MiniMax-H3-Image ist auf drei Oberflächen verfügbar: Was Ihnen jede einzelne tatsächlich bietet

Der kürzeste wahre Satz über MiniMax-H3-Image in dieser Woche lautet, dass es an drei Stellen verfügbar ist: Hugging Face, MiniMax Code und die eigene API von MiniMax. Der Satz, den ein Käufer tatsächlich braucht, ist enger gefasst. Zwei dieser drei liefern Ihnen einen Anfrageendpunkt und eine Preisliste; eines liefert Ihnen 135 Gigabyte an Gewichten, eine Lizenz zum Lesen und eine Hardware-Entscheidung. Das sind nicht drei Varianten desselben Zugangs, und sie als austauschbar zu behandeln, führt dazu, dass ein Team eine Woche dafür veranschlagt, was es pro Bild für zwei Cent hätte kaufen können.

Das Modell selbst ist eine echte Veröffentlichung und kein Neuaufguss. MiniMax stellte die Gewichte am 10. November 2026 um 14:50 UTC im Hugging-Face-Repository MiniMaxAI/MiniMax-H3-Image bereit und postete am selben Nachmittag um 15:40 darüber; das Repository selbst stammt vom 3. November, sodass die Gewichte eine Woche lang privat existierten, bevor irgendjemand sie herunterladen konnte. Es ist ein Diffusion-Transformer mit 33,1 Milliarden Parametern, der ungefähr sechzehn Megapixel erzeugt – das ist das „4K“ in der Ankündigung – und Text-zu-Bild sowie referenzgestützte Bearbeitung aus einem einzigen Checkpoint beherrscht. Im Folgenden dreht sich alles um die eine Frage, die die Ankündigung nicht beantwortet: Auf welcher Oberfläche sollten Sie unterwegs sein.

Three front doors, and only one of them is a download.

Beginne damit, was jede Tür ist, denn der Unterschied ist strukturell, nicht kosmetisch.

Die API ist der konventionelle Weg. Das Modell ist als MiniMax-H3-Image mit einem Highspeed-Geschwistermodell gelistet, auf MiniMax' internationalen und Festland-Plattformen, abgerechnet pro Million Tokens rein und raus statt pro Bild. Die Schnittstelle ist ungewöhnlich eigenwillig – sechs Sampling-Schritte, keine Guidance-Scale, kein Negative Prompt – und MiniMax' eigene Referenz besagt, dass eine Anfrage, die etwas anderes verlangt, mit HTTP 400 zurückkommt. Sie kaufen einen funktionierenden Endpunkt mit einem festen Rezept darin.

M​iniMax Code und Hailuo AI sind Produktoberflächen: dasselbe Modell hinter einem Prompt-Feld, bei dem die Sampling-Entscheidungen bereits getroffen sind und Sie keine Arithmetik pro Token durchführen müssen. Nützlich, um zu bewerten, ob die Ausgabe etwas taugt; nicht nützlich, um etwas zu bauen, denn das, worauf Sie aufbauen würden, ist nicht offengelegt. Beachten Sie außerdem, dass M​iniMax Code ein Coding-Agent-Produkt ist, die Bildgenerierung dort also eher eine Nebentür als die Hauptfunktion darstellt – lesen Sie „auf M​iniMax Code verfügbar“ nicht als Bild-API mit einem Code-Wrapper.

Hugging Face ist die dritte Tür, und sie ist die einzige, bei der es sich um eine Übertragung und nicht um einen Dienst handelt. Sie erhalten ein Repository, eine Lizenzdatei und einen Satz Gewichte, die Sie nun zum Laufen bringen müssen. Selbsthosting ist der Grund, warum die meisten Teams überhaupt ein Open-Weight-Bildmodell in Betracht ziehen; es ist auch der Punkt, an dem die Rechnung nicht mehr vom Modell, sondern vom eigenen Rack handelt.

Das Repository ist schwerer, als die im Titel genannte Parameteranzahl vermuten lässt.

