核心要点
- MiniMax H3 Image(MiniMax-H3-Image)是 MiniMax 的图像模型,发布于 2026 年 11 月 10 日。MiniMax H3 则是另一个模型,生成的是带音频的视频。如果你搜的是“MiniMax H3 能不能生成图片”,答案就是 H3 Image。
- 一个模型同时支持文生图和图像编辑,编辑时最多 16 张参考图,输出 1K、2K、4K,或最高 20,000,000 像素的精确尺寸。
- 4K 是原生输出:每种宽高比都约 1600 万像素,从 4096×4096 到 6272×2688,直接按完整尺寸生成。
- PoYo 按张固定计价:1K 或 2K $0.016,4K $0.056,比 MiniMax 按 Token 计费的标价(Standard 档每张 $0.02179、$0.02333、$0.06879)低 19–31%。
- 模型权重已开源,以 MiniMax-H3-Image Community License 发布在 Hugging Face 上。自部署需要约 135 GB 权重和大显存 GPU,所以对大多数团队来说,PoYo 托管 API 是更快的路径:一个 Key,按量付费。
MiniMax H3 Image 和 MiniMax H3:哪个能生成图片?
MiniMax 的两个模型都用了 H3 这个名字,很多搜索把它们混在一起。
| MiniMax H3 Image | MiniMax H3(Hailuo 03) | |
|---|---|---|
| 生成什么 | 静态图片 | 带原生音频的视频 |
| 任务 | 文生图、图像编辑、多参考图合成 | 文生视频、首尾帧、图片/视频/音频参考 |
| 输出 | 1K、2K 或 4K 图片,最高 20 MP | 5–15 秒 2K 视频 |
| PoYo 模型 ID | minimax-h3-image | hailuo-03 |
| PoYo 价格 | 每张 $0.016 起 | 每秒视频 $0.105 |
| 指南 | 本文 | MiniMax H3 API 指南 |
两者是有关联的:按 MiniMax 模型卡的介绍,H3 Image 是专为图像打造的 H3 架构,并原样沿用 H3 的文本编码器。所以 MiniMax H3 能生成图片吗?能,用的是 MiniMax H3 Image,也就是 H3 家族里专门出静态图的那个模型。做视频用 MiniMax H3,做图片用 MiniMax H3 Image。
MiniMax H3 Image 一览
| 项目 | 规格 |
|---|---|
| 发布 | 2026 年 11 月 10 日(许可证日期) |
| 模型 | 33.1B 参数的扩散 Transformer,蒸馏到 6 步采样,出图更快 |
| 任务 | 文生图和图像编辑在同一个权重里完成 |
| 原生 4K 尺寸 | 4096×4096(1:1)、4736×3552(4:3)、5024×3360(3:2)、5472×3072(16:9)、6272×2688(21:9),以及对应的竖版 |
| 自定义尺寸(MiniMax API) | 655,360 到 20,000,000 像素,宽高比 1:3 到 3:1 |
| 参考图 | 每次编辑 1 到 16 张 |
| 提示词扩写 | 把任何语言的简短提示词改写成对整张画面的详细英文描述 |
| 速度宣称 | 4K(4096×4096)图“10 秒以内”;Standard 是“主流方案”的 1.5–2 倍速,Highspeed 为 3–4 倍速 |
| MiniMax 托管档位 | MiniMax-H3-Image(Standard)和 MiniMax-H3-Image-Highspeed |
| 开源权重 | 有,Hugging Face 上的 MiniMaxAI/MiniMax-H3-Image |
MiniMax 说,它的目标是让“4K 图像生成成为日常创作流程里切实可用的选择”。要判断它是否适合你的场景,最好的办法是在 PoYo 在线体验页 用你自己的提示词试一试。

摄影、绘画、3D 和像素风,都出自同一个模型。展示图来自 MiniMax 的 H3-Image 模型卡。
MiniMax H3 Image 价格:从 Token 换算到每张图
官方 Token 单价
在 MiniMax 自己的 API 上按每百万 Token 计费:
| 档位 | 文本输入 | 图片输入 | 图片输出 |
|---|---|---|---|
| MiniMax-H3-Image(Standard) | $2.30 | $1.50 | $3.80 |
| MiniMax-H3-Image-Highspeed | $2.30 | $3.00 | $7.60 |
