infosave/MiniMax-H3-Image-cmf

MiniMax-H3-Image — CMF

MiniMax-H3-Image, text to image and image editing at 4 to 16 megapixels in six steps, as one CMF file of 24.6 GB for cortiq, a Rust inference engine with no Python and no ML framework. The diffusion transformer and the prompt encoder are in 4 bits, the VAE in 8. On a 16 GB RTX 2000 Ada the native CUDA backend renders 2048 x 2048 in 50.3 s, and under a ceiling of 4 GB on the card's memory in 60.2 s, the same picture. The same file runs over Vulkan: 2048 x 2048 in 33.7 s on an RTX A5000 against 24.8 s on CUDA, and in 46.8 s under a 4 GB ceiling. A MacBook Air M4 with 24 GB renders it through Metal in 565.8 s, and 1024 x 1024 in 138.8 s.

English · Русский · 中文

Examples

Text to image: 2048 x 2048, seed 42, six steps, this file on CUDA. Click for the full size; the prompts are in examples/prompts.

At 4096 x 4096 (16 megapixels, 283.7 s on the same card): the full file, the prompt of the model authors' example.

Image editing. Left: the picture given with --image. Right: the result.

reference	edit
the model authors' example picture	their edit brief (prompt), 2048 x 2048, 95.2 s: headphones removed, a fist bump, every sign and mug text kept
the picture generated above	"repaint the bicycle pastel blue" (prompt), 1024 x 1024, 42.8 s

Quick start

cargo install cortiq-cli --features cuda
hf download infosave/MiniMax-H3-Image-cmf minimax-h3-image-q4tp.cmf --local-dir .
# text to image
CMF_GPU=cuda cortiq imagine minimax-h3-image-q4tp.cmf --prompt @prompt.txt --out out.png
# image editing: <Picture 1> in the prompt is the file given with --image
CMF_GPU=cuda cortiq imagine minimax-h3-image-q4tp.cmf --image photo.png --prompt @edit.txt --out edit.png
# a card with 6 GB
CMF_GPU=cuda CMF_GPU_VRAM_MB=6000 cortiq imagine minimax-h3-image-q4tp.cmf --prompt @prompt.txt --out out.png
# Vulkan or Metal: the default backend
cortiq imagine minimax-h3-image-q4tp.cmf --prompt @prompt.txt --out out.png

what it needs
card	CUDA: NVIDIA with its driver, and CUDA 12.x libraries libnvrtc.so.12 and libcublas.so.12 on the loader's path. Vulkan: an NVIDIA RTX card for the speeds below, any other card on a slower path. Metal: Apple silicon
memory	16 GB of the card without a ceiling; from 4 GB with CMF_GPU_VRAM_MB on CUDA and Vulkan. About 28 GB of RAM or page cache for the file; a Mac with 24 GB runs it and reads each stage from disk
engine	cortiq 0.8.73 or later, 0.8.75 for the Vulkan and Metal speeds below; for CUDA built with the cuda feature (stable Rust, nothing is linked against CUDA at build time; the prebuilt release binaries do not include that backend)

--width and --height are multiples of 32 and default to 2048 x 2048. The model works from about 4 megapixels to 20; a smaller size is generated on a 2048 x 2048-area canvas and resized back (--min-area 1024 turns that off). There is no guidance and no negative prompt. The model expects a detailed English description of the whole image; its authors expand a short request with a separate model, which this file does not include. Full guide: docs/MINIMAX_H3_IMAGE.md.