33,1 Milliarden Parameter in BF16 sind etwa 66 GB, bevor man irgendetwas anderes mitzählt, und bei „irgendetwas anderem“ erlebt man mit dem Repository Überraschungen. Der Diffusion-Transformer allein umfasst 66,28 GB. Der vollständige Download beträgt 68,65 GB und umfasst den Transformer plus VAE und Konfiguration. Der Text-Encoder ist nicht in dieser Zahl enthalten: MiniMax-H3-Image verwendet den Qwen3-VL-Text-Encoder aus dem MiniMax-H3-Video-Repository, liest aus dessen Schicht 50, und dieser Encoder ist ein separater Download von 66,7 GB. Mit anderen Worten: Man sollte vor dem ersten Bild rund 135 GB an Artefakten auf der Festplatte einplanen, und das noch bevor ein Framework-eigener Cache hinzukommt.

Die Architektur ist einen Absatz wert, weil sie verrät, was das Modell ist. Fünfzig Transformer-Schichten, verborgene Größe 5.376, 56 Attention-Köpfe, Feed-Forward-Breite 14.336, mit dreidimensionalen multimodalen rotierenden Positions-Embeddings. Der VAE ist ein konvolutionaler Encoder, gepaart mit einem 24-schichtigen zweidimensionalen ViT-Decoder bei 16-facher räumlicher Herunterskalierung und 24 latenten Kanälen – eine Decoder-Wahl, die am Ende der Pipeline mehr Rechenaufwand kostet als ein einfacher konvolutionaler Decoder und plausibel der Ursprung eines Teils der feinen Details bei 4K ist. Das Design wird in der Modellkarte als die H3-Architektur minus Audio beschrieben, was eine faire Zusammenfassung ist: Dies ist der Bildzweig des Videomodells, eigenständig ausgeliefert.

{{1}}Daraus folgen zwei Konsequenzen.{{/1}} Erstens ist ein Diffusions-Transformer der 33B-Klasse bei sechzehn Megapixeln kein Laptop-Modell, auch wenn die Parameterzahl im Vergleich zu modernen Sprachmodellen etwas anderes nahelegt; der Aktivierungsspeicher skaliert mit der Ausgabefläche, und die Fläche ist der eigentliche Kern dieser Veröffentlichung. {{2}}Zweitens hat ein Betrieb, der MiniMax-H3 bereits einsetzt, den Großteil des Downloads schon auf der Festplatte, weil der Text-Encoder mit dem Videomodell geteilt wird. Das ist eine echte Ersparnis, und genau das vermittelt die Zeile „available on Hugging Face“ nicht.{{/2}}

Vier Arten, es zu servieren, und eine Zahl, die nicht übereinstimmt

Die Modellkarte nennt vier Wege: SGLang, vLLM-Omni, diffusers und ComfyUI. Das vLLM-Team lieferte am Veröffentlichungstag Day-Zero-Support in vLLM-Omni für NVIDIA- und AMD-Hardware, mit nativer Ausgabe bei etwa sechzehn Megapixeln – ein stärkeres Startsignal als die bloße Existenz der Gewichte: Jemand außerhalb von M​iniMax hatte es laufen, bevor die Ankündigung eine Stunde alt war. Diffusers deckt den Referenzpfad ab, und ComfyUI deckt die Workflow-Graph-Fraktion ab.

Die Unstimmigkeit sollte man kennzeichnen, denn sie wird jemandem zum Verhängnis werden. Die Modellkarte beschreibt das Bearbeiten mit bis zu 16 Referenzbildern, die positionsbasiert als <Picture 1> bis <Picture 16> in Upload-Reihenfolge adressiert werden. Das vLLM-Omni-Release-Rezept für dasselbe Modell dokumentiert bis zu 9 Bilder pro Anfrage. Beides kann gleichzeitig zutreffen — das Serving-Limit eines Frameworks und die trainierte Kapazität eines Modells sind unterschiedliche Zahlen, und eine Batching- oder Speicherbeschränkung im Serving-Stack wird zuerst greifen — aber wenn Ihr Workflow zwölf Referenzen benötigt, lautet die ehrliche Antwort heute, dass die Fähigkeit existiert und der dokumentierte Serving-Pfad sie möglicherweise nicht unterstützt. Testen Sie die Zahl auf Ihrem Stack, statt einem der beiden Dokumente zu vertrauen.