文本输入包含提示词扩写额外产生的 Token,所以 MiniMax 特别说明,即使分辨率相同,“实际费用也可能不同”。
官方每张图成本
MiniMax 还公布了每张图的示例价,这是把 Token 单价换算成单张成本最可靠的依据:
| 请求 | Standard | Highspeed |
|---|---|---|
| 文生图,1K | $0.02179 | $0.03529 |
| 文生图,2K | $0.02333 | $0.03622 |
| 文生图,4K | $0.06879 | $0.13001 |
| 编辑,1 张参考图(1K 输入)→ 2K | $0.02658 | $0.04576 |
| 编辑,1 张参考图(1K 输入)→ 4K | $0.07312 | $0.13673 |
| 编辑,3 张参考图(1K 输入)→ 2K | $0.04177 | $0.06069 |
| 编辑,3 张参考图(1K 输入)→ 4K | $0.07914 | $0.15407 |
Token 是怎么累加起来的
在 PoYo 2026 年 11 月的测试中,一张图计入的输出 Token 数为 4,096 与“宽 × 高 ÷ 1,024”两者中的较大值。每 1,024 个像素一个 Token,正好对应模型卡中的设计:DiT 的每个 Token 覆盖 32×32 像素的图块。
| 输出 | 像素 | 输出 Token | 输出费用(Standard) |
|---|---|---|---|
| 1K,1024×1024 | 1,048,576 | 4,096(下限) | $0.0156 |
| 2K,2048×2048 | 4,194,304 | 4,096 | $0.0156 |
| 4K,4096×4096 | 16,777,216 | 16,384 | $0.0623 |
| 自定义上限 | 20,000,000 | 19,531 | $0.0742 |
再加上提示词扩写产生的文本 Token(每次请求约 2,700 到 3,400 个,按每百万 $2.30 计约 $0.006–$0.008),就得到 MiniMax 的官方示例价:1K 为 $0.0156 + $0.0062 ≈ $0.0218,4K 为 $0.0623 + $0.0065 ≈ $0.0688。
由此可以得出两点:
- 1K 和 2K 的费用几乎一样,因为两者都落在 4,096 Token 的下限上。只要对细节有要求,选 2K 更划算。
- 4K 的费用约是 2K 的三倍,因为 4K 的像素是 2K 的四倍。
MiniMax H3 Image 在 PoYo 上的单张成本
PoYo 按张固定计价,提示词扩写已包含在内,提交前就能确切知道要花多少,而且每种请求都比 MiniMax 按 Token 计费的标价便宜:
| 请求 | PoYo 价格 | 积分 | MiniMax 标价 | 差额 |
|---|---|---|---|---|
| 文生图,1K | $0.016 | 3.2 | $0.02179 | −27% |
| 文生图,2K | $0.016 | 3.2 | $0.02333 | −31% |
| 文生图,4K | $0.056 | 11.2 | $0.06879 | −19% |
| 编辑,1 张参考图 → 2K | $0.0185 | 3.7 | $0.02658 | −30% |
| 编辑,3 张参考图 → 2K | $0.0235 | 4.7 | $0.04177 | −44% |
| 编辑,3 张参考图 → 4K | $0.0635 | 12.7 | $0.07914 | −20% |
PoYo 价格的构成:
- 1K 或 2K: 每张 3.2 积分($0.016)。自定义
WIDTHxHEIGHT在 4,500,000 像素以内时也按这个价格。 - 4K: 每张 11.2 积分($0.056)。自定义尺寸超过 4,500,000 像素时按这个价格。
- 参考图: 每张加 0.5 积分($0.0025)。
- 失败的任务免费。
- 一个 API Key 就能调用 MiniMax H3 Image 以及 PoYo 上所有其他图像、视频和音频模型,积分按量付费。
成本算例
| 场景 | 计算 | PoYo 成本 |
|---|---|---|
| 500 张商品缩略图,2K | 500 × $0.016 | $8.00 |
| 20 张活动主视觉,4K 16:9 | 20 × $0.056 | $1.12 |
| 样板间布置:空房间 + 9 件家具,2K | $0.016 + 10 × $0.0025 | $0.041 |
| 10,000 张社媒配图,2K | 10,000 × $0.016 | $160 |
开源权重自部署,还是用托管 API?
