MiniMax ra mắt mô hình ảnh mã nguồn mở 16 megapixel với khả năng chỉnh sửa hợp nhất

MiniMax đã phát hành MiniMax-H3-Image, một mô hình trọng số mở mới dành cho việc tạo và chỉnh sửa ảnh độ phân giải cao. Được công bố vào ngày 10 tháng 11 năm 2026, bản phát hành này đánh dấu một bước tiến quan trọng trong lĩnh vực AI thị giác mã nguồn mở khi kết hợp cả việc tạo ảnh từ văn bản và chỉnh sửa dựa trên tham chiếu vào một kiến trúc duy nhất. Mô hình nhắm đến các nhà phát triển và nhà sáng tạo cần kiểm soát chính xác các đầu ra hình ảnh quy mô lớn mà không phải phụ thuộc vào các API độc quyền.

Chuyện gì đã xảy ra

Đội ngũ MiniMax đã giới thiệu MiniMax-H3-Image như một phần của dòng sản phẩm H3. Khác với nhiều trình tạo mã nguồn mở trước đây chỉ tập trung vào việc tạo ảnh từ văn bản, mô hình này hợp nhất cả việc tạo và chỉnh sửa trong một checkpoint duy nhất. Nó chấp nhận các câu lệnh văn bản (text prompts) để tạo mới và cũng có thể xử lý tối đa 16 hình ảnh tham chiếu để hướng dẫn chỉnh sửa hoặc ghép các cảnh phức tạp. Khả năng kép này cho phép người dùng duy trì sự nhất quán về nhân vật hoặc phong cách qua các tác vụ hình ảnh khác nhau, đồng thời giữ toàn bộ quy trình làm việc trong một hệ thống duy nhất.

Một đặc điểm nổi bật của bản phát hành này là hỗ trợ gốc cho các đầu ra độ phân giải cao. Mô hình trực tiếp tạo ảnh ở khoảng 16 megapixel, chẳng hạn như kích thước 4096x4096 pixel cho định dạng vuông hoặc 6272x2688 cho tỷ lệ điện ảnh rộng. Điều này đạt được mà không cần một giai đoạn nâng cấp độ phân giải (upscaling) riêng biệt, vốn thường gây ra hiện tượng nhiễu hạt (artifacts) hoặc làm mờ chi tiết trong các quy trình khác. Bằng cách xử lý các kích thước này một cách tự nhiên, mô hình bảo toàn các kết cấu tinh xảo và ánh sáng chân thực, những thứ thường bị mất đi khi tạo ảnh ở độ phân giải thấp rồi phóng to sau đó.

Bản phát hành bao gồm các thông số kỹ thuật chi tiết cho việc triển khai và suy luận. Checkpoint chính nặng 68,65 GB ở độ chính xác BF16, trong khi một mô hình mở rộng câu lệnh (prompt expander) tùy chọn thêm 17,9 GB. Nhóm đã cung cấp các hướng dẫn tích hợp cho các framework suy luận phổ biến như SGLang, vLLM-Omni và diffusers. Họ cũng chia sẻ các script mẫu minh họa cách tái tạo chất lượng của API được lưu trữ trên đám mây bằng phần cứng cục bộ, đảm bảo rằng các nhà phát triển có thể thử nghiệm và triển khai mô hình một cách độc lập.

Cách thức hoạt động

MiniMax-H3-Image được xây dựng trên kiến trúc diffusion transformer (DiT) bắt nguồn từ thiết kế H3-Base, với các lớp xử lý âm thanh đã được loại bỏ. Engine cốt lõi chứa 33,1 tỷ tham số được sắp xếp trong 50 lớp transformer dày đặc (dense). Nó sử dụng kích thước ẩn (hidden size) là 5376 và 56 đầu attention, áp dụng các embedding vị trí xoay đa phương thức 3D để xử lý dữ liệu không gian và thời gian một cách hiệu quả. Cấu trúc này cho phép mô hình xử lý thông tin văn bản và hình ảnh trong một luồng duy nhất, dự đoán trực tiếp biểu diễn tiềm năng (latent representation) của ảnh mục tiêu.

Quy trình đầu vào kết hợp các manh mối văn bản và hình ảnh thông qua các bộ mã hóa cụ thể. Câu lệnh văn bản được xử lý bởi bộ mã hóa văn bản Qwen3-VL không thay đổi từ bộ suite MiniMax-H3 rộng hơn, với DiT đọc các trạng thái ẩn từ lớp thứ 50. Hình ảnh tham chiếu được mã hóa bằng một VAE hình ảnh tùy chỉnh, bao gồm một bộ mã hóa CNN và một bộ giải mã ViT 2D với 24 lớp. VAE này giảm tỷ lệ không gian xuống 16 lần, tạo ra 24 kênh latent. Sau đó, DiT patchify các latent này với kích thước patch 2x2, nghĩa là mỗi token transformer tương ứng với một vùng 32x32 pixel trong đầu ra cuối cùng.

