MiniMax-H3-Image مقابل MiniMax-H3: أحدهما نموذج فيديو، والآخر نسخته ذات الإطار الثابت

أصدق ما في MiniMax-H3-Image هو قائمة ملفاته. ستة وستون غيغابايت من محوّل الانتشار، و2.34 غيغابايت من VAE، واثنا عشر ميغابايت من رؤوس أخذ العينات لكل خطوة — ولا يوجد أي مُرمِّز نصي في أي مكان بالمستودع. المُرمِّز ليس مفقودًا. إنه مستعار: model_index.json يمتد إلى MiniMax-H3، نموذج الفيديو الشامل متعدد الوسائط بحجم 33B الذي أطلقته M​iniMax مفتوح المصدر في 31 يوليو 2026، ويحمّل text_encoder/ من هناك، 66.7 غيغابايت من Qwen3-VL، دون تغيير. إذا كان MiniMax-H3 موجودًا بالفعل على قرصك، فلن يكلّفك نموذج الصور أي شيء إضافي لتشفير موجه. وإذا لم يكن موجودًا، فسيكلّفك أول إطار ثابت 135 غيغابايت من التنزيلات، والنموذج الثاني في هذه المقارنة يبذل عملًا حقيقيًا من أجل الأول.

ذلك السطر الواحد من الإعدادات هو العلاقة بين النموذجين، وهو يفسّر معظم الفروق العملية بينهما. إن MiniMax-H3-Image هو MiniMax-H3 مع إزالة فرع الصوت، وإعادة توجيه رأس الإخراج من فيديو كامن إلى صورة كامنة، وتقطير النموذج بأكمله وصولًا إلى ست خطوات لأخذ العينات. لم يتغيّر أي شيء في الجانب النصي. بل إن DiT يقرأ الحالات المخفية نفسها من الطبقة الخمسين من المُرمِّز نفسه، ولهذا تكون مجلدات tokenizer وprocessor متطابقة بايتًا ببايت، ولهذا يرث نموذج الصور من H3 معالجته للأوامر باللغة الإنجليزية دون سطر واحد من التدريب الجديد على ذلك المسار.

ما يجعل هذا جديرًا بالكتابة عنه الآن هو طريقة الإصدار لا محتواه. لم تنشر MiniMax أي تدوينة عن نموذج الصور. لا تحمل مدونة الشركة وفهرس أخبارها أي شيء عن نموذج الصور — وأحدث عنصر هناك هو منشور M3.1 Flash بتاريخ 19 أكتوبر — كما أن صفحات النماذج لا تزال تتصدر بـ H3 بوصفه نظام فيديو. الإقرار الوحيد من جانب المورّد الذي تمكنا من العثور عليه هو بطاقة مؤرخة في 10 نوفمبر 2026 ضمن قائمة إصدارات النماذج في وثائق API، نصها: «نموذج صور رائد مفتوح الأوزان. من الأفكار إلى عوالم جديدة» — جملة بلا مواصفات ولا معيار قياس ولا تاريخ خاص بها. أُنشئ مستودع Hugging Face في 3 نوفمبر، ووصلت الأوزان في 10 نوفمبر عند الساعة 14:50 UTC. وتلا ذلك خلال ساعة تعديلان على README ودليل نشر vLLM-Omni. ذلك إطلاق هادئ: المخرجات موجودة فعلًا وقابلة للتنزيل، أما الإعلان فليس كذلك. كل ما يلي مستخرج من المستودع وملف الترخيص ووثائق MiniMax نفسها، وحين يكون الرقم ادعاءً غير مُعاد إنتاجه من المورّد نفسه نقول ذلك.

الطرازان، وفق الشروط التي يُباع بها كلٌّ منهما فعليًا.

