MiniMax-H3-Image-PE: أطلقت MiniMax موسّعًا للأوامر النصية بحجم 27B لنموذجها للصور ولم تُخبر أحدًا

There is no launch post for MiniMax-H3-Image-PE. There is no entry on M​iniMax's news feed, no blog, no changelog line, no social post — on 2026-11-11 the company's news index lists H3, M3.1 Flash, Speech 2.8 and Music 3.0, and nothing about images at all. What exists instead is a Hugging Face repository whose first commit is timestamped 2026-11-10 at 14:38 UTC, a model card that never states a release date, and a license file dated November 10, 2026. That is the whole announcement. MiniMax-H3-Image-PE is a prompt-expansion model — a caption writer — built to feed its sibling MiniMax-H3-Image, the open-weights 33.1B image generator M​iniMax published on 2026-11-03. The image model got eight days of quiet; its prompt expander has had one. Everything below that carries a number comes from those two repositories, the license text, or M​iniMax's own API documentation, and where something is not knowable from those sources it is marked as such rather than guessed. MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter as of 2026-11-11, so this is a self-hosted evaluation. the catalogue The rest of the catalogue is one key away when you want to compare the expansion against a text model you already trust.

The short version, for anyone deciding whether to care: this model does not draw anything. You give it a sentence, it gives you back a long English description of the image you meant plus a recommended aspect ratio, wrapped in a two-key JSON object. A 27B model exists to write that paragraph because MiniMax-H3-Image is unusually fussy about its input — the parent card says it "expects a detailed English description of the whole image" and truncates anything past 4096 tokens. If you have ever typed six words into an image model and gotten six words' worth of thinking back, that gap is what this repository is trying to close, and on 2026-11-10 M​iniMax open-sourced its side of the fix.

ما الذي يوجد فعليًا في المستودع، وماذا تقول الطوابع الزمنية

The repository is MiniMaxAI/MiniMax-H3-Image-PE on Hugging Face. Its creation timestamp is 2026-11-08 15:35 UTC; its first commit — unhelpfully titled "Init MiniMaxAI/MiniMax-H3-Image-PE" — landed two days later, on 2026-11-10 at 14:38 UTC, authored by M​iniMax staff accounts ryanlee-dev and 500kg. A second commit followed 38 minutes later adding a Diffusers usage section, and that one is a pull request merged from Hugging Face's own multimodalart, which tells you the diffusers integration was contributed from outside M​iniMax rather than shipped by it. Three pull requests were opened against the repo on its first day, all closed or merged. None of them is an announcement.

What is inside is a checkpoint in four safetensors shards totalling roughly 17.9 GB, a tokenizer, a chat template, a quantisation config, and — the part that matters more than the weights — a prompt/ directory containing the actual system prompt, task prompt and request parameters M​iniMax uses. There is also a single client script, scripts/expand_prompt.py. The repository declares 27.4B parameters in total across two tensor types: about 25.6B stored as U8 and 1.76B left in BF16. That split is explained by the quantisation config, which records NVFP4 with a group size of 16 and lists the modules held out of quantisation — the embedding table and the convolution and gating projections inside each linear-attention block.

يُذكر النموذج الأساسي بوضوح على بطاقة النموذج وفي البيانات الوصفية: Qwen3.8-27B، وهو نموذج لغوي بصري متعدد الوسائط Qwen مرخّص بموجب Apache 2.0 ونشره Qwen في 2026-08-05. لذا فإن البنية المعمارية هي بنية Qwen، والأوزان هي ضبط دقيق من MiniMax، أما التغليف — NVFP4 بدلاً من BF16 — فهو تحسين من MiniMax للنشر بدلاً من الوفاء بدقة إعادة التوزيع. وتقول البطاقة إن أوزان FP4 تشغل نحو 19 GiB من ذاكرة GPU، وإن وحدات GPU التي تدعم FP4 أصلاً تشغّل أوزان NVFP4 مباشرةً بينما تعتمد الأخرى على bitsandbytes كخيار احتياطي.

ما الذي يفعله، على وجه الدقة

يوجد في المستودع سيرتا عمل، وهما ليسا الشيء نفسه. هذا هو أهم شيء يجب فهمه قبل تنزيل 18 غيغابايت.

• هندسة الأوامر النصية إلى الصور (PE) — تحصل على كل شيء: الأوزان المضبوطة بدقة، ومُوجِّه النظام، ومُوجِّه المهمة، ومعاملات الطلب، وعميل جاهز للعمل. هذا المسار مكتمل وقابل للتشغيل اليوم.

