今天这篇讲昨晚刚开放权重的开源生图模型，重点在它怎么把高分辨率的成本压平。

4096×4096 一次直出只要 6 步：H3-Image 把生图的分辨率成本压平了

导语：昨夜 MiniMax 开放了 H3-Image 的权重，把原生 16MP 出图做成了默认档，延迟却几乎不随分辨率上涨；在同一张对比表里，4K 档它用时 10 秒级，主流模型要 50 秒。它没走“先出小图再放大”的链路，而是把采样步数和 CFG 一起砍掉。

核心要点

1. 单次前向直出 16MP：从 4096×4096 到 6272×2688，没有放大链，有效区间约 4–20MP。
2. 蒸馏到 6 步，guidance 固定为 1，不支持负向提示词；API 对其它步数或 guidance 值直接返回 400，说明这是硬调度，不是可调参数。
3. 33.1B 稠密单流 DiT，配 16 倍下采、24 通道 VAE 与 2×2 patch，一个 token 覆盖 32×32 像素，4096² 只有约 1.6 万 token。
4. 生成与编辑共用一个 checkpoint，最多 16 张参考图，文本侧直接用完整的 Qwen3-VL，读第 50 层隐状态。

正文要点

16MP 贵在哪。 常见生图模型的潜空间是 8 倍下采加 2×2 patch，一个 token 管 16×16 像素；4096² 就要 6.5 万个 token，而 DiT 的自注意力对序列长度是平方级的。再叠加 CFG 每步两次前向、二十几步采样，4K 就成了两难：慢到不可用，或者退化成放大链。

它把两头都动了。 一是潜空间更紧：16 倍下采、24 通道，再叠 2×2 patch，一个 token 覆盖 32×32 像素，同样一张 4096² 只剩约 1.6 万 token，是常见做法的四分之一。二是前向次数：蒸馏到 6 步，guidance 固定为 1，CFG 那一遍直接不存在，总前向从“25 步×2”的 50 次降到 6 次。两个因子叠起来才是量级差距，只砍其中一个都不够。

数字对得上。 官方发布材料的耗时对比里，文生图 4K 档 H3-Image 的两个速度档分别约 10.3 秒与 16 秒，同档 GPT-Image 2 Turbo 和 Seedream 5 都在 50 秒上下；而 1K 档它是 7.7–10.6 秒。从 1MP 到 16MP 只多了几秒，这是“成本被压平”最直接的证据。

部署不是免费的。 BF16 的 DiT 66GB，文本编码器还要单独拉 66.7GB（复用 H3 那份，不重复下载），单卡放不下；官方推荐用 SGLang 起服务，靠 Ulysses 序列并行拆到 4 卡降延迟。ComfyUI 那套走的是剪枝 INT8：DiT 21GB、INT8 的 Qwen3-VL-32B 25GB，再加一个可选提示词扩写器约 7GB，才勉强压进单机。想省显存，先降分辨率档，别去砍步数。

许可要单独看。 权重是开放的，但本地生成结果要商用需要 MiniMax 的商业许可，Comfy 是官方唯一转售渠道；走 Comfy Cloud 的生成已含商用权。这和“Apache 2.0 随便用”是两码事。

落地建议与坑点

1. 先算 token 预算再定分辨率。16MP 与 4MP 的 token 差四倍，显存和耗时都跟着走，别拿 1K 的体验去估 4K。
2. 别把 6 步当超参调。它是蒸馏出来的固定调度，加步数不会更清晰，接口层面也会直接拒绝。
3. 提示词要写细。模型吃的是详细英文描述，短句要靠官方 Context-IR 或本地提示词扩写器转写，这一步省不得。
4. 商用前先确认许可路径，再决定自己部署还是走云。