Speed

NVIDIA RTX 2000 Ada, 16 GB, one image, seed 42, single runs (2048 x 2048: the median of three).

run	prompt, s	six steps, s	a step, s	decode, s	total, s	peak memory of the card, MiB
CUDA, 1024 x 1024 (--min-area 1024)	2.4	11.7	1.95	0.5	16.1	12 116
CUDA, 2048 x 2048	2.6	44.3	7.38	1.7	50.3	12 654
CUDA, 4096 x 4096	9.2	264.5	43.90	8.3	283.7	13 414
CUDA, edit at 2048 x 2048, one 1024 x 1024 picture	9.8	67.9	11.37	1.7	80.8	12 854

NVIDIA RTX A5000, 24 GB, the same file on both backends, single runs.

run	CUDA: a step, s	CUDA: total, s	Vulkan: a step, s	Vulkan: total, s	Vulkan: peak memory of the card, MiB
1024 x 1024 (--min-area 1024)	0.90	10.8	1.15	16.2	12 673
2048 x 2048	3.31	24.8	4.01	33.7	12 673
4096 x 4096	21.69	138.6	21.59	142.3	13 759
edit at 1024 x 1024, one 1024 x 1024 picture	2.34	25.4	2.85	30.6	13 824
edit at 2048 x 2048, one 1024 x 1024 picture	5.49	45.1	6.16	52.1	13 824

MacBook Air M4, 24 GB, Metal, single runs. The machine has no fan and slows down as it warms: a step at 1024 x 1024 takes 18 s cool and 20 to 22 s warm.

run	prompt, s	six steps, s	a step, s	decode, s	total, s	peak memory of the process, MiB
1024 x 1024 (--min-area 1024)	12.0	119.3	20.23	2.9	138.8	10 654
2048 x 2048	12.3	537.2	89.96	12.7	565.8	8 551
edit at 1024 x 1024, one 1024 x 1024 picture	55.0	366.2	61.17	2.9	431.6	12 604

Small cards

CMF_GPU_VRAM_MB is a ceiling on what the process holds on the card. The blocks of the transformer that do not fit under it pass through the card every step. 2048 x 2048 on CUDA, NVIDIA RTX 2000 Ada, 16 GB:

ceiling	total, s	a step, s	peak memory of the card, MiB
none	50.3	7.38	12 654
CMF_GPU_VRAM_MB=8000	53.5	8.05	7 634
CMF_GPU_VRAM_MB=6000	54.4	8.18	5 720
CMF_GPU_VRAM_MB=4000	60.2	9.15	3 710

The picture under the 4 GB ceiling is the same picture: 49.6 dB PSNR against the run without one.

2048 x 2048 on Vulkan, NVIDIA RTX A5000, 24 GB; the pictures are identical to the one without a ceiling, and the card's peak stays within 0.8 GB of it:

ceiling	total, s	a step, s	peak memory of the card, MiB
none	32.8	4.02	12 673
CMF_GPU_VRAM_MB=12000	32.2	4.02	11 962
CMF_GPU_VRAM_MB=8000	38.1	5.17	8 560
CMF_GPU_VRAM_MB=6000	41.6	5.71	6 647
CMF_GPU_VRAM_MB=4000	46.8	6.64	4 754

Image editing

--image FILE makes the run an edit; repeat it for several pictures (<Picture 1>, <Picture 2>, ... in the prompt, the first is the one to edit). The model's own edit prompts are briefs that name every subject and say what stays; a short instruction also works, and text that the prompt does not name tends to change.

Known limit: an edit of a densely detailed, high-contrast picture comes out over-processed at 2048 x 2048 (oversaturated, posterized); the bakery picture above is one. The same edit at 1024 x 1024 (--width 1024 --height 1024 --min-area 1024) is clean, and so are edits of softer pictures at 2048 x 2048. An 8-bit encoder, an 8-bit transformer and the f32 path give the same result; the cause is not found.