• Image editing PE — تحصل على موجّه ومثال لتجميع الرسائل. لا توجد أوزان. وتقول البطاقة ذلك صراحةً: "لا يزال Image editing PE قيد التطوير؛ لا يوفّر هذا الإصدار سوى الموجّه الخاص به." ومن المتوقع أن تشغّل هذا الموجّه عبر نموذج رؤية-لغة من اختيارك.

مسار تحويل النص إلى صورة يأخذ تعليماتك، ويوسّعها، ويعيد JSON مقيّدًا بمخطط إلى مفتاحين بالضبط. الناتج عن مطالبة اختبار — "قطة تابي برتقالية نائمة على حافة نافذة تملؤها الشمس" — هو جملة واحدة عن صور دافئة وضوء عصر ناعم، إضافة إلى النسبة "3:2". المخطط صارم، مع additionalProperties مضبوطًا على false، وحقل النسبة عبارة عن enum من عشر قيم: 1:1، 5:4، 4:3، 3:2، 16:9، 21:9، 4:5، 3:4، 2:3، 9:16. لا توجد نسبة نص حر، ولا رمز "auto" في الناتج، ولا توجد طريقة تتيح للنموذج الإجابة بأي شيء غير إحدى تلك السلاسل العشر. هذا اختيار تصميمي متعمد، وهو ينطبق مباشرةً على جدول الأحجام المنشور للنموذج الأب، والذي يسرد تلك النسب بالضبط مع أبعاد بالبكسل من 4096×4096 عند 1:1 وصولًا إلى 6272×2688 عند 21:9.

قرار النسبة ليس مسألة ذوق عابر. يخصص نص المهمة المنشور عدة مئات من الكلمات لترتيب أولويات صارم: تفوز اللوحة النهائية الصريحة أولاً، ثم المُخرَج المطلوب (الملصق رأسي، ورأس الشريحة أفقي، والصورة الرمزية مربعة)، ثم التكوين الأساسي للعنصر الرئيسي، ثم السياق الاختياري — مع تحذير صريح بأن «غرفة عامة أو حديقة أو غابة أو سماء أو خلفية سينمائية يجب ألا تحوّل عنصراً رئيسياً مركّزاً إلى أفقي». كما يحظر النص اختلاق منصة: ليس لك أن تفترض {{Instagram}}. ويميّز بين مشهد مصوّر وبين منتج اتصالي — فلوحة المعلومات أو الملصق أو التغليف أو المخطط التقني أو التركيب متعدد اللوحات يُبنى بوصفه هندسة معلومات، لا مشهداً يحتوي العناصر المطلوبة. ولمن شاهد نموذج صور يحوّل «شريحة نتائج ربع سنوية» إلى صورة فوتوغرافية لغرفة اجتماعات، فإن هذا التمييز هو الجزء المثير للاهتمام في هذا الإصدار.

لماذا إنفاق 27 مليار معامل على تعليق؟

الإجابة موجودة في وثائق النموذج الأصلي، وهي أكثر إثارة للاهتمام من موسّع المطالبات نفسه. MiniMax-H3-Image هو محوّل انتشار كثيف أحادي التدفق بحجم 33.1B، و50 طبقة، وحجم مخفي 5376، و56 رأس انتباه، يقرأ الحالات المخفية من الطبقة الخمسين من مُشفّر نصي Qwen3-VL كامل موروث دون تغيير من MiniMax-H3. يبلغ حجم مُشفّر النص هذا 66.7 GB وهو ليس في مستودع الصور — يمكنك تنزيله بشكل منفصل من مستودع نموذج الفيديو. تم تقطير نقطة التحقق إلى ست خطوات أخذ عينات دون توجيه خالٍ من المصنّف، ويفرض الـAPI ذلك: أي num_inference_steps غير 6 وأي guidance_scale غير 1 يُرجع HTTP 400، وnegative_prompt يُرفض رفضًا قاطعًا. لا يوجد مقبض لتدويره.

When there is no dial, the prompt is the control surface. That is the design logic connecting the two repositories: a six-step distilled sampler with no negative prompt has very little room to interpret a short instruction, so M​iniMax moved the interpretation into a separate model that can think before it writes. The hosted equivalent is an API endpoint called H3-Image-Context-IR, which does the same job server-side — accepts up to 32,000 characters of prompt and one to sixteen reference images, returns a revised prompt and a chosen ratio, and bills by converting the expansion model's input, output and thinking tokens into text tokens. MiniMax-H3-Image-PE is that endpoint's local escape hatch, and the parent card recommends exactly that usage: run the PE, save its expanded_caption into the generation call, and skip paying for enhancement twice.

