把一张 4096×4096 的图放大到 100%，数一数爆炸图里的螺钉：三枚，没错；01 到 07 的引线，也没指错。这是 H3-Image 发布后被反复转发的一类测试，它想证明的不是画得好看，而是画得对。
11 月 10 日，MiniMax 发布 H3-Image 并开放权重，支持文生图、参考生图和图像编辑，最多 16 张参考图。它能在 10 秒内生成一张 4096×4096、约 1678 万像素的图。 而且是原生直出，不用再接超分模型。上手媒体实测的 4K 出图时间是 10～20 秒。 官方博客附的中位耗时图里，4K 文生图标准版 16.0 秒，极速版 10.3 秒；对照 Nano Banana 2.1 的 50 秒出头，快出一大截。所以“10 秒”是极速版的中位数，不是标准版，也不是所有部署环境都能复现。第一财经消费电子观察
真正值得看的，不是秒数。H3-Image 是从 H3 视频模型改过来的：33.1B 参数的 DiT，砍掉音频分支，蒸馏到 6 步采样，文生图和编辑共用一个 checkpoint。它的长处在“读 brief”，不在“堆滤镜”。新智元拿一张 ORB-7 探照灯的结构参考试了一次：正面图、中心剖面、零件清单，要求沿光轴拆成七件、螺钉只能三枚。出来的图，七个零件一字排开，01 到 07 的引线没指错，螺钉和孔位都是三个。 同一篇测试里，16 张参考图的“连线题”也全对：4 个机器人的头、4 套衣服、4 件乐器，再加 4 张场景参考，谁配谁没乱。至少在这次测试里，A 的脸没有长到 B 身上，盔甲的颜色也没有染进背景。它更像一个理解力很好的美术执行：先分清谁是人、谁是装备、谁是环境，再按新指令搭一场戏。对做游戏资产、电商图、分镜的人来说，这比“再好看 10%”实在。新智元
但老翻车没有消失，只是换了位置。文字是第一道。大字稳，小字偶尔出错，这是新智元引用的一位海外测试者的判断。一位拿到内测的博主写得更直接：小字、专业标注、尺寸数据和严格工程结构仍需人工校对，不能把生成结果当最终生产图纸。 手是第二道。新智元引用的一轮手语测试里，H3-Image 的正确率是 48.1%，比 Moss 的 20% 高，但仍错了一半以上。 结构图是第三道：看起来像工程图，不等于工程准确。文字也一样，一次信纸生成的表现，不能推广到所有长文本。小红书新智元消费电子观察
还有两个更朴素的问题。测试者说它远景容易糊，提示词不好写，不像 image2 那么顺手，得按 Midjourney 的路子写。 这决定了它的“翻车”不是画不出来，而是画出来了、你却得花时间确认它对不对。哔哩哔哩
4K 让这件事更麻烦。1MP 的图，错字和多余的指头会糊成一团，你一眼就重抽；16MP 的图，错误是清晰的、漂亮的、有光影的。以前一张图错了，成本是再等几十秒；现在一张图错了，成本是你得在 1678 万像素里把它找出来。10 秒出图把“生成”变便宜了，但没有把“验收”变便宜。如果一张复杂 brief 的审图时间超过 10 秒，速度红利就被吃掉了。
开源也不是“抱回家就能跑”。图像权重 68.65GB，文本编码器还得从 H3 仓库另拉 66.7GB，官方资料里没给显存门槛。 许可证还把美国、欧盟、英国、韩国排除在授权范围之外。 年化营收超过 100 万美元，或者对外提供托管服务，都要单独拿书面授权。对大多数创作者，10 秒只存在于 MiniMax 的服务器上。开放权重降低的是 API 的议价权，不是入门的门槛。大模型之家MiniMax
所以，H3-Image 能不能解决 AI 生图的老翻车？它把“画不好、画不快、画不细”往前推了一步，也开始解决“听不懂话”；但“画得对”仍然要人来兜底。它把生图从抽卡游戏变成了审图工作。10 秒出图不稀奇；10 秒之后，你愿不愿意花十分钟查那张图，才是分水岭。
