云海，湿润木材、铜制屋檐和薄雾具有可信材质。中央茶馆是视觉焦点，远景简洁，画面下方保留云海留白。不添加文字、界面或水印。

 该图片使用了AI生成技术

整体的效果很精致：空间的纵深感做得很细致，尤其是光影效果特别好，光源的投射方向一致，左侧是亮光，右侧是阴影，氛围感也非常到位。

我又测试了些场景，发现 H3 Image 可以作出非常极致的效果和惊人的清晰度，放大图像，细节都清晰可见：

 该图片使用了AI生成技术

 该图片使用了AI生成技术

在海外博主的测评里，GTA 风格的场景生成和 3D 游戏场景同样表现突出，这是 H3 Image 一个比较擅长的长板。

人物形象

人物一直是 AI 图片生成的重灾区：五官变形、表情僵硬，这些问题几乎每个模型都有类似的问题。

我测试了几组不同风格的人物图，包括人物肖像、CG 角色和漫画风格，发现 H3 Image 的效果都很不错：

H3 Image 生成的写实人像，光影层次细腻，人物主体清晰突出，构图也很讲究，整体很有专业人像摄影的质感。

 该图片使用了AI生成技术

除了构图，生成同一个人物的表情也会捕捉得十分到位：

还可以做生活感的画中画：

生成虚拟人物、动漫人物时，模型自带一种独特的艺术审美：

 该图片使用了AI生成技术

 该图片使用了AI生成技术

鞋类产品广告图

接下来测一个商业场景。

我给了一段 prompt，要求生成一张运动鞋的设计原型，指定了光影方向、背景材质和品牌调性。

制作一张横向3:2的概念碳板跑鞋工业设计展示板，浅灰背景。左侧占画面三分之二，为同一只右脚跑鞋的六层垂直爆炸图；右侧为这只鞋完整组装后的侧面图。概念结构明确规定：从上到下依次为1针织鞋面、2薄鞋垫、3上层白色泡棉中底、4黑色碳板、5下层白色泡棉中底、6深灰橡胶外底。六个部件沿同一竖直装配轴分离，鞋头统一朝画面左侧，长度、弧度和接合轮廓相互匹配，不旋转、不环绕散落。每层旁边只标对应数字1至6。鞋面为奶白色，外侧有唯一一条橙红色斜纹；右侧整鞋必须保留相同斜纹、鞋底轮廓与配色。摄影棚柔光，针织、泡棉、碳纤维与橡胶的材质区别明确，兼具专业结构表达与高端运动品牌广告质感。

 该图片使用了AI生成技术

画面里的鞋，结构和材质都交代得很清楚，光影也很自然，尤其是鞋面上的纹理，放大到局部依然清晰可见。对商业场景来说，这些细节很重要：既要看着真实，也要能还原具体的设计要求（要求模型的指令遵循能力强），细节还得经得起放大看。

这几种能力结合起来，模型就更有机会进入电商和品牌方的实际工作流。

比如在新品概念探索和广告创意阶段，先快速生成几版不同材质、配色和构图的方案，把方向讨论清楚，再进入正式设计和拍摄，就能减少不少前期沟通和反复试错的成本。

手绘风格图

再来看一个考验美学功底的手绘风格任务：我让它生成一张钢笔手绘风格的城市街景。

绘制一张竖向4:5的钢笔淡彩建筑剖面插画，主题为“雨后旧书店”。一栋两层窄面宽老建筑，采用三分之四轴测视角，移除临街立面的一部分，让读者同时看到外墙和两层室内。一楼为书店，包含入口、收银台和沿墙书架；二楼为阅读室，只有一张长桌与四把椅子。两层由建筑右侧的一部连续楼梯连接，楼梯上下端分别接到两层地板，不穿过书架。门外雨棚下面只有一只蜷睡的橘猫。细而有变化的黑色钢笔线描表现砖缝、木窗和书脊，透明水彩表现雨后的灰蓝街道与室内暖黄灯光。保留冷压水彩纸纹理、自然水痕和适度留白，不把整个画面涂满。不出现摄影质感、塑料材质、文字标签或尺寸标注。

