MiniMax H3图像模型原生支持ComfyUI
MiniMax H3 Image is now available in ComfyUI
MiniMax H3开放权重图像模型现已原生支持ComfyUI,单一检查点同时覆盖文生图与参考图编辑,六步采样、guidance固定为1,无需负面提示词,原生输出最高4096×4096,支持多参考图与4096 token长提示,可本地运行或通过Partner Nodes调用。
深度解读
MiniMax H3 Image 在 ComfyUI 原生上线,最重要的判断是:开源图像模型正在从“能出图”转向“一个 checkpoint 同时吃下生成与编辑、六步出图、原生 4K 级分辨率”,而 ComfyUI 把它做成了同一张图里连不连图片就能切换的两种工作流。
一个模型,两种任务,靠“连不连图”切换
MiniMax H3 Image 是 MiniMax 的开源权重图像模型。它的核心设计是:同一个 checkpoint、同一张 ComfyUI 图,接上参考图就是图像编辑,不接就是文生图。这不是两个模型拼在一起,而是模型本身同时具备生成与参考编辑能力。对从业者来说,这意味着部署成本、显存占用、工作流维护都从“两套”压缩成“一套”——过去做编辑要单独挂一个 inpainting 或参考模型,现在只是把图片节点连上去而已。
六步采样,参数被 checkpoint 锁死
模型是 CFG-distilled 的,六步采样、guidance 固定为 1。原文明确说这些值“由 checkpoint 固定,没什么可调的,也不需要写负面提示词”。六步这个数字不是随便定的,它对应 checkpoint 的六个蒸馏输出头,所以每次运行都是六步。这带来的直接后果是:调参空间被大幅收窄,工作流里那些 steps、cfg、negative prompt 的旋钮基本失效。好处是门槛极低、出图快、结果稳定;代价是习惯了精细调参的用户会失去控制感。对批量生产和自动化管线而言,这反而是优点——参数固定意味着可复现、可预测。
原生 4096×4096,不是放大上去的
分辨率是这次最硬的指标:1:1 下 4096×4096,4:3 是 4736×3552,3:2 是 5024×3360,16:9 是 5472×3072,21:9 是 6272×2688,且 4:3、3:2、16:9 还支持竖版。原文特别强调“是在该尺寸下生成的,不是放大上去的”。这句话的分量在于:过去很多所谓高分辨率是低分辨率生成再 upscale,细节是猜出来的;原生大尺寸生成意味着构图、纹理、边缘在一开始就按目标分辨率建模。对海报、印刷、宽幅素材这类场景,这是实打实的生产力差异。
多参考图编辑,用 点名
编辑支持连接多张图,在提示词里用
长提示词 4096 token,配套提示词增强模型
模型支持最长 4096 token 的提示词,原文建议用“长而完整的描述”,并点名可以用 MiniMax 自家的 H3 Image Prompt Enhancer 来生成详细提示词。这透露了一个信号:模型对提示词的容量需求上去了,短提示词可能吃不饱。对从业者来说,提示词工程的重心从“关键词堆叠”转向“完整句子描述”,配套的增强模型也说明厂商在把提示词生成这一步产品化。
节点细节:宽高自动、VAE 决定编辑强度
新节点 MiniMax H3 Image Conditioning 有三个要点。第一,宽高默认自动:留 0 时文生图出 2048×2048,接了图则跟随 `image_1`;两个都设才自定义尺寸。第二,`image_1` 是被编辑图,其余是参考图,槽位顺序即编号。第三,也是最容易被忽略的一点:编辑时要不要连 VAE 差别很大——连上,参考图会作为 latents 被锚定,同时又被文本编码器读取;不连,参考图只作用于文本编码器。换句话说,VAE 决定了参考图是“深度参与”还是“只做提示”。这是工作流层面一个实质性的控制点。
与视频模型共享文本编码器,老用户零成本
它和 ComfyUI 已支持的视频模型 MiniMax H3 共用 Qwen3-VL 文本编码器。原文直说:“如果你今天在跑 MiniMax H3,你已经有这个文件了。”这是一个很聪明的生态设计——已经在跑视频模型的用户,升级到图像模型只差 diffusion model 和 VAE 两个文件,文本编码器复用。对 ComfyUI 生态而言,这降低了迁移摩擦,也让视频与图像两条线在同一个编码器上对齐。
两条运行路径:本地权重与 Partner Nodes
运行方式有两种:一是下载开源权重,在自己的 GPU 上跑完整图,所有输入都在画布上;二是通过 Partner Nodes 走 API,同一张画布、不用下权重。这个双轨设计覆盖了两类人——有卡要完全掌控的本地玩家,和没卡或想快速验证的云端用户。上手路径也写得很具体:更新 ComfyUI 到最新版或开 Comfy Cloud,从 Hugging Face 下 diffusion model、VAE、Qwen3-VL 文本编码器,从 Templates 面板加载模板或从仓库下文生图/编辑工作流。
所以呢
对行业来说,这张牌的意义不在单点参数,而在组合:开源权重 + 生成编辑一体 + 六步固定 + 原生 4K + 多参考显式寻址 + 与视频模型共享编码器。它把“图像模型”的竞争维度从画质单指标,推向“工作流集成度”和“部署经济性”。对从业者,最直接的变化是工作流会变薄——少一套模型、少一堆调参、少一次放大;对趋势,开源模型正在把过去属于闭源 API 的“编辑+高分辨率+多参考”能力下放到本地,而 ComfyUI 作为承载层,继续扮演“新模型第一天就能跑”的分发角色。真正需要观察的是:六步固定参数在复杂编辑任务上的上限在哪,以及原生 4K 在消费级显卡上的显存与速度表现——这两点决定了它是“演示惊艳”还是“产线可用”。