The request parameters released with the PE are worth reading as a statement of intent rather than as tuning advice. Temperature 1.0, top_p 0.95, top_k 20, a 4096-token budget that includes thinking, and reasoning_effort set to "xhigh", with thinking enabled and preserved. M​iniMax is running its caption writer in maximum-deliberation mode and constraining only the final serialisation, not the reasoning. Serving that means SGLang 0.5.23 or newer with XGrammar 0.2.7 or newer, the q​wen3 reasoning parser, and constrained JSON decoding — or the Diffusers modular-blocks route the card documents. One caveat on that second route: the blocks repository the card points at, diffusers/minimax-h3-image-pe-blocks, returned HTTP 401 when checked on 2026-11-11, so it was not publicly readable at the time of writing. The card's Diffusers section may well be ahead of the artifact it depends on.

الترخيص هو الجزء الذي سيمنع الناس فعليًا.

MiniMax-H3-Image-PE غير مرخّص بشكل منفصل. وتذكر البطاقة أنه «جزء من MiniMax-H3-Image ويخضع بالتالي لـ» اتفاقية ترخيص مجتمع MiniMax-H3-Image، ويحمل ملف الترخيص سطر تاريخ نصه «تاريخ الإصدار/تاريخ الترخيص: 10 نوفمبر 2026». اقرأ ذلك بعناية، لأنه يعني أن تاريخ ترخيص موسّع المطالبات وتاريخ نشر نموذج الصور الأصل يفصل بينهما ثمانية أيام، بينما الترخيص نفسه وثيقة واحدة تحكم كليهما.

ثلاثة بنود أهم من غيرها، ولا يمثل أي منها الحكاية المعتادة عن «الأوزان المفتوحة»:

• الإقليم — لا ينطبق المنح إلا داخل "الإقليم المطبق"، المُعرَّف بأنه يشمل العالم بأسره باستثناء الاتحاد الأوروبي والمملكة المتحدة وجمهورية كوريا والولايات المتحدة الأمريكية. وهذا استبعاد إقليمي، وليس قيدًا على الاستخدام، وهو مذكور في التعريفات بدلًا من أن يكون مدفونًا في ملحق.

• الحجم التجاري — يتطلب القسم IV إذنًا كتابيًا مسبقًا منفصلًا إذا تجاوزت إيراداتك السنوية، أو إيرادات الشركات التابعة لك، 1 مليون دولار أمريكي، أو إذا كنت تقدم خدمة مستضافة إلى أطراف ثالثة على الإطلاق. لا يوجد حد أدنى للإيرادات في الشرط الثاني.

• الإسناد في الواجهة — يتطلب منك القسم نفسه عرض "MiniMax-H3-Image" بشكل بارز على واجهة المستخدم لأي منتج أو خدمة تجارية تستخدم الأعمال.

هناك أيضًا شرط لإعادة التوزيع يتطلب ملف NOTICE يتضمن سطر حقوق نشر محددًا، والتزامًا بموجب القسم الخامس بالحفاظ على ضمانات ضد المخرجات المخالفة مع آلية للإبلاغ وواجب التصرف بناءً على تقارير حسنة النية. لا شيء من ذلك غير معتاد بالنسبة لترخيص مجتمعي في عام 2026. الاستبعاد الإقليمي هو ما سيحدد، لكثير من الفرق، ما إذا كان تنزيل 18 GB يستحق البدء أصلًا — وهو البند الأرجح أن يُغفَل، لأن صفحة نموذج Hugging Face لا تُظهره إلا ضمن «other» مع رابط.

ما لا يمكن معرفته بعد

الوضوح بشأن الحدّ أكثر فائدة من ملئه.

• لا توجد أرقام مرجعية. لا تنشر أي من البطاقتين درجة واحدة. تقدم الشركة الأم ادعاءات نوعية فقط — "أقوى اتباع للتعليمات بين النماذج مفتوحة المصدر"، و"الأحدث في المجال" — ولم يُعثر على أي تقييم مستقل لـ MiniMax-H3-Image، أو لموسّع الأوامر الخاص به، حتى تاريخ 2026-11-11. لا يوجد تصنيف Elo، ولا معدل فوز في التفضيلات، ولا مقارنة لجودة التوسيع مع نقطة نهاية Context-IR المستضافة.

• لا يوجد دليل على أن مسار التحرير يعمل. إن موجّه التحرير مدروس ومحدَّد على نحو غير معتاد — فهو يتطلب من المستدعي تزويد نسبة W:H المُصغَّرة لكل صورة مرجعية، ويخبر النموذج ألا يقدّر نسبة المصدر من المعاينة مطلقًا، ويوجّهه إلى بناء الهدف المقصود بدلًا من التظاهر بأنه رأى نتيجة مخفية. لكن لا تُشحَن أي أوزان له، لذا لم يقس أحد ما إذا كان نموذج VLM عام يتبعه بالجودة نفسها التي يُفترض أن يتبعه بها النموذج الخاضع للضبط الدقيق.