效果上，颜色的晕染边界处理得很自然，没有出现生硬的色块，甚至连画纸的感觉都渲染了出来，像是拍的照片一样：

这个风格是很多图片模型的软肋，因为对很难用语言描述的美感要求很高。H3 Image 在这里的表现，确实看得出模型训练时在美学数据上下了功夫。

测到这，感觉 H3 Image 的审美有点爆炸。

但到这还没完，接下来的测试，是让我真正意识到这个模型不一样的地方：

上传 16 张图

说起演唱会，国内非常震撼的一定少不了火星演唱会：2024 年华晨宇举办了中国内地首场海边日出演唱会，并在日出时刻卡点献唱了歌曲《向阳而生》，场面一度十分震撼。

但是很遗憾我当时没在现场，有没有可能用 AI 复刻一下呢？

于是我就想到，先给 AI 一片空地，然后把对应舞台的组件都先一个个生成一下：

然后交给它组合生成一下，就有了这样一张图：

3D 三视图

我先用 H3 Image 生成一张 3D 物体的渲染图，然后我想让它在同一张画面里画出正视图、侧视图和后视图。

 该图片使用了AI生成技术

这个任务的难点在于，模型需要从一个视角的信息推断出其他视角的形态，同时保持比例和结构的一致性，这需要模型有很强大的推理空间能力。这个能力在短剧、设计等行业很关键，为了确认人物保持一致，我们常常需要这样的三视图。

结果，H3 Image 生成的三视图，各个视角之间的比例关系基本正确，细节也能对应上：

 该图片使用了AI生成技术

后会有期定格动画

我基于最近大火的《后会友期》设计了一个友情故事，然后我在 Codex 里接入 H3 Image 的 api，要求模型保持角色的一致性，然后生成不同场景的 2K 图，通过这些图做一个静态的定格动画。

这是在 Harness 环境下整体的生成成片效果：

可以看到 H3 Image 在复杂提示词环境下依然保持着特别高的指令遵循：角色的样子、服装、发型和面部特征保持了高度一致，只有表情和姿态随场景变化。

这个能力对漫画创作者和绘本作者来说价值很大，因为角色一致性一直是 AI 图片生成在连续创作场景中最大的障碍。

更重要的是，H3 Image 还是开源的。开发者可以围绕它做适配和优化，通过 API 或工具封装接入不同的 Agent 和 Harness 平台。就像这次在 Codex 里做故事短片一样，图像生成可以融入已有的工作流，成为大家写内容、做方案、画分镜时随手调用的日常工具。

数学题解答步骤可视化

我给 H3 Image 出了一道数学几何题，为了加大难度，我特意没有提供图形参考，看看它能不能画出解题步骤：

已知：三角形ABC中，E在AC上，F在BC上，角C=90度，AC=BC，AD=DB，AE=CF，证明：DE=DF。画出这个三角形和证明过程

结果它正确的作出了辅助线，完美的完成了证明，文字也非常的清晰和准确：

海外的更多例子

海外博主的测评里还出现了一些更有意思的案例：

大部分模型生成工业设计类的图效果都很一般，博主 celestial 认为 H3 Image 模型的CAD、3D 和游戏场景表现很强。她展示了让它生成 3D 游戏的图纸，结果效果相当惊艳，堪比端游截图。

还有人测试了让 H3 Image 生成非常小的字体，效果也很棒，看起来和真的照片都有点像：

开源、智商、审美和速度，同时拥有

过去我们评价图片模型，基本上是沿着一条审美轴线在打分：

GPT 的美学表现力强，但你让它处理逻辑复杂的信息呈现，它就力不从心了。反过来，Claude 等文本模型在 3D 可视化场景中逻辑处理能力强，但生成的图在视觉审美上往往还不够极致。

