Chińska firma AI MiniMax udostępniła H3-Image — model obrazowy o otwartych wagach, który zarówno generuje, jak i edytuje obrazy w rozdzielczości sięgającej 4K. Model wystartował 10 listopada 2026 roku.

H3-Image jest dostępny na Hugging Face — szeroko używanej platformie do udostępniania otwartych modeli uczenia maszynowego — pod organizacją MiniMaxAI, poprzez MiniMax Code oraz przez API firmy. Deweloperzy mogą więc pobrać wagi i uruchomić model na własnej infrastrukturze albo płacić za obraz korzystając z hostowanego API.

Jest jednak haczyk dla dużej części deweloperów na świecie. Licencja społecznościowa modelu wyklucza użytkowanie w Stanach Zjednoczonych, Unii Europejskiej, Wielkiej Brytanii i Korei Południowej. Wagi są publiczne, ale dywan jest podwinięty dla kilku większych rynków.

Jeden model do generowania i edycji

Większość narzędzi obrazowych dzieli pracę między dwa systemy: jeden model tworzy obrazy z tekstu, a osobny model obsługuje edycję. H3-Image łączy oba zadania w jednym frameworku, obejmując generowanie tekst-na-obraz i zaawansowaną edycję w ramach jednej architektury.

Pod maską model działa na architekturze dyfuzyjnego transformatora (DiT) — projekcji łączącej generowanie obrazów oparte na dyfuzji z komponentami transformera, czyli rodziną architektur stojącą u podstaw większości nowoczesnych modeli językowych — i posiada 33,1 miliarda parametrów, czyli wewnętrzne ustawienia wyuczone podczas treningu.

Natywna rozdzielczość 4K

Rozdzielczość wyjściowa to główny atut. H3-Image tworzy natywne obrazy o rozdzielczości około 16 megapikseli, a obsługiwane rozmiary obejmują m.in. 4096×4096. Może też generować szersze formaty do 6272×2688 — proporcje lepiej nadające się do panoram i banerów niż zdjęć profilowych. Dla porównania, standardowy wyświetlacz 4K oferuje około 8,3 megapiksela, więc natywne wyjście modelu przy większych obsługiwanych rozmiarach przewyższa tę wartość.

Słowo „natywna" ma tu duże znaczenie. Wiele modeli obrazowych generuje w niższej rozdzielczości, a następnie skaluje wynik w górę — w efekcie rozciągając mniejszy obraz i licząc, że nikt nie przybliży widoku. Wyjście natywne oznacza, że model buduje obraz w pełnym rozmiarze od początku.

Szybkość, obrazy referencyjne i wymogi lokalne

Generowanie jest wydajne: H3-Image potrzebuje tylko około 6 kroków próbkowania — iteracyjnych przebiegów doskonalących, które wykonuje model dyfuzyjny, by dojść do gotowego obrazu — i robi to bez polegania na classifier-free guidance, technice szeroko stosowanej w celu zacieśnienia zgodności wyników z promptami, kosztem dodatkowych obliczeń.

Model przyjmuje też jednocześnie do 16 obrazów referencyjnych. Daje to użytkownikom możliwość pokazania modelowi, czego chcą — konkretnej postaci, produktu czy stylu — zamiast opisywać to wyłącznie słowami.

Cennik API wynosi około 0,022 dolara za obraz 1K i około 0,069 dolara za obraz 4K, przy czym o koszcie decyduje rozmiar wyjściowy. MiniMax oferuje dodatkowo rabaty promocyjne do 17 listopada 2026 roku.

Uruchomienie modelu lokalnie wiąże się z dodatkowym wymogiem. Pełna funkcjonalność zależy od osobnego kodera tekstu, Qwen3-VL-32B, który przekształca prompty w formę przetwarzalną przez model obrazowy. Pobierany pakiet to w praktyce dwa duże modele, a nie jeden.

Integracja nadeszła szybko: ComfyUI, interfejs oparty na węzłach, szeroko używany do budowania przepływów generowania obrazów, wspierał H3-Image natychmiast po premierze.

Ograniczenia licencyjne

Kwestia licencyjna wykracza poza geografię. Oprócz zakazu użytkowania w USA, UE, Wielkiej Brytanii i Korei Południowej warunki wymagają, aby większe firmy uzyskały pisemną autoryzację od MiniMax przed użyciem modelu. Otwarte wagi nie oznaczają więc otwartego użytkowania: wagi są publiczne, ale warunki licencji nadal określają, kto i gdzie może je wdrażać.

Model pochodny już w obiegu

Ekosystem wokół H3-Image już ruszył. 3 listopada 2026 roku ogłoszono model pochodny o nazwie P-H3-Image z deklaracjami szybszego wnioskowania na sprzęcie konsumenckim. Budowanie na opublikowanych wagach to dokładnie ten typ prac następczych, które umożliwiają wydania o otwartych wagach.

Źródło: CryptoBriefing