← Todas las noticias

MiniMax H3 Image: pesos abiertos y API el mismo día, 4K directo en 10 a 20 segundos según el informe, definir criterios de evaluación antes de integrar

Según un reporte de 新智元 del 10 de noviembre de 2026, MiniMax lanzó el modelo de imagen H3 Image, con pesos abiertos y API disponible el mismo día; el reporte afirma generación directa de 4096×4096, hasta 16 imágenes de referencia y prompts de 7500 caracteres. El reporte no indica la licencia de los pesos, el tamaño del modelo ni los requisitos de despliegue, y esta versión no figura en el catálogo vigente de KimiSeek.

Publicado Actualizado

Qué ha cambiado

Según un reporte de 新智元 del 10 de noviembre de 2026, MiniMax lanzó el modelo de generación de imágenes H3 Image, con pesos abiertos el día del lanzamiento, API abierta en simultáneo y su integración en MiniMax Code, la plataforma abierta de MiniMax y Hailuo AI. Las especificaciones que enumera el reporte son: generación directa de imágenes de 4096×4096, recepción de hasta 16 imágenes de referencia y un límite de 7500 caracteres por prompt. La posición oficial es la de SOTA entre los modelos de imagen de código abierto y la de estar en la primera línea global en resultados generales; el reporte señala que esta versión se centra en código abierto, alta definición y velocidad, y destaca por separado la capacidad de seguir instrucciones como punto a observar. En cuanto a velocidad, el reporte afirma que generar en 4K toma aproximadamente de 10 a 20 segundos, y compara diciendo que los modelos predominantes suelen trabajar entre 1 y 4 millones de píxeles, con tiempos del orden de minutos y, en el mejor de los casos, unos 50 segundos. El reporte también recoge observaciones de prueba de varios blogueros: generar un conjunto completo de hojas de personaje en 4K a partir de una sola foto, redibujar capturas de juegos antiguos con acabado de juego AAA, una composición tipográfica de carteles con letras grandes bastante estable pero con errores ocasionales en letras pequeñas; también menciona que un bloguero pidió al modelo imágenes de estilo CAD y diagramas mecánicos de explosión, aunque no ofrece una valoración clara de estos últimos. En el apartado de gestos de lengua de signos, el reporte cita una estadística de terceros según la cual H3 Image alcanza un 48,1% de acierto frente al 20,0% del modelo de comparación Moss. El reporte menciona además que MiniMax publicó hace tres meses los pesos del modelo de vídeo H3, sobre el cual equipos de investigación de Nvidia, Pika y fal entrenaron modelos derivados.

Impacto para desarrolladores

Para quienes integran el modelo, este reporte cambia al menos tres criterios de decisión. El siguiente es un análisis condicional basado en el contenido del reporte, no una conclusión verificada. Primero, la resolución de salida: los 4096×4096 nativos abren una ruta alternativa al flujo habitual de «generar en baja resolución y luego aplicar superresolución y ensamblado», pero si esa alternativa compensa depende de si el entregable realmente necesita ese volumen de píxeles; en escenarios solo para web o feeds, lo que sobra son sobre todo tiempo de generación y coste de almacenamiento. Segundo, el tiempo de respuesta: el reporte sitúa la generación en 4K en el rango de 10 a 20 segundos y afirma que los modelos predominantes tardan minutos o unos 50 segundos; si esa cifra se sostiene bajo carga real, la experiencia de espera en la edición interactiva de imágenes sería claramente distinta; sin embargo, el reporte no ofrece información sobre concurrencia, colas ni tasa de fallos, y el tiempo por imagen no se traduce directamente en planificación de capacidad. Tercero, la forma de entrada: 16 imágenes de referencia y prompts de 7500 caracteres implican que la consistencia entre imágenes puede delegarse a la capacidad de condicionamiento multiimagen sin tener que componer un collage localmente primero, a cambio de cuerpos de petición más grandes y de trasladar al lado del producto el coste de mantener los prompts. Los pesos abiertos y la API abierta aparecen el mismo día, lo que en apariencia ofrece dos vías de despliegue, pero el reporte no detalla el acuerdo de licencia, el formato de los pesos, el consumo de memoria de vídeo ni el framework de inferencia; por ahora solo puede confirmarse que existe una vía de invocación, y la viabilidad del autohospedaje local sigue siendo una incógnita. Lo que el reporte dice sobre texto dentro de la imagen, gestos de lengua de signos e imágenes de estilo CAD proviene de pruebas de blogueros y de estadísticas de terceros citadas, y son afirmaciones de capacidad que requieren prueba propia, no conclusiones de evaluación reproducibles.