MiniMax-H3 هو مولّد عام متعدد الوسائط. يأخذ النص والصور والفيديو والصوت كسياق واحد مُحزَّم، ويُخرج من 4 إلى 15 ثانية من الفيديو بمعدل 24 إطارًا في الثانية مع صوت ستيريو أصلي بتردد 32 كيلوهرتز، وبدقة 768p أصليًا، مع تمريرة إعادة توليد منفصلة — H3-Regenerate-2K — تُمرّر النتيجة والسياق الأصلي مجددًا عبر النموذج للوصول إلى 2K. هناك نوعان مهمان من المدخلات: يأخذ H3-Base-FL2VA صفرًا أو صورة واحدة أو صورتين كإطارات أولى/أخيرة، ويأخذ H3-Base-Ref2VA حتى 9 صور و3 مقاطع فيديو و3 مقاطع صوتية، بحد أقصى 12 ملفًا إجمالًا. معالج مسبق مستضاف يُسمى H3-Context-IR يحلل المدخل المختلط ويعيد كتابته في شكل منظم، ويوضح M​iniMax صراحةً أنه ليس جزءًا من الإصدار المفتوح لأنه يعتمد على عدة نماذج مستضافة.

يستقبل MiniMax-H3-Image نصًا وما يصل إلى 16 صورة مرجعية، ويُخرج صورة واحدة. محوّل الانتشار لديه 33.1 مليار معامل — تصميم كثيف أحادي التدفق، و50 طبقة، وحجم مخفي 5,376، و56 رأس انتباه، وعرض FFN 14,336، وRoPE ثلاثي الأبعاد متعدد الوسائط، وأوزان BF16 مع تضمين وطبقات الطابع الزمني والإخراج بدقة FP32. أما VAE الصور فهو مُشفّر CNN مع مفكّك ViT من 24 طبقة، وتخفيض مكاني بمقدار 16×، و24 قناة كامنة؛ ويحوّل DiT ذلك الكامن إلى رقع بمقاس 2×2، بحيث يغطي رمز محوّل واحد كتلة بحجم 32×32 بكسل. تصل مساحة الإخراج إلى 20 ميغابكسل عبر API، والادعاء الرئيسي للبطاقة هو نحو 16 ميغابكسل عند كل نسبة أبعاد — من 4096×4096 بنسبة 1:1 إلى 6272×2688 بنسبة 21:9، دون مُكبِّر.

اقرأ هاتين الفقرتين جنبًا إلى جنب، وسيتضح التفرع. يستهلك نموذج الفيديو قدرته في الزمن وفي نمط ثانٍ. أما نموذج الصور فيستهلكها في المكان. الجذع نفسه، والهدف مختلف.

ست خطوات وبدون توجيه خالٍ من المصنّف هو الهندسة الفعلية.

الجزء من MiniMax-H3-Image الذي ليس مجرد طرح هو التقطير، وهو مفروض لا موصى به. تشغّل نقطة التحقق ست خطوات أخذ عينات — ست NFEs — دون أي توجيه خالٍ من المصنّف على الإطلاق. لا تعامل واجهة API المقدَّمة هذه القيم كإعدادات افتراضية: num_inference_steps يجب حذفها أو أن تكون 6، guidance_scale يجب حذفها أو أن تكون 1، وأي قيمة أخرى تُرجع HTTP 400. تُرفض المطالبات السلبية رفضًا قاطعًا. ملف منفصل، pdd_fused_heads.safetensors، يحمل رؤوس إخراج لكل خطوة تستبدل طبقة إخراج المحوّل، مع الجدولة في pdd_config.json؛ أي 12 ميغابايت من إجمالي 68.65 غيغابايت تؤدي قدرًا غير متناسب من العمل.

هذا هو الفرق بين نموذج يمكنك وضعه خلف واجهة تفاعلية وآخر لا يمكنك ذلك. نموذج انتشار موجَّه من 30 خطوة بدقة 16 ميغابكسل هو مهمة دفعية. أما ست خطوات غير موجَّهة بالدقة نفسها فهي طلب واحد. وصياغة MiniMax نفسها — «صور بدقة 16 ميغابكسل بتكلفة حسابية عملية» — هي ادعاء بشأن عمليات الفاصلة العائمة (FLOPs) لكل بكسل، وجدول الخطوات الست هو الطريقة التي يُترجم بها هذا الادعاء إلى واقع. أما ما إذا كان يصمد عند مستوى الجودة الذي توحي به صور العرض، فسؤال لم يُجب عنه أي طرف ثالث؛ فلا يوجد مدخل لـ MiniMax-H3-Image في Artificial Analysis على أيٍّ من لوحتَي الصور حتى 10 نوفمبر 2026، ولا جدول تقييم من المورّد في بطاقة الطراز.

