MiniMax H3 Image: مدل تصویرساز اوپنویت برای اجرا روی سیستم خودت
خلاصهٔ کاملتر
MiniMax H3 Image یه مدل اوپنویت (یعنی وزنهاش رو میشه دانلود کرد و خودت اجراش کنی) از شرکت MiniMax هست که روی مدل پایهی MiniMax H3 فاینتیون شده. هم از متن تصویر میسازه، هم image-to-image انجام میده، هم عکس رو با دستور متنی ویرایش میکنه. وزنهاش زیر سازمان MiniMaxAI روی Hugging Face منتشر شده و پشت API قفل نیست.
مشکل اصلی حجمه. توی ریپو، transformer مدل به ۱۲ فایل safetensors تقسیم شده، text encoder (یعنی بخشی که متن پرامپت رو برای مدل قابل فهم میکنه) به ۱۴ فایل دیگه، بهعلاوهی VAE و فایلهای tokenizer. کل وزنها با دقت کامل به دهها گیگابایت میرسه که تو VRAM بیشتر کارتهای خانگی جا نمیشه. اونوقت یا باید بخشی رو بفرستی رو RAM که کنده، یا چند تا GPU داشته باشی که گرونه، یا کوانتایز کنی.
کوانتایز کردن یعنی دقت وزنها رو مثلاً از ۱۶ بیت به ۸ یا ۴ بیت کم کنی. حجم و مصرف VRAM خیلی پایین میاد و افت کیفیت معمولاً بهسختی دیده میشه. نسخههای کوانتایزشدهی این مدل حدود ۱۸ گیگابایت گزارش شدن. یعنی روی یه کارت ۲۴ گیگی مثل RTX 4090 یا RTX 3090 بدون تقسیم کار اجرا میشه. نسخهی کامل حداقل ۴۰ گیگ VRAM میخواد، مثل کارتهای کلاس A100. با کارت ضعیفتر احتمالاً باید text encoder رو بفرستی رو CPU که سرعت رو پایین میاره. فضای دیسک هم خیلی بیشتر از حجم مدل لازمه، چون ریپو دو فرمت کامل از transformer داره.
برای راهاندازی، MiniMax دو فرمت توی یه ریپو گذاشته: پوشهی transformer با فرمت اصلی و پوشهی transformer_diffusers مخصوص کتابخونهی Diffusers هاگینگفیس. فایلهای model_index.json و modular_model_index.json هم نشون میدن مدل برای یه pipeline استاندارد Diffusers ساخته شده. اسکریپتهای نمونهی t2i.py برای تولید تصویر و edit.py برای ویرایش، به همراه پرامپتها و عکسهای نمونه توی پوشهی examples/، یه نقطهی شروع آماده میدن. برای نسخهی کوچیکتر هم باید یه checkpoint کوانتایزشده سازگار با Diffusers پیدا کنی یا با ابزارهایی مثل bitsandbytes بسازی.
به نظر نویسنده، اگه بهترین کیفیت بدون دردسر زیرساخت میخوای، مدلهای API مثل Seed Dream از ByteDance یا GPT Image 2.6 از OpenAI الان نتیجههای واقعگرایانهتری میدن. ولی اجرای لوکال H3 Image کنترل کامل روی وزنها، بدون هزینهی هر عکس، بدون rate limit و امکان فاینتیون میده. این مدل همزمان با یه موج از مدلهای اوپنویت دیگه مثل LongCat 2.5 و Ripple 65B منتشر شده.
نکات کلیدی:
- MiniMax H3 Image مدل اوپنویت برای تولید تصویر از متن، image-to-image و ویرایش با دستور متنیه
- transformer تو ۱۲ فایل و text encoder تو ۱۴ فایل safetensors پخش شده و کل حجم دهها گیگابایته
- نسخههای کوانتایزشده حدود ۱۸ گیگ هستن و روی RTX 4090 یا RTX 3090 با ۲۴ گیگ VRAM اجرا میشن
- نسخهی کامل حدود ۴۰ گیگ VRAM یا بیشتر لازم داره
- پوشهی transformer_diffusers باعث میشه با Diffusers بدون کد اختصاصی کار کنه
- از نظر واقعگرایی هنوز از Seed Dream و GPT Image 2.6 عقبتره




