Jay 发自 凹非寺 量子位 | 公众号 QbitAI

坏，真让 MiniMax 给多模态玩明白了。

继开源视频旗舰 H3 广受好评后，最新的图像模型—— H3-Image，再次席卷全网。

热度最高的是「CAD 拆解」，丢一张参考图，H3-Image 能给你小手办直接开盒了。。。

还有给宇树机器狗 CAD 了的。

总之就是万物可拆解，还能给你把零件标好。

我自己也实测了一下，你还别说，真有点东西啊……

除此之外，海外网友测下来，其他类型的复杂生图任务也是能 Handle 住的，比如——游戏。

这这这，你不说，我还以为是 GPT 编程做出来的呢。

如果只是做点电商用的简单资产，就更轻松了。

但我没想到的是，这家伙居然是个文理双全？？

保证智商的前提下，H3-Image 的审美，也有点东西。

对了，还有件事。

这种质量的图像生成模型，你跟我说居然是开源的？？？

那还说啥了。

我宣布，MiniMax 就是多模态领域的「源神」（bushi）。

告别塑料「美商」

过去我们一提到 AI 生图，脑子里第一个反应：油光满面，皮肤光滑得像剥了壳的鸡蛋，眼神呆滞，伪人感极重。

总之就是一股浓浓的「AI 味」。

GPT Image 2 在这方面进步非常大，但用多了后，恐怖谷效应依然涌上心头。

这次的 H3-Image，我感觉，应该是基本解决这个问题了。

生成完我都懵了，不是兄弟，这谁看得出来是 AI 啊？？

最重要的是人脸，毛孔、雀斑、甚至绒毛都给你画出来了。

此外，像镜子上的水泽和灰尘，闪光灯打在镜头上形成的光晕，这些细节也处理得非常离谱，真就跟小某书首页刷到的一样。

即便从仰视角度也能看出不少面部细节，就比如下面这张桌子即 ins 照片的时尚杂志封面，你仔细看人物的眼神，和微妙的面部肌肉牵引，都是非常符合现实社交逻辑的。

这也是我测 H3-Image 时最大的一个感受，很多我丢给老模型做过的提示词，H3-Image 都能给出全新诠释。

确实世界知识比较丰富。

至于人脸之外的主体，就更是手拿把掐了。

比如，把里约热内卢的城市地标，做成一个立体纸雕风格的旅行手帐。

微缩景观、光影厚度，hmm，总感觉有股 Fable 5 宣传片的味道。

而且果然又露出了小鸡脚！

你看左下角这手，看到没，它给大拇指关节附近加了几颗痣！！

放大看根本不会露馅，手指上的皮肤纹理、关节褶皱，甚至指甲边缘的自然光泽与质感，都还原得一清二楚。

有意思。

我觉得，H3-Image 之所以 AI 味这么少，可能很大程度上就取决于这些刻意为之的「瑕疵」。

任何人类主观创造的作品，必然充斥着随机性，过分追求完美反而不符合人类大脑接收信息的习惯。

但这也不禁让我有点发怵。

我一直固执地以为，审美不是机器能学会的东西。

现在看来，似乎只要能把其中的 Trick 摸清楚，很多人类引以为傲的品质，可能真的没那么神秘……

再给大家看个 demo 吧，我拿 H3-Image 搓了个法国旅游海报。

咋说呢，我真不太好意思评价，鄙人的艺术素养已经完全看不出来门道了。

唉。

SOTA 级智力

还是整点我自己能搞得明白的任务。

就多模态模型而言，我一直有两个评判标准——美商和智商。

美商就是上面测的，比较玄乎，只能聊聊主观感受。

但智商就可以说道说道了。

比如 H3-Image 就有一项非常特殊的技能点——世界理解能力。

你可以拿它生成 CAD 图纸。

是的，就是你给它一张产品的外观图，它能自动推演出标准的正交三视图——

正视图、侧视图、俯视图，一个不差。

家人们，我瘫软了。

这还不算完。

除了 CAD 外，你还能让这个模型「爆炸」开。

让 H3-Image 画个机械拆解的爆炸图，它能精准遵循机械的装配逻辑，把零件给你分层清晰地炸开，甚至连组件引线都给你标上。

这背后，无疑需要对三维几何、空间关系的深刻理解。

当然，对于这类功能属性明显的图片，指令遵循能力也是非常重要的，光「画」其实难度不是很大，主要是考验模型规划、推理的能力。

不然的话，根本搞不明白用户一大堆提示词说的是些啥。

当然了，真要打严肃生产力场景的话，标准肯定是要拉很高的，商业用途必须准确传达信息。

所以除空间理解外，文本排版这个维度，也非常重要。

所以呢，我又干了这么一件事——

生成了一张高数期末考卷。

十多秒就生成出来了。

极限符号、复杂积分式……这种高密度的学术排版，居然一个字符都没乱码。

