MiniMax, 이미지 생성 모델 H3 공개

MiniMax는 텍스트를 이미지로 바꾸고 이미지를 편집하는 오픈소스 모델 MiniMax-H3-Image를 공개했습니다. 모델은 텍스트 프롬프트와 참조 이미지 한 장 이상을 함께 입력받으며, 최대 16장의 참조 이미지를 지원합니다. MiniMax는 지시를 정확히 따르고 업스케일러 없이 약 1,600만 화소 이미지를 생성한다고 밝혔습니다. 지원 화면비에 따른 해상도 범위는 4096x4096(1:1)부터 6272x2688(21:9)까지이며, 유효 작업 범위는 약 400만~2,000만 화소, 일반적으로 가장 좋은 결과를 내는 해상도는 약 1,600만 화소입니다.

모델은 샘플링 6단계로 증류됐으며, 분류기 없는 안내 방식 없이 작동합니다. 이미지의 반복적 노이즈 제거로 생성하는 신경망인 확산 트랜스포머는 오디오 층을 제거한 H3 구조를 사용하고, MiniMax-H3 텍스트 인코더는 변경되지 않았습니다. 모델 규모는 매개변수 331억 개, 층 50개, 은닉 크기 5376, 어텐션 헤드 56개, 피드포워드 네트워크 크기 14336입니다. 가중치는 BF16 형식이며 임베딩·시간 단계·출력 층은 FP32 형식을 사용합니다.

MiniMax는 이 모델이 속도와 이미지 품질, 지시 수행 능력을 결합했다고 설명합니다. 회사는 1,600만 화소 출력이 일반적이라고 설명한 100만~400만 화소 이미지보다 세밀하면서도 계산 비용을 관리할 수 있다고 밝혔습니다. 오픈소스 모델 가운데 사실적인 표현과 지시 수행 능력도 강하다고 주장했지만, 이를 수치로 보여주는 벤치마크 점수는 공개 페이지에 없습니다.

이미지 VAE(이미지 표현을 인코딩하고 디코딩하는 구성 요소)는 CNN 인코더와 24층 2차원 ViT 디코더를 결합합니다. 공간 축소율은 16배이며 잠재 채널은 24개입니다. 트랜스포머는 프롬프트 토큰과 이미지 토큰을 함께 처리해 목표 이미지 표현을 예측하고, VAE가 이를 디코딩합니다. 저장소에는 기본 BF16 모델 68.65GB와 선택형 프롬프트 확장 모델 MiniMax-H3-Image-PE 17.9GB가 등록돼 있습니다.

사용자는 MiniMax API나 앱에서 모델을 이용하거나 SGLang, vLLM-Omni, diffusers, LightX2V, ComfyUI로 로컬 배포할 수 있습니다. 페이지에는 단일 GPU 구동 예시와 시퀀스 병렬 처리를 이용한 지연시간 단축형 4개 GPU 구성이 안내돼 있습니다. NVIDIA와 AMD 가속기를 지원하며, 예시로 NVIDIA H200, RTX PRO 6000 Blackwell, AMD Instinct MI350X를 들었습니다. 텍스트 이미지 생성과 편집은 별도의 API 엔드포인트를 사용하며, 편집 요청에는 참조 이미지 한 장 이상을 업로드할 수 있습니다. 업로드 순서에 따라 프롬프트에서 이미지의 표기가 정해집니다.

프롬프트는 최대 4096토큰이며, 생성은 추론 6단계와 안내 척도 1을 사용합니다. 두 설정에 다른 값을 입력하면 HTTP 400 오류가 반환되고, 부정 프롬프트는 지원하지 않습니다. 선택형 최소 생성 면적은 1024~16777216픽셀이며 기본값은 4194304픽셀(2048x2048)입니다. 페이지는 상세한 영어 설명을 권장합니다. MiniMax API는 생성 전에 어떤 언어로든 짧은 프롬프트를 확장할 수 있고, 선택형 프롬프트 확장 모델은 로컬 배포도 가능합니다. 모델은 MiniMax-H3-Image 커뮤니티 라이선스 계약에 따라 공개됐습니다. Hugging Face에는 지난 한 달간 다운로드 142,989건이 기록됐습니다.

