MiniMax H3 Image บน ComfyUI: ตั้งค่าและทดสอบจริงแบบ local

เนื้อหาในคลิป

H3 Image คืออะไร และ MiniMax อ้างอะไรไว้

MiniMax H3 Image เป็นสายภาพนิ่งที่แตกออกมาจากโมเดลวิดีโอ H3 โดยตัดส่วนเสียงออก ผู้ทำคลิปอธิบายว่าตัวโมเดลเป็น diffusion transformer ขนาด 33B parameters ใช้ text encoder แบบ vision-language ขนาด 32B และมี checkpoint เดียวที่ทำได้ทั้ง text-to-image และการแก้ภาพ ไม่ต้องมีโมเดล edit แยก ส่วน ComfyUI ก็มี template ทางการรองรับตั้งแต่วันแรก

สิ่งที่คลิปตั้งใจตรวจสอบคือคำกล่าวอ้างของ MiniMax ว่าโมเดลนี้เป็น state-of-the-art ในกลุ่มโมเดลภาพแบบเปิด สร้างภาพ 4K ได้ในเวลาไม่ถึง 10 วินาที และทำตาม prompt ได้ดีที่สุดในกลุ่มเดียวกัน ภาพออกจาก sampler ได้ถึง 4096x4096 โดยไม่ต้องต่อ upscaler ไม่มี negative prompt และรับภาพอ้างอิงได้สูงสุด 16 ภาพในรอบเดียว

ไฟล์ที่ต้องโหลดและค่า sampler ที่ใช้

ถ้าไม่ใช้ตัวช่วยเขียน prompt ในตัว ต้องโหลดเพียง 3 ไฟล์ คือ diffusion model, text encoder และ VAE ตัว diffusion model มีให้เลือก 3 ขนาด ได้แก่ BF16, INT8 และ W4A8 ผู้ทำคลิปเลือก INT8 คนที่เคยรันโมเดลวิดีโอ H3 มาแล้วใช้ text encoder ตัวเดิมได้เลยเพราะทั้งซีรีส์ใช้ร่วมกัน แต่ VAE ต้องโหลดใหม่เพราะเป็นตัวเฉพาะของโมเดลภาพ ทั้ง workflow ใช้ native nodes ทั้งหมด แค่อัปเดต ComfyUI ก็พอ

โมเดลเป็นแบบ distilled จึงใช้ 6–8 steps และ CFG 1.0 ผู้ทำคลิปลอง 20 steps แล้วภาพออกมา overcooked เนื่องจากไม่มี negative prompt เขาจึงแนะนำทางเลือกเป็น SamplerCustomAdvanced คู่กับ BasicGuider ที่รับ conditioning ช่องเดียว ทำให้ graph สะอาดกว่า KSampler ปกติ และในอนาคตถ้ามี LoRA ก็โหลดเข้าที่ guider ได้ ส่วนความละเอียด เขาใส่ตารางอัตราส่วนภาพไว้ใน workflow เครื่องที่ช้าให้ลดขนาดลงได้

สำหรับการเขียน prompt MiniMax ปล่อยโมเดล PE (prompt enhancement) แยกไว้ ซึ่งสร้างบน Qwen ขนาด 27B และหนักเกินจะโหลดพร้อมโมเดลภาพ ComfyUI จึงแนะนำตัว enhancer ขนาด 9B ที่เปิดปิดได้ด้วยสวิตช์เดียว อีกทางคือนำโฟลเดอร์ prompt ใน repo ทางการไปทำเป็น skill ให้ AI agent เขียน caption แทน ซึ่งเป็นวิธีที่ผู้ทำคลิปใช้ โดยเขาใช้ Qwen 4 Max

ผลทดสอบ text-to-image

การทดสอบแรกคือชาม 5 ใบ 5 สี แต่ละใบใส่ผลไม้ต่างชนิด และชามสีขาวต้องว่าง โมเดลวางผลไม้ถูกชามตามที่สั่ง ต่อมาเป็นโปสเตอร์ screen print ที่มีข้อความ 3 บรรทัด ซึ่งตรวจการสะกดทีละตัว ลำดับบรรทัด และผิวกระดาษ ผลคือข้อความถูกต้องและภาพมีเกรนกระดาษพิมพ์ทั่วทั้งแผ่น

ป้ายเมนูร้านชาแบบฮ่องกงที่ผสมภาษาจีนกับอังกฤษก็ออกมาอ่านได้ถูกต้องทั้งสองภาษา พร้อมกรอบเก่าที่ให้อารมณ์ยุค 50s–60s จากนั้นเขาทดสอบโปสเตอร์ปริศนาตรรกะ และภาพชายหนุ่มผูกเนกไทหน้ากระจกห้องน้ำ ซึ่งเงาสะท้อนแสดงตำแหน่งแขนตรงกับตัวจริง ผู้ทำคลิปมองว่าความรู้เรื่องโลกจริงนี้สืบทอดมาจากโมเดลวิดีโอ

การแก้ภาพ multi-reference และ sampling สองขั้น

การแก้ภาพใช้ prompt แบบ JSON ที่แบ่งเป็นคำสั่งแก้ไขสั้นๆ อัตราส่วนภาพเป้าหมาย และ caption ขยายที่ระบุว่าภาพอ้างอิงแต่ละภาพถูกใช้อย่างไร ตัวอย่างแรกคือเพิ่มคนนั่งบนโซฟาในภาพห้องนั่งเล่น ผลลัพธ์คงตำแหน่งโซฟา หมอน โต๊ะ และสายไฟไว้เหมือนเดิม ขณะที่เงาสะท้อนหน้าต่างปรับตามแสงใหม่ ตัวอย่างถัดมาใช้ภาพห้องคู่กับ character sheet โมเดลนำตัวละครและหนังสือปกหนังจาก sheet มาวางในฉากได้ในการ sampling รอบเดียว

ช่วงท้ายเป็น workflow สองขั้น คือสร้างที่ราว 2K ด้วย 6 steps ก่อน แล้วขยาย 1.5 เท่าไปที่ 4K ด้วย pass ที่สองเพียง 3 steps ผู้ทำคลิปย้ำว่าโมเดลนี้ไม่ต้องการ steps สูง และ pass ที่สองไม่ได้ให้ผลดีกว่าเสมอไป ภาพแอ็กชันอย่างการวิ่งและกระโดดข้ามหลังคาก็ทำได้ดี