想必是太简单了，所以我又想出一个天才提示词：

完成这份试卷。

打开一看，我仿佛看到椅子爆炸——

什么叫图像生成模型的微积分水平比我强？？？

凭借鄙人勉强结业的高数知识储备，我大概看了一下，发现答案居然是对的，还有解题步骤！？？

一时间无语凝噎。

当然，老本行，资产生成也不能少。

现在不是流行 Coding 吃掉一切吗，Astra 降维 3D，Opus 5.5 降维视频。

但我一直觉得，很多都是宣传口径，这些跟文本八杆子打不着的任务，我干嘛要用文本模型？

只能说确实纯文本领域资源多，发展比较快就是了。

从第一性原理出发，我还是比较相信垂直模型这条路，各领域训各自的，天花板会更高，成本也更现实。

而且像 H3-Image 这种垂直模型，本身就是天选专精啊，完全不矛盾，非常适合接入 Harness，让 Agent 直接 Tool Call。

这也是最近开始出现的趋势吧，不一定非得单个模型降维一切，通过通用模型去串联各个垂直模型，总效用更高。

如果光是生成用来展示的资产的话，比如下面这种恐龙玩具，垂直图像模型明显是更优解，没必要 Computer Use 半天。

毕竟如今的图像模型，光影、几何等基本物理常识已经不再是问题。

小零食啥的也是没问题，且看我如何让中国辣条走向全球。

甚至 3D 游戏画面也能生成，倒反天罡了属于是。

一段长文本的战术指令下去——什么掩体、火力压制、侧翼包抄，它能立刻给你构建出一个具有真实纵深感和合理遮挡关系的 3D 战斗场景。

严密遵循游戏术语，几乎可以直接用到概念设计里。

这我还蹬个啥 Astra Ultra 啊，反正都是看个 demo，生成几张图片不就完事了。

（bushi）

多模态「源神」

基本上就这些，除此之外呢，作为一个旗舰图像模型，H3-Image 还放出了一些小福利。

最重要的，H3-Image 直接把分辨率干到了 16MP（4096 × 4096 像素），也就是原生 4K。

泪目了家人们，我终于不用 GPT 生完图后，又丢给 Nano Banana 优化半天了。

而且 4K 生成也巨快，这么大的图，我用网页端体感就 10-20 秒。

虽然但是，谁不想在等 GPT 磨洋工的时候，美美来上一把贪吃蛇呢（bushi）。

扯远了。

除了这些，H3 还有一个比较特别的参数——

支持最多 16 张参考图输入。

就能装巨多，完美主义者福音，在角色一致性、复杂分镜连续性上，给了创作者前所未有的自由。

4K 日常创作，真正普及了。

结果就是，你可以随手扔几张参考图，再喝口水……

就能拿到这种质量的装修效果图。

这还要啥 Blender 啊。

但我万万没想到的是。

H3-Image，竟然是开源的？？？

继之前开源 SOTA 级视频模型 H3 之后，MiniMax 再次出手，又给全球开发者送上了一个可自由定制的 SOTA 底座。

多模态源神，不必多言。

当然了，就算你没心思折腾部署，API 调用也是白菜价。

只有主流竞品的 50% 到 70%，首周 16MP 请求还能再打五折（站起来蹬啊兄弟们！！）。

测到这，我突然有种预感——

多模态生成，可能正在迎来属于自己的 Coding 时刻。

过去 AI 生图在商业端常常「沦为玩具」，主要就是因为细节经不起推敲、塑料感太严重了，谁是甲方看到都不乐意啊。

但如今，H3-Image 做到了三件事——

去 AI 味、可泛化的审美、逻辑。

当这些条件被满足，多模态的应用市场，绝对不逊色于编程。

从高精度工业包装设计、商业插画，到多语言的跨境营销物料，图像模型的出现，能大幅压缩传统工作流的周期。

再叠加上刚刚说的这些 buff：速度 + 开源 + 低价……

这会是个怎样的未来，难以想象。

但最后，咱们还是把视线移回如今的 AI 圈吧。

当全球 AI 公司的目光几乎全部聚焦于纯文本时，MiniMax，仍然把很大一部分精力放在多模态世界。

这也是这家公司一直以来的特点了，从一开始就押注多模态，如今终于迎来涌现。

都说多模态对 AGI 不重要，Coding 才有商业模式……

但我一直觉得，如果 AI 的定义只容得下文本，这个未来，未免也太无趣了。

从改写视频生成格局的 H3，到如今在逻辑、结构与审美上全面突破的 H3-Image。

国产开源这把野火，彻底开始向多模态领域——

蔓延。

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！