بالنسبة للخدمة المحلية، فإن قصة إطار العمل مكتملة على نحو غير معتاد لنموذج بهذا الحداثة. SGLang هو المسار المرجعي مع كتاب وصفات موثّق؛ وينشر vLLM-Omni وصفة تتضمن إعدادات لكل عتاد وزمن استجابة مقاس، وتسمّي NVIDIA H200 وRTX PRO 6000 Blackwell وAMD Instinct MI350X؛ ويوفّر كلٌّ من diffusers وComfyUI الدعم. التوازي التسلسلي يُفعّل عبر معلَم — --ulysses-degree على SGLang، --usp على vLLM-Omni — ويكفي GPU واحد للبدء. إن مُرمِّز النص هو التكلفة الحقيقية للذاكرة، وهو مُرمِّز النص الخاص بنموذج الفيديو، وهذه هي نقطة هذه المقارنة بأكملها.

متران، ولا أيٌّ منهما عدّاد رموز يمكنك قراءته بالنظرة المجردة

تحسب MiniMax تكلفة هذين الطرازين بوحدات غير متوافقة، وهذا هو مكمن الفخ في أي سؤال من نوع «أيهما أرخص». تُحتسب تكلفة H3 بالثواني من المخرجات المولّدة، وفق الدقة: $0.08 لكل ثانية عند 768P، و$0.13 لكل ثانية عند 2K، مع احتساب مواد الإدخال إضافةً إلى ذلك — أول خمس صور مرجعية مجانية ثم $0.04 لكل صورة بعدها على الطراز الأساسي، وإدخال الصوت مجاني، ويُفوتر الفيديو المرجعي حسب مدته عند دقة المخرجات. مقطع بدقة 2K مدته 10 ثوانٍ يكلف $1.30 من المخرجات قبل أي مراجع.

يُحتسب استخدام MiniMax-H3-Image بالرموز وفق سعر لإخراج الصور. وفي الفئة القياسية، تنص بطاقة الأسعار المنشورة على 2.30 دولار لكل مليون رمز نصي مُدخل، و1.50 دولار لكل مليون رمز صورة مُدخل، و3.80 دولار لكل مليون رمز صورة مُخرج، وتوضح الأمثلة العملية الخاصة بالبائع أن ذلك يعادل:

• 1K (1024×1024) تحويل النص إلى صورة — 0.02179 دولار لكل صورة.

• تحويل النص إلى صورة بدقة 2K (2048×2048) — 0.02333 دولار لكل صورة.

• تحويل النص إلى صورة بدقة 4K (4096×4096) — $0.06879 لكل صورة، مُدرج بسعر $0.03439 ضمن خصم 50% لفترة محدودة.

• تعديل 1K بمرجع واحد — $0.02654؛ 2K — $0.02658؛ 4K — $0.07312، مخفّضة إلى $0.03656.

• تعديل 1K بثلاث مراجع — $0.03563؛ 2K — $0.04177؛ 4K — $0.07914، بسعر مخفّض إلى $0.03957.

شكل هذا السلّم هو الجزء المثير للاهتمام. ستة عشر ضعفًا من البكسلات يكلّف ما يزيد قليلًا على ثلاثة أضعاف المال، لأن وحدة القياس هي الرموز (tokens) ولأن عدد الرموز لا يتناسب خطيًا مع المساحة بالطريقة التي يوحي بها الحدس. أما النسخة عالية السرعة، MiniMax-H3-Image-Highspeed، فتأخذ المعاملات والحدود نفسها وتحاسب بسعر 7.60 دولارات لكل مليون رمز صورة ناتج — أي 0.03529 دولار عند 1K، و0.13001 دولار عند 4K قبل الخصم نفسه. يُطبَّق الخصم عندما تكون الصورة المُسلَّمة لا تقل عن 16,600,000 بكسل، ويستمر حتى 17 نوفمبر 2026 الساعة 16:00 بالتوقيت العالمي المنسق، وهو الواقعة التجارية الوحيدة المؤرَّخة في الإصدار بأكمله.