What is in the file

part	source	codec
diffusion transformer, 20.1 B parameters, 50 blocks	Comfy-Org/MiniMax-H3-Image, the pruned BF16 checkpoint	q4tp, 4 bits
prompt encoder, Qwen3-VL-32B up to layer 50, with the vision tower	Comfy-Org/MiniMax-H3	q4tp, 4 bits
image VAE (CNN encoder, 2-D ViT decoder)	Comfy-Org/MiniMax-H3-Image	q8_2f, 8 bits

minimax-h3-image-q4tp.cmf: 24 562 634 323 bytes, sha256 f4af395ada66213cd401a455fcc7fd7252d2d4c4813f8d1437ff58a89740f309. The weights are quantized from the originals; nothing was retrained.

Checked: the CUDA chain against a per-operation f32 path (54.0 dB PSNR on a 2048 x 2048 edit), Vulkan against CUDA on one card (45.9 dB at 1024 x 1024, 44.5 dB at 2048 x 2048), Metal against those CUDA pictures (47.2 and 43.7 dB), the 4 GB ceiling against none (49.6 dB on CUDA, identical on Vulkan). Not checked: the reference implementation was not run on the same card, so there is no picture-to-picture comparison with it.

License

MiniMax-H3-Image is licensed under the MiniMax-H3-Image Community License Agreement, Copyright © 2026 MiniMax. All Rights Reserved. A copy is in LICENSE, the notice in NOTICE. This repository holds a modified form of the model: the weights are quantized and repacked into the CMF container. The Agreement applies to this file and to what it generates. In particular it grants rights only within its Applicable Territory, which excludes the European Union, the United Kingdom, the Republic of Korea and the United States of America; it requires a separate authorization from MiniMax above 1 million USD of annual revenue or for a hosted service; and it carries an Acceptable Use Policy. Read it before use. The cortiq engine itself is Apache-2.0.

Документация на русском

MiniMax-H3-Image, генерация и правка изображений от 4 до 16 мегапикселей за шесть шагов, в одном файле CMF на 24.6 ГБ для cortiq, движка на Rust без Python и без ML-фреймворка. Трансформер и энкодер промпта в 4 битах, VAE в 8. На RTX 2000 Ada с 16 ГБ собственный бэкенд CUDA рисует 2048 x 2048 за 50,3 с, а под потолком памяти карты 4 ГБ за 60,2 с, ту же картинку. Тот же файл работает через Vulkan: 2048 x 2048 за 33,7 с на RTX A5000 против 24,8 с на CUDA и за 46,8 с под потолком 4 ГБ. MacBook Air M4 с 24 ГБ рисует её через Metal за 565,8 с, а 1024 x 1024 за 138,8 с. Примеры генерации и правки — в начале страницы.

cargo install cortiq-cli --features cuda
hf download infosave/MiniMax-H3-Image-cmf minimax-h3-image-q4tp.cmf --local-dir .
# текст в картинку
CMF_GPU=cuda cortiq imagine minimax-h3-image-q4tp.cmf --prompt @prompt.txt --out out.png
# правка: <Picture 1> в промпте — файл из --image
CMF_GPU=cuda cortiq imagine minimax-h3-image-q4tp.cmf --image photo.png --prompt @edit.txt --out edit.png
# карта с 6 ГБ
CMF_GPU=cuda CMF_GPU_VRAM_MB=6000 cortiq imagine minimax-h3-image-q4tp.cmf --prompt @prompt.txt --out out.png
# Vulkan или Metal: бэкенд по умолчанию
cortiq imagine minimax-h3-image-q4tp.cmf --prompt @prompt.txt --out out.png

Для CUDA нужны драйвер NVIDIA и библиотеки CUDA 12.x (libnvrtc.so.12, libcublas.so.12); без потолка требуется 16 ГБ памяти карты, с CMF_GPU_VRAM_MB достаточно 4 ГБ (CUDA и Vulkan). Скорости Vulkan ниже получены на карте NVIDIA RTX, остальные карты идут более медленным путём; для скоростей Vulkan и Metal нужен cortiq 0.8.75. --width и --height кратны 32, по умолчанию 2048 x 2048. Рабочий диапазон модели от 4 до 20 мегапикселей; меньший размер генерируется на холсте площадью 2048 x 2048 и уменьшается (--min-area 1024 это отключает). Guidance и негативного промпта нет. Модель ждёт подробное английское описание всей картинки; расширителя промпта в файле нет. Полное руководство: docs/MINIMAX_H3_IMAGE.ru.md.

