تست MiniMax H3 Image: مدل تصویری اوپنویت با ۳۳ میلیارد پارامتر
خلاصهٔ کاملتر
MiniMax H3 Image یه مدل اوپنویت (یعنی وزنهای مدل رو میشه دانلود کرد و خودت اجراش کنی) برای ساختن و ویرایش عکسه. معماریش یه diffusion transformer با ۳۳ میلیارد پارامتره که تا شش قدم sampling فشرده (distill) شده و به classifier-free guidance (یعنی همون تکنیکی که معمولاً قدمها رو دوبرابر سنگین میکنه) هم نیازی نداره. مدلهای diffusion معمولی ۲۰ تا ۵۰ قدم لازم دارن، پس این یکی خیلی سریعتره.
خروجیش مستقیم حدود ۱۶ مگاپیکسله و دیگه upscaler جدا لازم نیست. تا ۱۶ عکس مرجع هم قبول میکنه، یعنی ساختن عکس از متن و ویرایش چندعکسی تو یه مدل جمع شده. تو مقاله اومده که اجرای محلیش تو ComfyUI با کیفیت کامل نزدیک ۴۸ گیگابایت VRAM میخواد. با کم کردن قدمها میشه مصرف رو پایین آورد، ولی کیفیت هم یه کم افت میکنه.
تو تست متن، تابلوی نئون و تیتر بزرگ پوستر تمیز و خوانا دراومدن، ولی یه خط فرعی کوچیک روی پوستر بههمریخته و کمرنگ موند. نویسنده میگه این همون الگوی همیشگی مدلهای diffusionه: هرچی پیکسل بیشتری به متن برسه، درستتر کشیده میشه. تو تست شمردن، دقیقاً پنج قایق با پنج ماهیگیر با رنگ لباس درست و چیدمان مورب ساخت، فقط اسمی که قرار بود روی قایق نوشته بشه اصلاً ظاهر نشد.
ویرایش به گفتهٔ نویسنده جذابترین بخش مدله. یه تاکسی زرد قدیمی با یه tuk tuk صورتی و سبز عوض شد و انعکاس خیابون خیس و نورپردازی سر جاش موند. تو یه ویرایش پرتره، چهره، موی فرفری و رژ قرمز حفظ شد و فقط لباس و پسزمینه عوض شد، اونم تو حدود ۴۰ ثانیه. بهترین نتیجه هم تبدیل یه نقاشی ساده به عکس واقعی بود که خط افق و جای اشیا تقریباً دقیق حفظ شد و طوفان و بارون واقعی بهش اضافه شد.
تو واقعگرایی، بافت پوست، مهرههای شیشهای و یخ شفاف خوب دراومدن، هرچند صحنهٔ یخ یه کم حالت تصویرسازی داشت. ضعف اصلی جاییه که فیزیک پیچیده میشه: تو عکس نصفه بالای آب و نصفه زیر آب، قایق بالای آب تقریباً گم شد و تو صحنهٔ رقص با آتیش، جزئیات زیر فشار حرکت بههم ریخت. تست دست هم قبول شد: پنج انگشت درست با چینوچروک طبیعی و دستخط خوانا روی کف دست.
نکات کلیدی:
- مدل diffusion transformer با ۳۳ میلیارد پارامتر، فقط شش قدم sampling و بدون CFG
- خروجی بومی حدود ۱۶ مگاپیکسل و پشتیبانی از تا ۱۶ عکس مرجع برای ویرایش
- اجرای محلی تو ComfyUI با کیفیت کامل حدود ۴۸ گیگابایت VRAM لازم داره
- متن بزرگ و شمردن اشیا خوبه، ولی متن ریز و اسم نوشتهشده روی قایق درنیومد
- ضعفها: صحنههای نصفه زیر آب، جزئیات تو حرکت شدید و هماهنگی سایه و زاویهٔ نور