ضع المقياسين جنبًا إلى جنب، وسيُسعَّر التفرع. ثانية واحدة من فيديو 768P تكلف $0.08؛ وأرخص صورة ثابتة من MiniMax تبلغ نحو $0.022. مقطع مدته أربع ثوانٍ — وهو أقصر ما سينتجه H3 — يكلف نحو خمس عشرة صورة بدقة 1K. هذا ليس حجة لصالح أيٍّ من الطرازين. بل هو السبب في أن سؤال «أيهما أرخص؟» لا جواب له حتى تحدد ما الذي تنتجه.

حيث يعضّ التفرّع في عملية نشر حقيقية

ثلاث حالات عدم تناظر تهم أكثر من مسألة المعيار.

الأول هو التعامل مع المدخلات. يأخذ H3-Image ما يصل إلى 16 صورة مرجعية في تحرير واحد، ويشير إليها بحسب موضعها باسم <Picture 1>، <Picture 2> وهكذا، وفق ترتيب الرفع؛ ويقتصر إجمالي جسم الطلب على 64 MiB، وتزيد Base64 حجم الملف بنحو الثلث، لذا يجب أن يستخدم طلب من 16 صورة عناوين URL أو مراجع ملفات مرفوعة مسبقًا بدلًا من البيانات المضمنة. إن وضع المراجع في H3 مسألة مختلفة تمامًا — 9 صور، و3 فيديوهات، و3 مقاطع صوتية، و12 ملفًا، كلها مجمّعة في تسلسل واحد ذي بنية زمنية. ولا تُعد معالجة المراجع في أيٍ من النموذجين مجموعة شاملة تضم الأخرى.

الأمر الثاني هو طول الموجّه. تقبل واجهة API المُقدَّمة من H3-Image حتى 32,000 حرف، لكن عند تعطيل تحسين الموجّه لا يدخل حيّز التنفيذ إلا أول 4,096 رمزًا تقريبًا؛ أما مسار SGLang المحلي فيقتطع عند 4,096 رمزًا، بلا أي استثناء. ليست هذه ميزانية كبيرة لنموذج تقوم نقطة بيعه الأساسية على اتباع التعليمات المفصّلة، وهذا هو سبب وجود موسّع الموجّه المرافق أصلًا — MiniMax-H3-Image-PE، وهو ضبط دقيق بنمط FP4 بحجم 27B للنموذج Qwen3.8-27B يعيد كتابة طلب قصير إلى وصف طويل إضافة إلى توصية بنسبة الأبعاد، وصدر في 8 نوفمبر ويشمله الترخيص المجتمعي نفسه. صدر نصفه الخاص بالتحرير كموجّه فقط؛ ولا تزال أوزان التوسيع الخاص بالتحرير موصوفة بأنها قيد التطوير.

الثالث هو الترخيص، وهو الترخيص نفسه للموديلين بالاسم فقط. تتطلب اتفاقية ترخيص MiniMax-H3-Image المجتمعية إذنًا كتابيًا مسبقًا منفصلًا من MiniMax إذا تجاوزت إيراداتك السنوية، أو إيرادات الشركات التابعة لك، مليون دولار أمريكي، أو إذا كنت تقدم خدمات مستضافة لأطراف ثالثة. وهي تلزمك بعرض “MiniMax-H3-Image” بشكل بارز على واجهة أي منتج تجاري يستخدمه. وتقصر الاستخدام على الإقليم المعني المحدد، وتحظر استخدام المخرجات لتحسين أي نموذج ذكاء اصطناعي آخر، ولا تدّعي أي حقوق على المخرجات نفسها. أما ترخيص فيديو H3 فهو اتفاقية مستقلة بشروطها الخاصة. وإذا كنت تبني منتجًا على كليهما، فأنت تحمل ترخيصين، لا ترخيصًا واحدًا.