Скорость, NVIDIA RTX 2000 Ada, 16 GB, одна картинка, сид 42, одиночные прогоны (2048 x 2048 — медиана трёх):

прогон	промпт, с	шесть шагов, с	шаг, с	декодер, с	всего, с	пик памяти карты, МиБ
CUDA, 1024 x 1024 (--min-area 1024)	2,4	11,7	1,95	0,5	16,1	12 116
CUDA, 2048 x 2048	2,6	44,3	7,38	1,7	50,3	12 654
CUDA, 4096 x 4096	9,2	264,5	43,90	8,3	283,7	13 414
CUDA, правка 2048 x 2048, одна картинка 1024 x 1024	9,8	67,9	11,37	1,7	80,8	12 854

NVIDIA RTX A5000, 24 GB, один и тот же файл на обоих бэкендах, одиночные прогоны:

прогон	CUDA: шаг, с	CUDA: всего, с	Vulkan: шаг, с	Vulkan: всего, с	Vulkan: пик памяти карты, МиБ
1024 x 1024 (--min-area 1024)	0,90	10,8	1,15	16,2	12 673
2048 x 2048	3,31	24,8	4,01	33,7	12 673
4096 x 4096	21,69	138,6	21,59	142,3	13 759
правка 1024 x 1024, одна картинка 1024 x 1024	2,34	25,4	2,85	30,6	13 824
правка 2048 x 2048, одна картинка 1024 x 1024	5,49	45,1	6,16	52,1	13 824

MacBook Air M4, 24 GB, Metal, одиночные прогоны. У машины нет вентилятора, и по мере нагрева она замедляется: шаг на 1024 x 1024 занимает 18 с на холодной машине и 20–22 с на прогретой:

прогон	промпт, с	шесть шагов, с	шаг, с	декодер, с	всего, с	пик памяти процесса, МиБ
1024 x 1024 (--min-area 1024)	12,0	119,3	20,23	2,9	138,8	10 654
2048 x 2048	12,3	537,2	89,96	12,7	565,8	8 551
правка 1024 x 1024, одна картинка 1024 x 1024	55,0	366,2	61,17	2,9	431,6	12 604

Потолок памяти карты, 2048 x 2048 на CUDA, NVIDIA RTX 2000 Ada, 16 GB. Блоки трансформера, не поместившиеся под потолок, проходят через карту каждый шаг; под потолком 4 ГБ получается та же картинка (PSNR 49,6 дБ):

потолок	всего, с	шаг, с	пик памяти карты, МиБ
нет	50,3	7,38	12 654
CMF_GPU_VRAM_MB=8000	53,5	8,05	7 634
CMF_GPU_VRAM_MB=6000	54,4	8,18	5 720
CMF_GPU_VRAM_MB=4000	60,2	9,15	3 710

То же на Vulkan, NVIDIA RTX A5000, 24 GB; картинки совпадают с прогоном без потолка, пик памяти карты выходит за потолок не больше чем на 0,8 ГБ:

потолок	всего, с	шаг, с	пик памяти карты, МиБ
нет	32,8	4,02	12 673
CMF_GPU_VRAM_MB=12000	32,2	4,02	11 962
CMF_GPU_VRAM_MB=8000	38,1	5,17	8 560
CMF_GPU_VRAM_MB=6000	41,6	5,71	6 647
CMF_GPU_VRAM_MB=4000	46,8	6,64	4 754

Правка: --image FILE, опцию можно повторять (<Picture 1>, <Picture 2>, ... в промпте, первая картинка редактируется). Известное ограничение: правка плотно детализированной контрастной картинки на холсте 2048 x 2048 выходит пережжённой (перенасыщенной, с постеризацией). Та же правка на 1024 x 1024 (--width 1024 --height 1024 --min-area 1024) чистая, как и правки более мягких картинок на 2048 x 2048. 8-битный энкодер, 8-битный трансформер и путь в f32 дают тот же результат; причина не найдена.

