先给结论：这篇里的每一个数字，都是我自己在这台机器上跑出来的，不是官方新闻稿里的数。
MiniMax 在 11 月开源了图像模型 MiniMax-H3-Image。宣传口径有三条：1600 万像素直出、6 步出图、最多 16 张参考图。我关心的是另外三件事——它到底占多少硬盘、16 张图真能塞进去吗、除了"画得好看"它还能干什么。
跑完的结果是：能干，但有边界；而且关于它的很多说法，把成本说高了。
一、它是什么，一句话版本
它是 MiniMax H3 家族里的图像支线：沿用 H3 视频模型的骨架，去掉了音频部分，扩散模型 331 亿参数，文本编码器和 H3 视频模型是同一个。
最后那句很关键——如果你机器上已经有 H3 视频模型，文本编码器不用再下一遍。这句话后面直接决定了它的真实体积。
另外两个技术选择值得记：
- 蒸馏到固定 6 步，没有 CFG，也没有负面提示词。你不需要调步数、不需要调引导强度，不想要的东西只能写进正向提示词里。
- 大图直出：原生 4096×4096（约 16MP），最宽能到 6272×2688。
二、体积：传闻说 55GB，我只多了 13.7GB
网上流传的"要下 55GB"，指的是 int8 扩散模型 + int8 文本编码器 + 提示词扩写器 + VAE 这一套全量。
但同一套权重其实有多个量化档位。我在模型仓库里核过，扩散模型就有 bf16（40.2GB）、int8（21.0GB）、w4a8（12.55GB）三档；文本编码器也有 int8（27.1GB）和 nvfp4（15.69GB）两档。
这台机器是 GB10，Blackwell 架构，原生支持 nvfp4。于是我选了 w4a8 扩散 + nvfp4 文本编码器：
- 扩散模型 12.55GB（新下）
- 文本编码器 15.69GB（本机已有，视频链路在用）
- VAE 1.17GB（新下）
实际新增下载 13.7GB，不是 55GB，也不是我一开始估的 29GB。差别就来自"复用"这两个字。
三、三件我亲手跑通的事
1）只改文案，不动版式
我先让它生成一张极简工业风海报：炭黑底、琥珀细边框、居中大字"算力即石油"、右下角一台抽油机和机柜的插画。
然后我拿这张成图当参考图，只要求一句：把标题换成"一人即一支队伍"，副标题换成"算力即石油"，其余一点都别动。
结果：边框、留白、插画位置全都没跑，标题 7 个字全对，副标题 5 个字全对，耗时 35.1 秒。
这件事的价值不在"能改字"，而在"改字不炸版"。做海报的人都知道，改一句文案就得重排一次，这个环节通常是整条流程里最烦的。
2）两个人换进新场景
第二题用的是两条人物参考图：一位卷发、金耳环、灰西装；一位短卷发、胡茬、蓝灰外衬衫、脖子上挂着黑色头戴耳机。
我把两个人一起丢进去，要求"雨夜咖啡店、小圆桌、面对面聊天、保持脸和衣服"。
结果：脸、发型、耳环、胡型、外套全部保留，连耳机都还在脖子上；只有女方交握的手指有一点点粘连。55 秒。
3）16 张素材，一次摆进一间房
第三题是它的招牌能力。我照着官方演示的思路做了一遍，但把数量拉到上限：
用另一个模型先造了 16 张素材——1 间空客厅 + 15 件家具白底图（芥末黄沙发、椭圆胡桃咖啡桌、波斯地毯、墨绿扶手椅、书架、边柜、电视、黑圆挂钟、抽象画、龟背竹、吉他、黄铜弧形落地灯、干花瓶、条纹靠垫、黑色木餐椅）。
然后 16 张一起喂进去，一句话："全部摆进这间房"。
四、16 张的上限，和它的代价
结果分两半说。
命中的一半：房间的透视、窗、地板、白墙全部保持；沙发、咖啡桌、地毯、扶手椅、书架、边柜、电视、挂钟、抽象画、龟背竹、吉他、落地灯、干花瓶、条纹靠垫都在位，而且各件东西的形状、颜色、材质都对得上自己的参考图。这不是"贴图"，是理解每张图是什么、再重新组织进一个空间。
没命中的一半：黑色木餐椅没有出现；电视下面的柜子和边柜疑似合并成了一件。实际到位约 14–15 件。
代价也很直白：耗时从 3 张的 70 秒涨到 16 张的 320 秒，4.6 倍。参考图数量对耗时的影响是超线性的，不是"多一张多一点"。
所以"16 张参考图"这个能力是真的，但用法有讲究：重要物件往前排（从第二张开始），越靠后、越不显眼的越容易被吞掉。日常 3–5 张是我认为的性价比区间。
五、三个必须知道的边界
第一，版本是硬门槛。 这个模型的官方模板要求 ComfyUI 0.45.0 以上、模板包 0.11.104 以上。低于这个版本，模板库里根本搜不到它。我这次是先把本机从 0.41.0 升到 0.45.2 才跑起来的。
第二，模型的舒适区在 2048²，不是 4K。 节点参数里写着"模型按 2048×2048 的面积调优"。实测 2048² 一张 25.1 秒，4096²（16MP）65.1 秒；放大到 4K 后，字形的笔画会比 2048² 略硬、略粘连。要出成品母版可以用 4K，但要试稿、要挑方案，2048² 更划算。
第三，授权有收入门槛。 它的社区许可大致口径是：年收入 2000 万美元以内、在协议覆盖地区可免费商用；超过这条线，或在特定地区部署，需要单独授权。商用前请自己读一遍许可证原文，别信我这段转述。
还有一个实操坑值得单独说：它的采样参数是锁死的 6 步、CFG 1、无负面提示词。你原来工作流里那套"负面词模板"在它身上没有作用，不想要的东西必须写进正向描述里。这是换模型时最容易白跑半天的地方。
六、我的判断
它不是一个"更会画画的通用模型"，而是一台素材合成机。
如果你的活是这些——把一堆实拍素材拼成一张效果图、把一个角色放进新场景、把一张海报的文案换掉而不想重排——它比现成的文生图流程省事得多，而且是本地跑、不联网、不出 API 费。
如果你的活是"我想要一张好看的插画"，那用你手上顺手的模型就行，没必要为它腾 14GB 硬盘。
一句话：16 张参考图是真的，55GB 是假的，4K 是能用但不是最优，改文案不炸版是这次最意外的收获。
本文所有测试在同一台 DGX Spark（128GB 统一内存）上完成，ComfyUI 0.45.2，w4a8 + nvfp4 量化，单卡本地推理，未使用任何云端 API。