MiniMax 已经在 Hugging Face 上公开了 H3 Image 的权重:“和 H3 一样,我们也发布了 H3-Image 的模型权重。”这让本地部署成了真实可行的选项,值得和 API 比较一下。
本地运行需要什么
- 下载量: 图像模型权重 68.65 GB,还要从 MiniMax-H3 仓库加载 H3 的文本编码器(66.7 GB),合计约 135 GB。可选的提示词扩写模型另需 17.9 GB。
- GPU: MiniMax 表示,“一张 B200 或 B300 能在约 135 GiB 内装下整个模型,单张 H200 则需要把文本编码器卸载出去。”可用显存少于 130 GiB 时,SGLang 会卸载部分模型组件,并提供了“从 B300 到 12 GB 显卡”的部署方案。多卡序列并行可以降低延迟。
- 框架: SGLang、vLLM-Omni、diffusers、LightX2V 和 ComfyUI。
- 最佳分辨率范围: 约 4 到 20 MP,16 MP 左右效果最好。
许可证怎么用
权重采用 MiniMax-H3-Image Community License Agreement,这是 MiniMax 自己的许可证:
- 免费使用和改造: 在许可证规定的适用地区内,免版税授权使用、复制、分发、修改和制作衍生作品。适用地区为欧盟、英国、韩国和美国以外的全球范围;MiniMax 欢迎这四个地区的机构联系它获取授权。
- 规模更大的部署: 年化营收超过 100 万美元的公司,以及向第三方提供托管服务的机构,通过 MiniMax 的许可证控制台申请书面授权。
- 署名: 商业产品在用户界面上醒目展示“MiniMax-H3-Image”。
- 输出内容: 生成内容的权利归你所有,如何使用由你自行负责。
本地部署和 API 对比
| 自部署开源权重 | 托管 API(MiniMax 或 PoYo) | |
|---|---|---|
| 前期准备 | 下载约 135 GB,准备大显存 GPU,搭建推理服务 | 一个 API Key |
| 成本模式 | GPU 时长,忙闲都要付 | 按张(PoYo)或按 Token(MiniMax) |
| 速度 | 取决于你的硬件 | 平台托管;在 PoYo 上 2K 图约 12 秒 |
| 可控性 | 完整的推理流程,包括固定种子复现结果 | 各家 API 开放的请求字段 |
| 条款 | Community License 的地区和营收条件 | 平台的服务条款 |
| 适合 | 研究、离线流水线、在许可地区内长期稳定的大批量生成 | 产品集成、用量波动的业务、希望当天就出结果的团队 |
对大多数团队来说,PoYo 托管 API 是更务实的选择。 每张 2K 图 $0.016,每月 10,000 张图只要 $160,按张计费,一个 API Key 即可,无需安装任何东西。自部署更适合手上已有大显存 GPU 且有富余算力的团队,或者用量大而稳定、足以让一张大显存 GPU 全天满载的场景。
托管 API 的参数怎么选
使用 API 时,下面这些设置决定了质量和费用:
| 目标 | 设置 |
|---|---|
| 成本最低且细节够用 | resolution: "2K";在 PoYo 上和 1K 同价 |
| 印刷、大幅横幅、需要裁切 | resolution: "4K",约 16 MP |
| 精确版式,比如 1920×1080 的幻灯片背景 | 自定义 size,如 1920x1080 |
| 长而详细的提示词要按原文执行 | enable_prompt_expansion: false(文生图) |
| 想法很短,或用任意语言书写 | 保持提示词扩写开启 |
| 编辑时保持原图构图比例 | size: "auto",跟随 <Picture 1> |

把未贴图的 3D 渲染变成构图不变的电影剧照。示例来自 MiniMax 的 H3-Image 模型卡。
在 PoYo 上使用 MiniMax H3 Image
一个模型 ID 覆盖两种任务:只写提示词就是文生图,加上 image_urls 就是图像编辑。
参数
| 字段 | 类型 | 取值 | 默认值 |
|---|---|---|---|
model | string | minimax-h3-image | 必填 |
input.prompt | string | 1–5,000 个字符 | 必填 |
input.image_urls | array | 1–16 个公开可访问的 JPEG、PNG 或 WebP 链接,每张最大 20 MB,每边 128–8,192 像素 | 无 |
input.size | string | 1:1、5:4、4:5、4:3、3:4、3:2、2:3、16:9、9:16、21:9、auto(编辑)或 WIDTHxHEIGHT | 1:1(文生图),auto(编辑) |
input.resolution | string | 1K、2K 或 4K | 2K |
input.enable_prompt_expansion | boolean | 生成前扩写提示词(文生图) | true |
input.output_format | string | png 或 jpeg | png |
callback_url | string | 任务完成或失败时接收 POST 通知的地址 | 无 |
常用预设尺寸:
size | 1K | 2K | 4K |
|---|---|---|---|
1:1 | 1024×1024 | 2048×2048 | 4096×4096 |
4:3 | 1184×896 | 2368×1760 | 4736×3552 |
3:2 | 1248×832 | 2496×1664 | 5024×3360 |
16:9 | 1376×768 | 2720×1536 | 5472×3072 |
9:16 | 768×1376 | 1536×2720 | 3072×5472 |
21:9 | 1568×672 | 3136×1344 | 6272×2688 |
自定义 WIDTHxHEIGHT 的宽和高可以是任意整数,总像素在 655,360 到 20,000,000 之间,宽高比在 1:3 到 3:1 之间,输出图片的尺寸与请求完全一致。
生成一张 4K 图
curl --request POST "https://api.poyo.ai/api/generate/submit" \
--header "Authorization: Bearer ${POYO_API_KEY}" \