MiniMax는 텍스트를 이미지로 바꾸고 이미지를 편집하는 오픈소스 모델 MiniMax-H3-Image를 공개했습니다. 모델은 텍스트 프롬프트와 참조 이미지 한 장 이상을 함께 입력받으며, 최대 16장의 참조 이미지를 지원합니다. MiniMax는 지시를 정확히 따르고 업스케일러 없이 약 1,600만 화소 이미지를 생성한다고 밝혔습니다. 지원 화면비에 따른 해상도 범위는 4096x4096(1:1)부터 6272x2688(21:9)까지이며, 유효 작업 범위는 약 400만~2,000만 화소, 일반적으로 가장 좋은 결과를 내는 해상도는 약 1,600만 화소입니다.

모델은 샘플링 6단계로 증류됐으며, 분류기 없는 안내 방식 없이 작동합니다. 이미지의 반복적 노이즈 제거로 생성하는 신경망인 확산 트랜스포머는 오디오 층을 제거한 H3 구조를 사용하고, MiniMax-H3 텍스트 인코더는 변경되지 않았습니다. 모델 규모는 매개변수 331억 개, 층 50개, 은닉 크기 5376, 어텐션 헤드 56개, 피드포워드 네트워크 크기 14336입니다. 가중치는 BF16 형식이며 임베딩·시간 단계·출력 층은 FP32 형식을 사용합니다.

MiniMax는 이 모델이 속도와 이미지 품질, 지시 수행 능력을 결합했다고 설명합니다. 회사는 1,600만 화소 출력이 일반적이라고 설명한 100만~400만 화소 이미지보다 세밀하면서도 계산 비용을 관리할 수 있다고 밝혔습니다. 오픈소스 모델 가운데 사실적인 표현과 지시 수행 능력도 강하다고 주장했지만, 이를 수치로 보여주는 벤치마크 점수는 공개 페이지에 없습니다.

이미지 VAE(이미지 표현을 인코딩하고 디코딩하는 구성 요소)는 CNN 인코더와 24층 2차원 ViT 디코더를 결합합니다. 공간 축소율은 16배이며 잠재 채널은 24개입니다. 트랜스포머는 프롬프트 토큰과 이미지 토큰을 함께 처리해 목표 이미지 표현을 예측하고, VAE가 이를 디코딩합니다. 저장소에는 기본 BF16 모델 68.65GB와 선택형 프롬프트 확장 모델 MiniMax-H3-Image-PE 17.9GB가 등록돼 있습니다.

사용자는 MiniMax API나 앱에서 모델을 이용하거나 SGLang, vLLM-Omni, diffusers, LightX2V, ComfyUI로 로컬 배포할 수 있습니다. 페이지에는 단일 GPU 구동 예시와 시퀀스 병렬 처리를 이용한 지연시간 단축형 4개 GPU 구성이 안내돼 있습니다. NVIDIA와 AMD 가속기를 지원하며, 예시로 NVIDIA H200, RTX PRO 6000 Blackwell, AMD Instinct MI350X를 들었습니다. 텍스트 이미지 생성과 편집은 별도의 API 엔드포인트를 사용하며, 편집 요청에는 참조 이미지 한 장 이상을 업로드할 수 있습니다. 업로드 순서에 따라 프롬프트에서 이미지의 표기가 정해집니다.

프롬프트는 최대 4096토큰이며, 생성은 추론 6단계와 안내 척도 1을 사용합니다. 두 설정에 다른 값을 입력하면 HTTP 400 오류가 반환되고, 부정 프롬프트는 지원하지 않습니다. 선택형 최소 생성 면적은 1024~16777216픽셀이며 기본값은 4194304픽셀(2048x2048)입니다. 페이지는 상세한 영어 설명을 권장합니다. MiniMax API는 생성 전에 어떤 언어로든 짧은 프롬프트를 확장할 수 있고, 선택형 프롬프트 확장 모델은 로컬 배포도 가능합니다. 모델은 MiniMax-H3-Image 커뮤니티 라이선스 계약에 따라 공개됐습니다. Hugging Face에는 지난 한 달간 다운로드 142,989건이 기록됐습니다.