Để đạt được tốc độ suy luận nhanh, mô hình được chưng cất (distilled) để chỉ yêu cầu sáu bước lấy mẫu, còn gọi là các đánh giá hàm nhiễu (NFEs). Nó hoạt động mà không cần classifier-free guidance, giúp đơn giản hóa quá trình lấy mẫu và giảm bớt chi phí tính toán. Các trọng số được lưu trữ ở độ chính xác BF16, trong khi các lớp embedding, timestep và output sử dụng FP32 để đảm bảo ổn định. Cấu hình này cho phép mô hình chạy trên nhiều loại accelerator khác nhau, bao gồm GPU NVIDIA H200 và AMD Instinct MI350X, với các tùy chọn song song hóa chuỗi (sequence parallelism) để phân phối tải trên nhiều thiết bị.

Chi tiết chính

• Độ phân giải: Tạo ảnh 16 megapixel gốc (ví dụ: 4096x4096) mà không cần bộ nâng cấp độ phân giải.
• Tốc độ: Được chưng cất xuống chỉ còn 6 bước lấy mẫu mà không cần classifier-free guidance.
• Kiến trúc: Diffusion transformer 33,1 tỷ tham số dựa trên nền tảng H3-Base.
• Đầu vào: Hỗ trợ tạo ảnh từ văn bản và chỉnh sửa ảnh với tối đa 16 hình ảnh tham chiếu.
• Kích thước: Checkpoint chính là 68,65 GB; bộ mở rộng câu lệnh tùy chọn là 17,9 GB.
• Giấy phép: Phát hành theo Thỏa thuận Giấy phép Cộng đồng MiniMax-H3-Image.

Tại sao điều này quan trọng

Đối với các kỹ sư phần mềm xây dựng công cụ sáng tạo, việc chuyển sang tạo ảnh 16 megapixel gốc loại bỏ một nút thắt cổ chai lớn trong các quy trình sản xuất. Các quy trình truyền thống thường tạo ra những bức ảnh nhỏ và phụ thuộc vào các mô hình nâng cấp độ phân giải riêng biệt, điều này có thể làm giảm khả năng đọc của văn bản và các chi tiết tinh tế. Bằng cách trực tiếp tạo ra đầu ra độ phân giải cao, MiniMax-H3-Image đảm bảo rằng các yếu tố như văn bản nhỏ trong các câu đố logic hoặc kết cấu phức tạp trong các khái niệm môi trường vẫn sắc nét. Độ tin cậy này rất quan trọng đối với các ứng dụng chuyên nghiệp, nơi độ trung thực của hình ảnh không thể bị ảnh hưởng bởi các lỗi hậu kỳ.

Cách tiếp cận hợp nhất giữa tạo và chỉnh sửa cũng đơn giản hóa logic ứng dụng. Các nhà phát triển không còn cần phải duy trì các mô hình riêng biệt cho việc tạo tài nguyên mới và chỉnh sửa tài nguyên hiện có. Khả năng nạp tới 16 hình ảnh tham chiếu cho phép thực hiện các nhiệm vụ ghép cảnh phức tạp, chẳng hạn như sắp xếp nội thất trong phòng hoặc duy trì sự nhất quán của nhân vật qua các cảnh khác nhau. Sự linh hoạt này hỗ trợ các tương tác người dùng tinh vi hơn, cho phép các nhà sáng tạo lặp lại thiết kế với độ chính xác cao hơn và ít can thiệp thủ công hơn.

Hơn nữa, tính chất trọng số mở của bản phát hành trao quyền cho các nhóm tối ưu hóa suy luận phù hợp với các ràng buộc phần cứng cụ thể của họ. Với sự hỗ trợ cho các framework như vLLM-Omni và SGLang, các kỹ sư có thể triển khai song song hóa chuỗi để giảm độ trễ trên các thiết lập đa GPU. Mức độ kiểm soát này là thiết yếu để mở rộng dịch vụ nhằm đáp ứng nhu cầu người dùng trong khi quản lý chi phí tính toán. Các công thức triển khai chi tiết do MiniMax cung cấp hạ thấp rào cản gia nhập, cho phép tích hợp nhanh hơn vào các stack sản phẩm hiện có.

Bạn có thể làm gì

• Tải xuống checkpoint MiniMax-H3-Image và bộ mã hóa văn bản từ Hugging Face để kiểm tra các trọng số mô hình.
• Thử nghiệm suy luận cục bộ bằng SGLang hoặc vLLM-Omni với các script triển khai và tệp cấu hình được cung cấp.
• Thử nghiệm với bộ mở rộng câu lệnh MiniMax-H3-Image-PE tùy chọn để cải thiện các câu lệnh ngắn trước khi tạo ảnh.
• Chạy các script Python mẫu trong repository để so sánh đầu ra cục bộ với kết quả từ API MiniMax được lưu trữ trên đám mây.
• Cấu hình song song hóa chuỗi trên các hệ thống đa GPU để tối ưu hóa độ trễ cho các ứng dụng chỉnh sửa thời gian thực.
• Xem xét Thỏa thuận Giấy phép Cộng đồng MiniMax-H3-Image để đảm bảo tuân thủ mục đích sử dụng của bạn.