ما لا يفعله أيٌّ من النموذجين

لا يستطيع {{1}}MiniMax-H3-Image{{/1}} إنشاء فيديو. فليس لديه محور زمني، ولا فرع صوتي، ولا معامل مدة — إذ اختفى VAE الصوتي ببساطة من البنية، والمخرج صورة كامنة واحدة لكل طلب، وحتى عشر صور في الاستدعاء الواحد عبر API. ولا يستطيع MiniMax-H3 إنشاء صورة ثابتة بدقة 16 ميغابكسل. فهو يولّد 768p افتراضيًا ويصل إلى 2K عبر تمريرة إعادة توليد؛ أما طلب إطار واحد بدقة 4096×4096 فليس طلبًا مدعومًا. إذا كانت خطوط أنابيبك تحتاج إلى صورة رئيسية ثابتة وإلى مقطع متكرر مدته خمس ثوانٍ بحوار متزامن من العالم البصري نفسه، فأنت تستدعي نموذجين، وعلى منصة MiniMax تدفع مقابل عدّادين مختلفين.

كلاهما يشتركان فعلاً في أمر واحد يسهل إغفاله: لا وجود لـ«الموجّه السلبي» (negative prompt). فـ H3-Image يرفض هذا الحقل. أما إرشاد الأوامر في H3 فيوجّه عبر الوصف الإيجابي وعبر Context-IR بدلاً من الاستبعاد. وأي شخص ينقل سير عمل Stable Diffusion إلى أي من النموذجين فإنه يفقد هذا الخيار منذ اليوم الأول.

أي واحد يجب الاتصال به؟

التقسيم الصادق للعمل يكون حسب المُخرَج، لا حسب الجودة. فإذا كان الناتج صورةً ثابتة — رندر منتج، أو إطارًا مفتاحيًا، أو لوحة بدقة 16 ميغابكسل تحتوي نصًا مقروءًا — فإن MiniMax-H3-Image هو النموذج، وجدول الخطوات الست يعني أنك تستطيع تحمّل تكلفة التكرار عليه. وإذا كان الناتج متحركًا، فإن H3 هو النموذج، وفرع الصوت هو سبب تفضيله على تجميع الصور الثابتة في تسلسل.

ما الذي تغيّره طبقة التوجيه هنا أضيق مما يبدو، ويستحق قوله بوضوح: لا يقدّم OrcaRouter نموذج MiniMax-H3-Image. فقد أصبح النموذج متاحًا بأوزان عامة في 10 نوفمبر وليس له مسار في كتالوجنا، لذا إن أردته اليوم فاحصل عليه من واجهة API الخاصة بـ MiniMax أو شغّل النسخة الكاملة بحجم 68.65 GB بنفسك. أما ما نوفّره فهو minimax/minimax-h3، نموذج الفيديو، يُحتسب سعره بالثانية بسعر القائمة دون أي هامش — والخاصية المفيدة لخط أنابيب مكوّن من نموذجين هي أن المفتاح نفسه الذي يستدعي H3 يصل أيضًا إلى أكثر من 200 نموذج آخر على المنصة.

ما الأمر الجدير بالمراقبة ليس ما إذا كان H3-Image جيدًا، بل ما إذا كان MiniMax يقول أي شيء عنه. النموذج الذي يُطرح مع أوزان ورخصة وبطاقة تسعير وأربعة تكاملات مع أطر عمل، لكن من دون تدوينة ولا معيار أداء، هو نموذج تظل ادعاءاته ملكًا للمورّد بالكامل. أول ترتيب مستقل على لوحة صور، أو أول مواجهة مباشرة ضد نموذج مغلق بالدقة نفسها، سيقول لك أكثر مما تقوله شبكة العرض. حتى ذلك الحين، المستودع هو السجل، والمستودع يقول: هذا هو H3 وقد أُطفئ الصوت.