除此之外,海外网友测下来,其他类型的复杂生图任务也是能Handle住的,比如—— 游戏 。
过去我们一提到AI生图,脑子里第一个反应:油光满面,皮肤光滑得像剥了壳的鸡蛋,眼神呆滞,伪人感极重。
此外,像镜子上的水泽和灰尘,闪光灯打在镜头上形成的光晕,这些细节也处理得非常离谱,真就跟小某书首页刷到的一样。
即便从仰视角度也能看出不少面部细节,就比如下面这张 桌子即ins照片 的时尚杂志封面,你仔细看人物的眼神,和微妙的面部肌肉牵引,都是非常符合现实社交逻辑的。
这也是我测H3-Image时最大的一个感受,很多我丢给老模型做过的提示词,H3-Image都能给出全新诠释。
放大看根本不会露馅,手指上的皮肤纹理、关节褶皱,甚至指甲边缘的自然光泽与质感,都还原得一清二楚。
我觉得,H3-Image之所以AI味这么少,可能很大程度上就取决于这些 刻意为之的「瑕疵」 。
现在看来,似乎只要能把其中的Trick摸清楚,很多人类引以为傲的品质,可能真的没那么神秘……
让H3-Image画个机械拆解的爆炸图,它能精准遵循机械的装配逻辑,把零件给你分层清晰地炸开,甚至连组件引线都给你标上。
当然,对于这类功能属性明显的图片,指令遵循能力也是非常重要的, 光「画」其实难度不是很大 ,主要是考验模型规划、推理的能力。
从第一性原理出发,我还是比较相信垂直模型这条路,各领域训各自的,天花板会更高,成本也更现实。
而且像H3-Image这种垂直模型,本身就是天选专精啊,完全不矛盾,非常适合接入Harness, 让Agent直接Tool Call 。
这也是最近开始出现的趋势吧,不一定非得单个模型降维一切,通过通用模型去串联各个垂直模型,总效用更高。
如果光是生成用来展示的资产的话,比如下面这种恐龙玩具,垂直图像模型明显是更优解,没必要Computer Use半天。
一段长文本的战术指令下去——什么掩体、火力压制、侧翼包抄,它能立刻给你构建出一个具有真实纵深感和合理遮挡关系的3D战斗场景。
最重要的,H3-Image直接把分辨率干到了 16MP (4096×4096像素) ,也就是原生4K。
继之前开源SOTA级视频模型H3之后,MiniMax再次出手,又给全球开发者送上了一个可自由定制的SOTA底座。
过去AI生图在商业端常常「沦为玩具」,主要就是因为细节经不起推敲、塑料感太严重了,谁是甲方看到都不乐意啊。
从高精度工业包装设计、商业插画,到多语言的跨境营销物料,图像模型的出现,能大幅压缩传统工作流的周期。
当全球AI公司的目光几乎全部聚焦于纯文本时,MiniMax,仍然把很大一部分精力放在多模态世界。
量子位 QbitAI 版权所有©北京极客伙伴科技有限公司 京ICP备17005886号-1
Loading comments…