并且说到底，大部分我们看到不错的效果往往是这样来的：

擅长测评、有专业 know how 的博主，花费几个小时精心制作的版本，夸张的时间和成本让他们无法真正商业化落地，更多是一种炫技。

但这次难得的是速度上，H3-Image 一骑绝尘，可以 10s 生成 4K 的高规格图像，速度可达市面主流水平的 5 倍。

H3 Image 让我第一次在同一个模型里，同时看到了这几种能力同时出现：

它能画出审美在线的手绘、水彩、CG 和广告图，同时也能理解麻将牌型、空间关系和心理学模型的逻辑，并把这些逻辑准确地可视化出来。

这两种能力的结合带来的体验提升，可能比单独提升任何一项都要大：因为在真实的使用场景里，用户几乎从来不会只要「好看」或者只要「准确」，他们要的是「又好看又准确」。

一个产品经理需要的流程图，既要逻辑正确，也要拿出去不丢人；一个游戏设计师需要的概念图，既要想象力到位，也要空间结构合理；一个老师需要的教学示意图，既要知识点准确，也要学生愿意看。

此外，价格方面一张 2K 只要一毛多，四舍五入等于不要钱。

H3 Image 在这些场景里的表现，让我觉得 Minimax 又一次找到了一个之前没有模型真正占住的生态位。

或者简单来说，这次 Minimax 又开源了一个性能怪物。

开源的 SOTA 图片模型，会怎样改变整个生态？

H3 Image 发布后，整个开源届可能又要有一轮天翻地覆级别的变化。

回头看 MiniMax 今年做的事情，有一条很清晰的线索：

H3 视频模型开源之后，生态的反应速度超出了很多人的预期。一个月内下载量超过 2400 万次，300 多个公开衍生模型出现。英伟达基于 H3 做了 4K 视频重生成方案，Pika 基于 H3 做了后训练优化，fal 基于 H3 做了推理加速。

一个 SOTA 级别的开源模型，在很短的时间里，直接变成了整个视频生成行业的公共基础设施。

随后这种基础设施开始赋能 AI 一线的创作者和 Builder，无数创业者开始通过 H3 提供视频制作平台，也有 Builder 开始通过 H3 真正的进行赚钱和变现。

H3 Image 作为第一个达到 SOTA 水平的开源图像模型，大概率会复现类似的生态效应。

开源意味着什么？意味着全球的开发者和团队可以基于这个模型做针对性的优化和改造。有人会做推理加速，让出图速度更快。有人会做风格微调，让模型在特定美学方向上表现更极致。有人会做工程适配，让模型能跑在更轻量的硬件上。

视频模型领域已经出现了能在个人消费级电脑上运行的 H3 衍生版本。图像模型的计算量比视频小得多，通过工程优化跑在笔记本电脑上的可能性更大。

当一个 SOTA 级别的图像模型的使用成本被压到接近零，很多行业的成本结构会发生变化。

游戏行业是最直接的受益者：概念设计、场景原画、角色立绘、UI 界面，这些环节目前依赖大量的美术人力。一个足够强的开源图像模型，可以把前期探索阶段的成本大幅压缩，让设计师把精力集中在最终的创意决策上。

教育领域未来也会发生类似的变化：当图像生成的成本低到每个老师都能随手使用，课堂教学的视觉化程度会有一个质的提升。数学老师可以即时生成几何推导的步骤图，物理老师可以生成力学分析的示意图，历史老师可以生成历史场景的还原图。这些今天需要专门制作课件才能实现的事情，未来可能只需要一句话。

从 H3 视频模型到 H3 Image，MiniMax 正在用开源的方式，逐个补齐多模态生成的关键拼图。文本模型的竞争已经进入了存量博弈的阶段，而图像、视频、3D 这些领域还有大量的增量空间等着被开发。

一个够强的开源模型出现，往往不只是一个产品的发布，更像是给整个生态发了一张入场券。H3 视频模型发布后发生的事情，大概率会在图像领域再发生一次。至于这张入场券最终能催生出什么样的应用和玩法，我觉得现在谁也说不准。

但有一点可以确定：当 SOTA 级别的能力变成开源的公共资源，创造力的瓶颈就不再是技术，而是想象力。

H3 Image 目前可以在海螺 AI 官网直接体验，也可以通过 API 接入到自己的工作流中。如果你做设计、做游戏、做内容创作，或者只是对 AI 图像生成感兴趣，建议立刻上手体验！

至于下一个 3D SOTA 开源模型会不会也是来自 Minimax？我已经整个期待住了。

- 完 -