Лицензия: MiniMax-H3-Image Community License Agreement, копия в LICENSE, уведомление в NOTICE. В репозитории изменённая форма модели: веса квантованы и упакованы в контейнер CMF. Соглашение действует только на своей территории применения, из которой исключены Европейский союз, Великобритания, Республика Корея и США; при годовой выручке выше 1 млн долларов США и для хостинга нужно отдельное разрешение MiniMax. Прочитайте соглашение до использования.

中文说明

MiniMax-H3-Image：六步生成和编辑 4 到 16 百万像素的 图片，打包成一个 24.6 GB 的 CMF 文件，由 cortiq 运行。cortiq 是 用 Rust 写的推理引擎，不需要 Python，也不依赖任何机器学习框架。Transformer 和提示词编码器为 4 位，VAE 为 8 位。在 16 GB 的 RTX 2000 Ada 上，原生 CUDA 后端生成 2048 x 2048 用时 50.3 秒；在 4 GB 显存上限下用时 60.2 秒，得到同一张图片。同一个文件也走 Vulkan：在 RTX A5000 上生成 2048 x 2048 用时 33.7 秒 （CUDA 为 24.8 秒），4 GB 上限下用时 46.8 秒。24 GB 的 MacBook Air M4 通过 Metal 生成它用时 565.8 秒，生成 1024 x 1024 用时 138.8 秒。生成和编辑的示例见页面开头。

cargo install cortiq-cli --features cuda
hf download infosave/MiniMax-H3-Image-cmf minimax-h3-image-q4tp.cmf --local-dir .
# 文生图
CMF_GPU=cuda cortiq imagine minimax-h3-image-q4tp.cmf --prompt @prompt.txt --out out.png
# 图片编辑：提示词里的 <Picture 1> 就是 --image 给出的文件
CMF_GPU=cuda cortiq imagine minimax-h3-image-q4tp.cmf --image photo.png --prompt @edit.txt --out edit.png
# 6 GB 显卡
CMF_GPU=cuda CMF_GPU_VRAM_MB=6000 cortiq imagine minimax-h3-image-q4tp.cmf --prompt @prompt.txt --out out.png
# Vulkan 或 Metal：默认后端
cortiq imagine minimax-h3-image-q4tp.cmf --prompt @prompt.txt --out out.png

CUDA 需要 NVIDIA 驱动和 CUDA 12.x 库（libnvrtc.so.12、libcublas.so.12）；不设上限时需要 16 GB 显存， 设置 CMF_GPU_VRAM_MB 后 4 GB 即可（CUDA 和 Vulkan）。下面的 Vulkan 速度是在 NVIDIA RTX 显卡上测得的， 其他显卡走较慢的路径；Vulkan 和 Metal 的这些速度需要 cortiq 0.8.75。--width 和 --height 是 32 的倍数，默认 2048 x 2048。模型的工作 范围是 4 到 20 百万像素；更小的尺寸会在面积为 2048 x 2048 的画布上生成再缩小（--min-area 1024 关闭此 行为）。没有 guidance，也没有负面提示词。模型需要对整张图片的详细英文描述；文件不包含提示词扩展器。 完整指南：docs/MINIMAX_H3_IMAGE.zh.md。

