MiniMax 11. listopadu 2026 zveřejnil váhy svého nového obrázkového modelu MiniMax H3 Image. Je to jeden model na tvorbu obrázků z textu i na jejich úpravy podle fotek a kreslí přímo v rozlišení kolem 16 megapixelů, bez dodatečného zvětšování. V ComfyUI je pro něj připravená oficiální šablona a na kartě RTX 3090 vznikne obrázek v plném rozlišení za 45 sekund.
Co je H3 Image
H3 Image vychází z videomodelu MiniMax H3, o kterém jsem už psal. Má stejnou architekturu, jen bez zvukové části. Jádrem je difuzní transformer s 33,1 miliardy parametrů. Zadání čte stejný textový enkodér (Qwen3-VL), jaký používá video H3. Kdo už používá video H3 v ComfyUI, enkodér nemusí stahovat znovu.
Model je destilovaný na 6 kroků a nepotřebuje negativní prompt ani CFG. Pracuje v rozsahu zhruba 4 až 20 megapixelů a nejlépe kreslí kolem 16 Mpx. Pro běžné poměry stran doporučuje MiniMax tyto velikosti:
- 1:1 – 4096 × 4096
- 3:2 – 5024 × 3360
- 16:9 – 5472 × 3072
- 21:9 – 6272 × 2688
Podle MiniMaxu má model v kategorii otevřených modelů nejpřesnější dodržování zadání. Na obrázcích je to vidět hlavně na detailech: kůže, srst, látky a tištěný text vypadají jako na fotografii, ne jako uhlazená ilustrace.
Jak ho spustit v ComfyUI
Comfy-Org připravil oficiální šablony pro tvorbu obrázku z textu (image_minimax_h3_image_t2i) i pro úpravy (image_minimax_h3_image_edit). Stačí aktualizovat ComfyUI přes Manager; v testu šablony běžely ve verzi 0.45.3.
Ke stažení jsou tři soubory:
- samotný model ve verzi int8, kterou používá šablona – 21 GB,
- VAE – 1,2 GB,
- vylepšovač zadání (Qwen 3.5 9B) – 7,3 GB.
Textový enkodér (27 GB ve verzi int8) je společný s videem H3. Kdo video H3 už má, stahuje jen zmíněných zhruba 30 GB. Ostatní ho najdou ve stejném repozitáři Comfy-Org. Je tam i menší verze modelu w4a8 o velikosti 12,6 GB, která se hodí pro karty s méně pamětí.
Na kartě RTX 3090 s 24 GB paměti trvá obrázek 5024 × 3360 (16 Mpx) 45 sekund, pokud je model už načtený. Takhle vznikl i titulní obrázek tohoto článku. První načtení modelu přidá necelou minutu.
Zadání můžeš psát česky
Model sám chce podrobný anglický popis celé scény: kdo v ní je, kde stojí, jaké je světlo, materiály a objektiv. Proto je součástí šablony vylepšovač zadání. Napíšeš krátkou větu v jakémkoli jazyce a vylepšovač z ní udělá dlouhý anglický popis, se kterým model kreslí nejlépe. Stejnou službu nabízí i API MiniMaxu, kde se jmenuje H3-Image-Context-IR.
Když chceš mít obraz plně pod kontrolou, vylepšovač vypni a napiš popis sám. V šabloně je na to jeden přepínač. Model pak kreslí jen podle tvého textu.
Úpravy podle až 16 fotek
Stejný model obrázky i upravuje. Dostane až 16 referenčních fotek a v zadání se na ně odkazuješ jako na <Picture 1>, <Picture 2> a tak dál. MiniMax na tom ukazuje několik praktických úloh:
- prázdný pokoj a devět fotek nábytku složí do jednoho zařízeného obýváku,
- šedý 3D model scény bez textur promění ve fotorealistický filmový záběr,
- z nakreslené mapy hry udělá pohled hráče z místa, kam ukazuje šipka.
Pro práci s klienty je to zajímavé hlavně tím, že produkt, postavu nebo místo stačí vyfotit a model je zasadí do nové scény bez dalšího trénování.
Storyboard v jednom obrázku
Model zvládá i obrázkový storyboard. Do jednoho zadání popíšeš místo, postavy a děj panel po panelu a dostaneš celý list 3 × 3 najednou. Postavy drží stejný obličej, vlasy i oblečení ve všech panelech a prostor je napříč záběry stejný. Velikosti záběrů (celek, polodetail, detail) model dodrží tak, jak je v zadání napíšeš.
Díky vysokému rozlišení má každý panel i ve velkém listu kolem jednoho megapixelu. Takový list jde rovnou poslat jako předlohu do videomodelu H3, který z něj natočí souvislou scénu.
Text v obrázku
H3 Image píše čitelný text na plakátech, cedulích a obalech. V ukázkách MiniMaxu jsou i celé tabule s logickou úlohou v angličtině a čínštině, kde model úlohu na tabuli správně vyřeší. Pro návrhy plakátů, obalů nebo náhledů na YouTube to ušetří práci s dopisováním textu v grafickém programu.
Licence
Model nemá běžnou open-source licenci, ale vlastní MiniMax-H3-Image Community License Agreement. Její veřejné znění vylučuje použití v Evropské unii, Spojeném království, Jižní Koreji a USA. Pro tato území nabízí MiniMax licenci na vyžádání přes svou platformu. Nad ročním obratem 1 milion USD a pro provoz modelu jako služby pro jiné je potřeba písemné svolení MiniMaxu. Před komerčním nasazením si proto licenci přečti celou, je přiložená k modelu na Hugging Face.
Kde začít
Nejrychlejší cesta je oficiální šablona v ComfyUI. Začni na 4096 × 4096 se zapnutým vylepšovačem a s krátkým českým zadáním. Až uvidíš, jaký popis z tvé věty vylepšovač udělal, budeš vědět, jak psát vlastní podrobná zadání. Pokud chceš H3 Image zapojit do výroby obrázků nebo videí ve firmě, ozvi se.
Autor: Josef Tarič
Zdroj: promptlab.cz
