Laut ChainCatcher hat MiniMax H3-Image veröffentlicht und die Modellgewichte als Open Source bereitgestellt. Das Modell erzeugt ohne Hochskalierung Bilder mit einer Auflösung von 4096 × 4096 Pixeln, also etwa 16,8 Millionen Pixeln, und benötigt dafür sechs Sampling-Schritte. MiniMax zufolge dauert die Generierung weniger als 10 Sekunden und kann bis zu fünfmal schneller sein als bei Mainstream-Produkten. H3-Image kombiniert Text-zu-Bild-Generierung und Bildbearbeitung in einem Modell und unterstützt bis zu 16 Referenzbilder.

Das Modell verwendet die H3-Videoarchitektur, wobei die Audiokomponente entfernt und ein speziell für die Bildgenerierung entwickelter Bilddecoder hinzugefügt wurde. Das zentrale Generierungsnetzwerk hat 33,1 Milliarden Parameter; die ursprünglichen Gewichte und der wiederverwendete Text-Encoder umfassen zusammen etwa 135 GB. Am 7. August sagte der MiniMax-Forscher Kiro in einem Reddit-AMA, dass das Team ein auf der H3-Architektur basierendes, dediziertes Bildmodell entwickle und plane, dessen Gewichte als Open Source bereitzustellen. Kiro beschrieb außerdem einen Arbeitsablauf, bei dem ein Bildmodell das erste Einzelbild eines Videos erstellt, bevor H3 das Video generiert.

Am 3. November veröffentlichte Pruna AI P-H3-Image, das auf dem quelloffenen H3-Videomodell basiert. Es unterstützt Bildgenerierung und -bearbeitung, komprimiert das Generierungsnetzwerk auf etwa 20 Milliarden Parameter und verwendet acht Sampling-Schritte. Die kleinste quantisierte Version ist etwa 20 GB groß und benötigt für die Generierung eines Bildes mit 8 Megapixeln etwa 21 GB VRAM als Spitzenwert. Die H3-Image-Community-Lizenz schließt die Vereinigten Staaten, das Vereinigte Königreich, die Europäische Union und Südkorea aus. Unternehmen mit einem annualisierten Umsatz von mehr als 1 Million US-Dollar sowie Anbieter, die Dritten Modell-Hosting bereitstellen, müssen vorab eine gesonderte Genehmigung einholen.