vLLM Blog精选6060vLLM-Omni 团队将 MiniMax H3-Image 接入 NVIDIA Vera Rubin，四卡 SP4 配置下原生 4096×4096 文生图短提示词基准中位延迟 0.87 秒，四副本 SP1×DP4 吞吐达 6115 张/小时。
推荐理由: 原文给出 H3-Image 在 Vera Rubin 上的实测延迟、吞吐与跨硬件部署配置，可据此判断 4K 图像生成的部署成本。
MiniMax News精选8080MiniMax 发布了基于 H3 的开源权重图像生成模型 H3-Image，支持文生图、参考图生成和图像编辑，可在 10 秒内生成 4096 × 4096 的 4K 图像，最多支持 16 张参考图。
推荐理由: 官方给出 4K 生成速度、参考图数量和定价区间，可据此判断开源图像模型与闭源方案的差距。
MiniMax · Hugging Face 新模型MiniMax-H3-Image-PE 通过提示扩展（PE）将简短请求转换为详细图像描述并推荐宽高比。它支持文本到图像（T2I）和图像编辑两种工作流程，使用微调自 Qwen3.8-27B 的 FP4 权重。在线 API 可通过 platform.minimax.io 或 platform.minimax.cn 访问，文档提供中英文支持。
MiniMax · Hugging Face 新模型MiniMax-H3-Image 是 MiniMax H3 家族的一款开源图像生成与编辑模型，支持 16MP 图像生成、图像编辑及最多 16 张参考图像，采用 H3 架构并使用 Qwen3-VL 文本编码器，在 Hugging Face 上提供 68.65GB 的 BF16 精度模型权重。
MiniMax NewsMiniMax 发布 H3 模型，支持文本、图像、视频和音频的统一上下文理解，能生成带原生立体声的 2K 分辨率视频（最长 15 秒）。
MiniMax · Hugging Face 新模型MiniMax-H3 是一个通用多模态生成系统，支持统一理解文本、图像、视频和音频，能生成最高 2K 分辨率、最长 15 秒的带立体声音频的视频。其 H3-Context-IR 模块用于深度理解输入指令并转化为 H3-Base 可理解的中间表示，但未开源。H3-Base 和 H3-Regenerate-2K 模块分别负责 768p 和 2K 分辨率的音频视频生成，前者开源，后者需 API 调用。
蚂蚁 inclusionAI · Hugging Face 新模型inclusionAI 发布 Duo 1.0 causal-base 模型，这是一个用于实时音视频交互的全双工多模态世界模型，包含实现权重和主干、意图模型和适配器、音视频编解码器、语音识别器和强制对齐器。该模型权重基于 MiniMax H3 初始化，并已开源。
蚂蚁 inclusionAI · Hugging Face 新模型inclusionAI 发布 Duo 1.2 causal-base 模型，这是一个用于实时音视频交互的全双工多模态世界模型，包含改进的生成质量，模型权重可在 Hugging Face 下载。
蚂蚁 inclusionAI · Hugging Face 新模型inclusionAI 发布 Duo-1.0-distill，一个用于实时音视频交互的全双工多模态世界模型，包含四步蒸馏的 Realization 权重，需与 causal-base 套件叠加使用。
蚂蚁 inclusionAI · Hugging Face 新模型inclusionAI 发布 FP8-量化四步蒸馏的 Duo 1.0 Realization 权重，用于其因果基础模型，支持全双工实时音视频交互，需与因果基础模型权重叠加使用。
vLLM BlogVeRL-Omni v0.3.0 发布，将异步执行扩展到更多多模态强化学习工作负载，并将 V1 训练器设为默认选项，同时扩展了图像、视频、音频和多模态理解的后训练支持。
Hugging Face BlogHugging Face 发布 TorchTPU，使 TPU 成为 PyTorch 的原生后端设备。Transformers、Diffusers 和 Kernels 现可直接在 TPU 上运行，用户只需从 Hugging Face Hub 选择模型，指定 device_map="tpu" 即可。
Hugging Face BlogTorchNeuron 为 PyTorch 在 AWS Trainium 提供新原生后端，Transformer、Diffusers 和 Kernels 均原生支持，使在 Trainium 上运行模型和在 HF Hub 分享模型变得前所未有的简单。