Integración y evaluación

Las siguientes son sugerencias condicionales y pasos de evaluación; son juicios basados en el reporte, no hechos del reporte. Regla uno, ¿eliminar la etapa de superresolución? El cambio reportado es la salida nativa de 4096×4096; la decisión es mantener «generación en baja resolución más superresolución» o pasar a 4K nativo; la condición previa es si el entregable necesita detalle al 100% de ampliación, por ejemplo impresión, recortes grandes o zonas de imágenes principales de comercio electrónico; el método de medición es pasar el mismo lote de 30 prompts por ambas rutas, revisar por muestreo los bordes de texto y las líneas geométricas rectas al 100% de zoom, registrar la proporción de rehacer y la tasa de aparición de costuras de superresolución, y cambiar solo si la tasa de rehacer de la ruta nativa es claramente menor. Regla dos, espera síncrona o cola asíncrona: el cambio reportado es la afirmación de 10 a 20 segundos para generar en 4K; la decisión es poner la generación dentro de la petición del usuario en espera o usar una cola con callback; la condición previa es la concurrencia objetivo, el tiempo de espera aceptable y los límites de concurrencia y timeout del proveedor, información que el reporte no aporta; el método de medición es medir el tiempo p95 de extremo a extremo (incluida la cola) y la tasa de fallos por timeout bajo la concurrencia objetivo, y compararlo con tu acuerdo de nivel de servicio. Regla tres, cómo usar el canal de múltiples referencias: el cambio reportado son 16 imágenes de referencia y prompts de 7500 caracteres; la decisión es seguir combinando varios materiales en una sola imagen de entrada o pasar al condicionamiento multiimagen; la condición previa es si la tarea exige consistencia entre imágenes, por ejemplo vistas múltiples del mismo personaje o ángulos múltiples del mismo producto; el método de medición es fijar el mismo diseño de personaje, generar con 1 y con 8 referencias el mismo número de composiciones distintas, calcular la tasa de aprobación con tu propia comprobación de consistencia y registrar el tiempo por petición y la tasa de reintentos. Regla cuatro, ¿incluirlo en el grupo de candidatos? El cambio reportado es la descripción de la capacidad de seguir instrucciones y las pruebas de blogueros; la decisión es si confiarle tareas de restricciones fuertes como texto dentro de la imagen o imágenes de estilo CAD; la condición previa es si la tarea contiene cadenas que deben ser correctas carácter por carácter, por ejemplo textos de carteles o etiquetas de parámetros; el método de medición es preparar de 20 a 30 prompts con cadenas fijas y restricciones de maquetación, hacer comparación a nivel de carácter y calcular la tasa de acierto total. El 48,1% y el 20,0% citados en el reporte no tienen metodología conocida y no deben tomarse como referencia base.

Límites y cuestiones pendientes

El reporte no indica el acuerdo de licencia de los pesos de H3 Image, el tamaño del modelo, el formato de los pesos, el consumo de memoria de vídeo ni el framework de inferencia, ni tampoco el precio y las cuotas de la API; estos datos deben consultarse en los canales oficiales de MiniMax, y el precio y la forma de facturación en la página oficial de precios. Conviene aclarar que H3 Image no figura actualmente en el catálogo de modelos en tiempo real de KimiSeek; la API abierta mencionada antes se refiere al canal del proveedor y no significa que este sitio ya ofrezca el modelo. Abrir los pesos el día del lanzamiento tampoco equivale a una licencia de código abierto: que los pesos estén disponibles y que puedan usarse comercialmente o redistribuirse son cuestiones distintas, y el reporte solo aborda la primera. La comparación de velocidad (10 a 20 segundos frente a unos 50 segundos) y el 48,1% y 20,0% en lengua de signos provienen de cifras citadas en el reporte, sin método de prueba, tamaño de muestra ni entorno de hardware, por lo que no pueden reproducirse de forma independiente. Además, H3 Image es un modelo de imagen y no es el mismo modelo que el modelo de vídeo H3 publicado antes con el mismo nombre; sus parámetros, licencia y capacidades no pueden citarse mutuamente. Otros productos y sus cronologías mencionados al inicio del reporte forman parte del contexto narrativo de ese reporte y aquí solo se recogen como cita, sin verificación.

Tres minutos hasta la primera llamada

Crea una cuenta y una clave de API. El coste de las llamadas se descuenta de tu saldo. 30 % de descuento en tu primera recarga. Recarga ¥500, paga ¥350, recibe ¥500 de saldo. Recarga ¥1000, paga ¥850, recibe ¥1000 de saldo La recarga mínima sigue siendo de ¥10, adecuada para pruebas.

Fuentes y proceso editorial

突发!「源神」MiniMax 开源 H3 Image,最强开源模型中国造

La IA ayudó con el análisis y la traducción de las fuentes citadas, seguidos de controles automáticos. Las recomendaciones no son resultados de pruebas. Consulta el catálogo actual para precios y disponibilidad.