--header "Content-Type: application/json" \
--data '{
"model": "minimax-h3-image",
"input": {
"prompt": "一张京都复古旅游海报,顶部用粗大的衬线字写标题 \"KYOTO\",下方副标题 \"City of a Thousand Gates\",红色鸟居沿长满青苔的山坡层层向上延伸,秋天的枫叶,1960 年代丝网印刷风格",
"size": "16:9",
"resolution": "4K"
}
}'

中英文文字都能在黑板上正确写出并解答。示例来自 MiniMax 的 H3-Image 模型卡。
这个请求会返回一张 5472×3072 的图,费用 11.2 积分。提交接口的响应里包含任务 ID:
{
"code": 200,
"data": {
"task_id": "task-unified-1794383400-abcd1234",
"status": "not_started",
"created_time": "2026-11-14T10:30:00"
}
}
用多张参考图编辑
参考图按 image_urls 中的顺序编号,第一张是 <Picture 1>,第二张是 <Picture 2>,依此类推:
curl --request POST "https://api.poyo.ai/api/generate/submit" \
--header "Authorization: Bearer ${POYO_API_KEY}" \
--header "Content-Type: application/json" \
--data '{
"model": "minimax-h3-image",
"input": {
"prompt": "把 <Picture 2> 里的沙发和 <Picture 3> 里的落地灯放进 <Picture 1> 的空客厅。<Picture 1> 的墙面、窗户和日光保持不变。",
"image_urls": [
"https://example.com/empty-room.png",
"https://example.com/sofa.png",
"https://example.com/floor-lamp.png"
],
"resolution": "2K"
}
}'

一间空房间加九件家具,合成为一个完整的客厅。示例来自 MiniMax 的 H3-Image 模型卡。
size 默认为 auto,输出会跟随 <Picture 1> 的宽高比,面积约为 2048×2048 像素。这个请求的费用是 3.2 + 3 × 0.5 = 4.7 积分($0.0235)。编辑请求总会进行提示词扩写。
轮询结果
curl --request GET "https://api.poyo.ai/api/generate/status/${TASK_ID}" \
--header "Authorization: Bearer ${POYO_API_KEY}"
data.status | 含义 | 下一步 |
|---|---|---|
not_started | 排队中 | 稍后再查 |
running | 生成中 | 稍后再查 |
finished | 已完成 | 读取 data.files[0].file_url |
failed | 失败,免费 | 查看 data.error_message |
一个最简单的 Python 轮询函数:
import os, time, requests
BASE_URL = "https://api.poyo.ai"
HEADERS = {"Authorization": f"Bearer {os.environ['POYO_API_KEY']}"}
def wait_for_image(task_id, interval=4, max_checks=60):
for _ in range(max_checks):
resp = requests.get(f"{BASE_URL}/api/generate/status/{task_id}", headers=HEADERS, timeout=30)
task = resp.json()["data"]
if task["status"] == "finished":
return task["files"][0]["file_url"]
if task["status"] == "failed":
raise RuntimeError(task["error_message"])
time.sleep(interval)
raise TimeoutError(f"Still running; keep {task_id} and check again later")
在 PoYo 2026 年 11 月的测试中,1K 或 2K 图约 12 秒,4K 图约 22 到 25 秒,带三张参考图的编辑约 44 秒。如果等待超时,请保留 task_id 稍后再查,任务会在 PoYo 端继续运行。
MiniMax 官方提示词技巧
以下是 MiniMax 官方给出的提示词建议,以及具体用法:
- “先写任务再写风格,先写布局再写细节。” 先说明图片用途和画面内容,再写布局,最后通过可见的颜色、材质和光线来描述风格。
- “把要显示的每个字都放进引号,并写明位置和换行。” 官方示例里,中英文的逻辑谜题都能在黑板上被正确写出并解答。
- 想要干净画面时,在主提示词里写上“画面中不要出现文字、字母或数字”。 排除项直接写在提示词里,模型理解得最好。
- “图表和教育类图片要给出准确数据”,包括单位和时间范围。
- “给每张参考图分配角色,并说明哪些变、哪些不变。” 例如:“<Picture 1> 是房间,<Picture 2> 是沙发;地板和窗户保持不变。”
- 网格用“行和列”来描述,比如“2 行 3 列”。
- 打草稿用 2K。 在 PoYo 上它和 1K 同价,像素却是 1K 的四倍;定稿时再换 4K。

一句清晰的指令只改一个细节,画面其余部分保持原样。示例来自 MiniMax 的 H3-Image 官方资料。
想了解其他图像模型,可以看我们的 Nano Banana 2.1 与 GPT Image 2.5 对比 和 MAI Image 2.6 API 指南。如果想把 H3 Image 生成的静帧做成视频,可以参考 GPT Image 2.5 + MiniMax H3 分镜短片教程。
常见问题
MiniMax H3 能生成图片吗?