• لا يوجد إعلان، وبالتالي لا توجد نية معلنة. ليس مذكورًا في أي مكان ما إذا كان هذا التزامًا دائمًا أم نتيجة ثانوية لإطلاق الصورة. لا يضم المستودع خريطة طريق، ولا مدخلًا في فهرس النماذج، ولا نقاشًا من M​iniMax يوضح سبب فصل المُوسِّع بدلًا من دمجه في نقطة حفظ الصورة.

• أعداد التنزيلات صغيرة جدًا بحيث لا يمكن قراءتها. أظهر MiniMax-H3-Image 667 تنزيلًا و136 إعجابًا في 2026-11-11، أي بعد ثمانية أيام من النشر. وأظهر نموذج PE 0 تنزيلات و7 إعجابات. وفي مستودع عمره يوم واحد، يُعدّ هذا حدًا أدنى، لا حكمًا نهائيًا — لكنه يعني أن لا أحد قد نشر تقريرًا ميدانيًا بعد.

أين يندرج هذا إذا كنت تبني شيئًا فعليًا بالفعل

السؤال العملي ليس "هل هذا نموذج جيد" — لا أحد يستطيع الإجابة عن ذلك بعد — بل "ما الذي يُلزمني به تبنّيه". ثلاثة أمور، على نحو ملموس. أنت تُلزِم نفسك بتشغيل نموذجين بدلًا من واحد: موسّع بسعة 18 GB، إضافةً إلى نقطة تحقق للصور بسعة 68.65 GB، إضافةً إلى مشفّر نصي بسعة 66.7 GB من المرجح أنك تملكه بالفعل إذا كنت تشغّل MiniMax-H3. وأنت تُلزِم نفسك بميزانية فك ترميز ثابتة قدرها 4096 tokens تشمل الاستدلال، وهي عند مهلة طلب يحددها توثيق API عند 600 seconds ليست زمن استجابة يمكنك إخفاؤه خلف واجهة مستخدم تفاعلية من دون عناية. وأنت تُلزِم نفسك بترخيص يستبعد نطاقه الإقليمي أربعة أسواق رئيسية.

The mitigation for the first two is the same one that applies to any model you have not measured yourself: put it behind a routing layer rather than into a hardcoded call path. This is the case routing is built for — the expander is a text-generation model behind an OpenAI-compatible /v1/chat/completions endpoint, so it can sit alongside everything else on one key, and a routing rule can send long or structured prompts to it while a shorter path handles the rest. If the expansion turns out to degrade a particular workload, failover moves that traffic without a redeploy. That is also the honest way to evaluate an unproven model: run it on a slice, keep the old path warm, and let the comparison decide. One clarification worth stating plainly, since it is easy to assume otherwise — MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter's catalogue as of 2026-11-11, so this is a self-hosted evaluation, not a call we can make for you. What the catalogue does carry is M​iniMax's H3 video model and the M3.x text line at provider list price with zero markup passed through, which is the same arithmetic that applies the day an image endpoint arrives.

أما الثالث — بند الإقليم — فلا يُجدي فيه أي قدر من الهندسة. إذا كنت في الاتحاد الأوروبي أو المملكة المتحدة أو كوريا أو الولايات المتحدة، فإن الترخيص لا يمنحك الحقوق التي يمنحها لكل شخص آخر، وما تقدمه MiniMax نفسها كحل هو التواصل معها للحصول على منح منفصل "قائم على ضوابط وحواجز حماية قوية". تلك محادثة تجارية، وينبغي أن تحدث قبل التنزيل لا بعده.

ماذا تشاهد

Two signals would turn this from a repository into a release. The first is an announcement: a blog post, a model-index entry, a mention on M​iniMax's news feed. Its absence is currently the most informative thing about the launch, and its arrival would clarify whether the PE is meant to be the default local path or a stopgap. The second is the Diffusers blocks repository becoming publicly reachable — right now it returns 401, and until it resolves, the "run it locally through Diffusers" route documented on the card is a claim rather than a path.

في ما بين ذلك، الشيء الذي ينبغي قراءته فعلاً هو موجّه المهمة. إنه بضع مئات من الأسطر من الإنجليزية البسيطة التي تصف كيفية تقرير الغرض من الصورة، وهو أكثر أثر ملموس نشرته M​iniMax حول كيف ترى أن موجّهات الصور ينبغي أن تعمل. يمكنك أن تتعلم منه في عشر دقائق أكثر مما تتعلم من أي جدول قياسات، وعلى خلاف الأوزان، لا يكلّف شيئًا لقراءته.