MiniMax 又双叒出手了。继之前那个开源的 SOTA 视频模型 H3 火了一波之后，他们这次把刀锋对准了图像领域，开源了一个叫 H3-Image 的多模态生图模型。
先说最让人兴奋的那个功能，CAD 拆解。你给它丢一张产品外观图，它就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。更离谱的是爆炸图，丢一张机械参考图，它能按照真实的装配逻辑把零件分层炸开，连组件引线都给你标清楚。这背后靠的，是对三维几何和空间关系的深度理解，不是简单的图像生成，是真在脑子里建模。
再聊聊审美这块。过去我们一提到 AI 生图，脑子里第一个反应就是油光满面，皮肤光滑得像剥了壳的鸡蛋，眼神呆滞，伪人感极重。H3-Image 算是基本把这个问题给解决了，毛孔、雀斑、甚至绒毛都画出来了。更有意思的是，它会在手指关节附近加几颗小痣。你细看，不但不觉得奇怪，反而觉得这画面有呼吸感。这种刻意为之的「瑕疵」，恰恰是人类作品里最自然的随机性，机器学了这个 Trick，恐怖谷效应就被跨过去了。
指令遵循这块也很能打。生成一张高数期末考卷，极限符号、复杂积分式，一个字符都没乱码。更绝的是你让它把试卷做一遍，答案是对的，还有解题步骤。一张图片模型，微积分水平比我还稳，说实话有点发怵。
除了这些，还有几个参数值得说道。H3-Image 直接把分辨率干到了 16MP，也就是 4096 乘以 4096，原生 4K。网页端体感 10 到 20 秒出一张，不用再用 GPT 生完图后丢给别的模型优化半天了。它还支持最多 16 张参考图输入，做角色一致性、复杂分镜连续性，给创作者的自由度拉满了。4K 日常创作，这下是真普及了。
而最最最炸裂的，是开源这件事本身。你跟我说这种质量的图像生成模型居然是开源的，一张成本大概两毛钱，全球开发者可以随便魔改，我宣布 MiniMax 就是多模态领域的「源神」，不接受反驳。
顺着这个往下想，其实还有个挺有意思的趋势在冒头，就是垂直模型和通用 Agent 的组合。像 H3-Image 这种专精图像生成的模型，天然适合被 Agent 当成 Tool Call 去调用。你不需要一个通用大模型去硬吃所有任务，让各领域的垂直模型干各自的活，再用通用模型去串联，总效用反而更高，成本也更现实。图像模型的光影、几何这些基本物理常识已经不再是问题，剩下的就是怎么把这套能力接到工作流里去。
我一直相信，审美不是机器能「学会」的东西，而是把其中的规律摸清楚之后的事。H3-Image 证明了，只要把那些看起来神秘的 Trick 拆解到位，很多人类引以为傲的品质，可能真的没那么高不可攀。
