MiniMax udostępnia H3-Image — model o otwartych wagach do natywnego generowania i edycji obrazów 4K

MiniMax udostępnił H3-Image, model do generowania i edycji obrazów o otwartych wagach, na Hugging Face. MiniMax twierdzi, że model renderuje obrazy o rozdzielczości 16 megapikseli (4K) w około 10 sekund, precyzyjnie realizuje polecenia i edytuje obrazy oraz przyjmuje do 16 obrazów referencyjnych. Są to deklaracje MiniMax.

Model jest dostępny przez API MiniMax, MiniMax Code i Hailuo AI; w tygodniu premiery generowanie obrazów o rozdzielczości 16 MP i większej jest objęte rabatem 50%.

Projekt SGLang informuje, że SGLang Diffusion obsługiwał model od pierwszego dnia, z pełną precyzją, wnioskowaniem na wielu GPU oraz przepisami konfiguracji dla DGX Spark, RTX PRO 6000, H200 i B300. Według własnych pomiarów projektu wygenerowanie obrazu 4K trwa 85 sekund na DGX Spark, 18,5 sekundy na jednym RTX PRO 6000 i 10 sekund na jednym H200 (2K: odpowiednio 16, 3,4 i 1,9 sekundy). Projekt podaje, że wstępne obliczenie AdaLN oszczędza 24,6 GiB pamięci VRAM.