速度，NVIDIA RTX 2000 Ada, 16 GB，一张图片，种子 42，单次运行（2048 x 2048 为三次的中位数）：

运行	提示词，秒	六步，秒	每步，秒	解码，秒	总计，秒	显存峰值，MiB
CUDA，1024 x 1024（--min-area 1024）	2.4	11.7	1.95	0.5	16.1	12 116
CUDA，2048 x 2048	2.6	44.3	7.38	1.7	50.3	12 654
CUDA，4096 x 4096	9.2	264.5	43.90	8.3	283.7	13 414
CUDA，2048 x 2048 编辑，一张 1024 x 1024 参考图	9.8	67.9	11.37	1.7	80.8	12 854

NVIDIA RTX A5000, 24 GB，同一个文件在两个后端上，单次运行：

运行	CUDA：每步，秒	CUDA：总计，秒	Vulkan：每步，秒	Vulkan：总计，秒	Vulkan：显存峰值，MiB
1024 x 1024（--min-area 1024）	0.90	10.8	1.15	16.2	12 673
2048 x 2048	3.31	24.8	4.01	33.7	12 673
4096 x 4096	21.69	138.6	21.59	142.3	13 759
1024 x 1024 编辑，一张 1024 x 1024 参考图	2.34	25.4	2.85	30.6	13 824
2048 x 2048 编辑，一张 1024 x 1024 参考图	5.49	45.1	6.16	52.1	13 824

MacBook Air M4, 24 GB，Metal，单次运行。这台机器没有风扇，变热后会降速：1024 x 1024 的一步在冷机上是 18 秒，热机上是 20 到 22 秒：

运行	提示词，秒	六步，秒	每步，秒	解码，秒	总计，秒	进程内存峰值，MiB
1024 x 1024（--min-area 1024）	12.0	119.3	20.23	2.9	138.8	10 654
2048 x 2048	12.3	537.2	89.96	12.7	565.8	8 551
1024 x 1024 编辑，一张 1024 x 1024 参考图	55.0	366.2	61.17	2.9	431.6	12 604

显存上限，CUDA 上 2048 x 2048，NVIDIA RTX 2000 Ada, 16 GB。放不进上限的 Transformer 块每一步都流经显卡；4 GB 上限下得到的是 同一张图片（PSNR 49.6 dB）：

上限	总计，秒	每步，秒	显存峰值，MiB
无	50.3	7.38	12 654
CMF_GPU_VRAM_MB=8000	53.5	8.05	7 634
CMF_GPU_VRAM_MB=6000	54.4	8.18	5 720
CMF_GPU_VRAM_MB=4000	60.2	9.15	3 710

Vulkan 上同样的测试，NVIDIA RTX A5000, 24 GB；图片与无上限时完全相同，显存峰值超出上限不到 0.8 GB：

上限	总计，秒	每步，秒	显存峰值，MiB
无	32.8	4.02	12 673
CMF_GPU_VRAM_MB=12000	32.2	4.02	11 962
CMF_GPU_VRAM_MB=8000	38.1	5.17	8 560
CMF_GPU_VRAM_MB=6000	41.6	5.71	6 647
CMF_GPU_VRAM_MB=4000	46.8	6.64	4 754

编辑：--image FILE，可以重复（提示词中为 <Picture 1>、<Picture 2> 等，第一张是被编辑的图片）。 已知限制：在 2048 x 2048 上编辑细节密集、对比强烈的图片，结果会过度处理（过饱和、色调分离）。同样的 编辑在 1024 x 1024 上（--width 1024 --height 1024 --min-area 1024）是干净的，较柔和的图片在 2048 x 2048 上的编辑也是干净的。8 位编码器、8 位 Transformer 和 f32 路径给出相同结果；原因尚未找到。

许可：MiniMax-H3-Image Community License Agreement，副本见 LICENSE，声明见 NOTICE。 本仓库中是模型的修改形式：权重经过量化并打包进 CMF 容器。该协议只在其适用地区内授予权利，欧盟、英国、 韩国和美国不在其内；年收入超过 100 万美元或提供托管服务需要 MiniMax 的单独授权。使用前请阅读协议。