MiniMax H3 Image บน ComfyUI: ภาพ 16 MP ใน 6 steps

เนื้อหาในคลิป

MiniMax H3 Image และ preset สองตัว

MiniMax H3 Image เป็นโมเดลภาพขนาด 33.1B ที่สร้างและแก้ไขภาพได้ที่ 16 megapixel คือ 4096 × 4096 หรือสัดส่วนกว้างและสูงที่เทียบเท่า ด้วยการ sampling เพียง 6 steps โดยไม่ใช้ upscaler ผู้ทำคลิปเปิดด้วยตัวอย่าง Volkswagen Beetle ขึ้นสนิมและมีมอสปกคลุมในป่าที่ถูกบูรณะด้วยประโยคเดียว ห้องเปล่าที่ได้เฟอร์นิเจอร์จากภาพสินค้า และโปสเตอร์ที่สะกดคำถูกต้อง

ตัวติดตั้ง ComfyUI ของ SECourses ตั้งแต่ V150 มี preset สองตัวอยู่ในโฟลเดอร์ Presets คือ Text To Image 16 MP - 6 Steps และ Image Edit - Up To 16 Images เปิดด้วย Ctrl+O แล้วโมเดลกับค่าต่าง ๆ จะถูกเลือกไว้ครบ

Text to image และ prompt enhancer

ใน preset สร้างภาพ ผู้ใช้กรอกแค่กล่องที่ 1 เป็นไอเดียสั้น ๆ หรือคำบรรยายเต็ม ภาษาใดก็ได้ กล่องที่ 2 คือขนาดภาพ ซึ่งเริ่มที่ 16 megapixel และเป็นขนาดที่แนะนำ ขนาด 4 megapixel render เร็วกว่า แต่ถ้าต่ำกว่า 4 คุณภาพจะลดลง

กล่องที่ 3 คือ prompt enhancer ของ MiniMax เองที่รันในเครื่อง ทำหน้าที่ขยายไอเดียสั้นเป็น caption ยาวแบบที่โมเดลถูกฝึกมา และเลือก aspect ratio ให้ ตัวอย่างในคลิปพิมพ์เพียง 9 คำเรื่องสุนัขจิ้งจอกแดงเดินบนหิมะตอนพระอาทิตย์ขึ้น แล้วได้ภาพ 16 megapixel ที่ซูมดูขนและเกล็ดน้ำแข็งได้ มีกล่องแสดง prompt จริงที่โมเดลได้รับ ซึ่งกลายเป็นย่อหน้าเต็มเรื่องแสง ขน และหิมะ

enhancer มีสามโหมด โหมด reasoning ให้ caption ดีที่สุดแต่เพิ่มเวลาราวหนึ่งนาที โหมด fast ตอบภายในไม่กี่วินาที เหมาะกับการลองไอเดีย ส่วนโหมด off ใช้เมื่อเขียน caption ยาวเองและต้องการให้ข้อความถูกใช้ตามที่พิมพ์

แก้ไขภาพด้วยประโยคเดียวและภาพอ้างอิงหลายภาพ

preset แก้ไขภาพมี gallery ในกล่องที่ 1 ภาพแรกที่เพิ่มคือภาพที่จะถูกแก้ และถูกติดป้าย @image1 จากนั้นเขียนสิ่งที่ต้องการเปลี่ยนเป็นประโยคธรรมดา ไม่ต้องวาด mask และไม่ต้องบรรยายทั้งภาพ เพราะ enhancer จะดูภาพแล้วเติมรายละเอียดที่เหลือให้

ตัวอย่างคำสั่งให้บูรณะรถสู่สภาพ showroom ได้รถสีขาว โครเมียม กระจกใส และยางใหม่ในมุมกล้องเดิม แต่ฉากถูกย้ายเข้า showroom เพราะคำสั่งมีคำนี้ ผู้ทำคลิปจึงชี้ว่าโมเดลทำตามถ้อยคำอย่างใกล้ชิด ถ้าฉากหลังสำคัญต้องระบุสิ่งที่ต้องคงไว้ เช่น ป่า แสง และมุมกล้อง ส่วนการใช้หลายภาพให้เพิ่มทั้งหมดใน gallery แล้วอ้างถึงในประโยคด้วย @image2 หรือ @image3

ความเร็ว VRAM และการดาวน์โหลด

เมื่อเทียบ caption และ seed เดียวกัน ที่ 1 megapixel ขนเป็นภาพเบลอ 4 megapixel ใช้ได้ดี และ 16 megapixel เห็นเกล็ดน้ำแข็งกับขนทีละเส้น บน RTX 5090 ที่โหลดโมเดลแล้ว การรัน 6 steps รวม prompt encoding และ decoding แต่ไม่รวม enhancer ใช้ 3.4 วินาทีสำหรับ 1 MP, 5.7 วินาทีสำหรับ 4 MP และ 15.7 วินาทีสำหรับ 16 MP เมื่อจำกัด ComfyUI ไว้ที่ 12 GB บนการ์ดเดียวกัน ภาพ 16 MP ยังเสร็จใน 19.5 วินาที โดยส่วนที่เหลือ stream จาก system RAM แต่การ์ด 12 GB จริงจะคำนวณช้ากว่า

ขั้นตอนติดตั้งคือดาวน์โหลด zip V150 จากโพสต์ Patreon แตกไฟล์ทับโฟลเดอร์ ComfyUI รันไฟล์ update ติดตั้ง bundle 100 ด้วย bundles installer แล้วเปิด MiniMax-H3 Core Bundle ใน Model Downloader ซึ่งสำหรับงานภาพต้องใช้ 4 ไฟล์ ได้แก่ image model, text encoder, prompt enhancer และ image VAE รวมราว 44 GB ผู้ที่มี GPU memory น้อยให้เลือก Low VRAM Bundle ที่มาพร้อมโมเดลภาพรุ่นเล็กกว่า