能,用的是 MiniMax H3 Image。MiniMax H3 是视频和音频模型;MiniMax H3 Image 是 MiniMax 在 2026 年 11 月 10 日发布的独立图像模型,基于同一架构,专为图像打造。在 PoYo 上,生成图片调用 minimax-h3-image,生成视频调用 hailuo-03。
MiniMax H3 Image 是什么?
MiniMax H3 Image(MiniMax-H3-Image)是 MiniMax 开源权重的文生图和图像编辑模型。它是一个 33.1B 参数的扩散 Transformer,原生输出约 1600 万像素的 4K 图片,最多可以编辑或合成 16 张参考图。
MiniMax H3 Image API 多少钱?
MiniMax 官方 Standard 档的文本输入、图片输入、图片输出分别为每百万 Token $2.30、$1.50 和 $3.80,折合每张图 1K 或 2K 约 $0.022、4K 约 $0.069。在 PoYo 上按张固定计价,1K 或 2K 每张 $0.016,4K 每张 $0.056,每张参考图另加 $0.0025,提示词扩写已包含在内。
MiniMax H3 Image 支持 4K 吗?
支持。4K 在每种宽高比下都约 1600 万像素,比如 1:1 为 4096×4096,16:9 为 5472×3072。自定义尺寸最高可到 20,000,000 像素。
MiniMax H3 Image 最多能用几张参考图?
每次编辑最多 16 张。在提示词里按顺序用 <Picture 1>、<Picture 2> 等指代,并给每张图分配角色。
MiniMax H3 Image 开源吗?能在本地运行吗?
开源。MiniMax 以 MiniMax-H3-Image Community License 在 Hugging Face 上公开了权重。运行它需要约 135 GB 的权重(含文本编码器);单张 B200 或 B300 能装下整个模型,SGLang 通过卸载组件提供了低至 12 GB 显卡的方案。许可证在适用地区内免版税,规模较大的公司或提供托管服务的机构向 MiniMax 申请书面授权即可。做生产应用的话,用 PoYo 托管 API,一个 Key 就能开始。
Standard 和 Highspeed 有什么区别?
在 MiniMax 平台上,Highspeed 的参数和限制与 Standard 相同,但速度更快:MiniMax 宣称它是主流方案的 3–4 倍速,Standard 为 1.5–2 倍速。它的图片输入和输出 Token 单价是 Standard 的两倍,一张 4K 图约 $0.13,而 Standard 约 $0.069。在 PoYo 上,minimax-h3-image 的 4K 固定价为 $0.056。
提示词扩写有什么用?要额外收费吗?
它会在生成前把你的提示词改写成对整张画面的详细描述。在 MiniMax 的 API 上,新增的文本按输入 Token 计费,每次请求约 $0.006–$0.008。在 PoYo 上,这部分已包含在每张图的价格里。文生图时如果希望长提示词按原文执行,可以关闭扩写;编辑请求总会使用扩写。
MiniMax H3 Image 生成的图可以商用吗?
可以。按 MiniMax 的许可证,生成内容的权利归你所有,如何使用由你自行负责。请遵守许可证中的使用规范,以及你所使用平台的服务条款。
MiniMax H3 Image 生成一张图要多久?
在 PoYo 的测试中,1K 或 2K 图约 12 秒,4K 约 22 到 25 秒,带三张参考图的编辑约 44 秒。提交后立即返回 task_id,图片生成期间你的应用可以照常响应。