Dieselbe Vorsicht gilt für das Prompt-Fenster. Die Karte akzeptiert bis zu 32.000 Zeichen, von denen ungefähr die ersten 4.096 Token das sind, worauf das Modell tatsächlich konditioniert. Ein langer Prompt wird nicht abgelehnt; der Rest leistet einfach keine Arbeit. Wer einen detaillierten Art-Direction-Prompt aus einer Sprachmodell-Gewohnheit überträgt, wird das auf die teure Art und Weise herausfinden.

Der Sampler ist eine Einschränkung, die du erbst, keine Einstellung, die du abstimmst.

Sechs Schritte, keine Classifier-Free-Guidance, keine negativen Prompts. Das ist kein Standardwert mit Luft nach oben; die API lehnt andere Schrittanzahlen und Guidance-Werte kategorisch ab. Das Modell ist destilliert, um in sechs Forward-Pässen zu laufen, und der ganze Grund, warum ein 33B-Transformer ein 16-Megapixel-Bild schnell genug liefern kann, um nützlich zu sein, ist genau diese Destillation.

Für den API-Pfad ist das unsichtbar und unproblematisch. Für den Self-Hosting-Pfad ist es die mit Abstand nützlichste Zahl im Datenblatt – und das gleich doppelt. Sie begrenzt den Rechenaufwand pro Bild auf sechs Transformer-Auswertungen statt der 25 bis 50, die ein nicht destilliertes Modell bräuchte, und genau das macht 16 Megapixel überhaupt erst praktikabel. Und es bedeutet: Die übliche Tuning-Schleife beim Self-Hosting – mehr Schritte ausprobieren, Guidance hinzufügen, einen Negative Prompt hinzufügen, iterieren – gibt es hier nicht. Wenn die Ausgabequalität enttäuscht, sind die Stellschrauben der Prompt und die Referenzen, nicht der Sampler. Teams, die eine Woche für „das Modell zu tunen“ einplanen, sollten diese stattdessen für Prompt-Arbeit einplanen.

Was jeder Pfad kostet – in den Einheiten, in denen tatsächlich abgerechnet wird.

Die API rechnet Tokens ab, und die durchgerechneten Beispiele auf der Karte selbst sind der klarste Weg, das abzulesen. Eine Text-zu-Bild-Anfrage mit 1.024×1.024 kostet $0,02179. Eine Anfrage mit 2.048×2.048 kostet $0,02333 – das 1,07-Fache des Preises für die vierfache Pixelzahl, weil die Token-Anzahl deutlich langsamer wächst als die Fläche. Eine Anfrage mit 4.096×4.096 kostet laut Listenpreis $0,06879 und $0,03439 mit einem zeitlich begrenzten Rabatt von 50 %, der bis zum 17. November 2026 um 16:00 UTC gilt und voraussetzt, dass das gelieferte Bild mindestens 16.600.000 Pixel hat. Die Sätze im Standard-Tarif betragen $2,30 pro Million Eingabe-Text-Tokens, $1,50 pro Million Eingabe-Bild-Tokens und $3,80 pro Million Ausgabe-Bild-Tokens; der Highspeed-Tarif behält die Eingabesätze bei und berechnet $7,60 für die Ausgabe.

Liest man diese drei Zahlen zusammen, verflüchtigt sich das Preisargument für 4K größtenteils. Viermal so viele Pixel für das 1,07-Fache des Geldes beim 2K-Schritt ist ein Geschenk; der Wechsel von 2K auf 4K kostet für denselben vierfachen Flächengewinn etwa dreimal so viel, und nur der Rabatt bringt ihn wieder in die Nähe des 2K-Preises. Wenn Ihr Anwendungsfall nicht 4.096 Pixel pro Seite benötigt, ist die 2K-Stufe der Bereich, in dem dieses Modell günstig ist.

OrcaRouter stellt MiniMax-H3-Image nicht bereit – es gibt hier keine Route dafür, und der CTA in diesem Beitrag verweist auf das Video-Pendant, minimax/minimax-h3, das wir tatsächlich routen. Was wir anbieten, ist relevant für den Tag, an dem die Route existiert: 0 % Aufschlag, wobei der Listenpreis des Anbieters durchgereicht wird, was bedeutet, dass eine Preisänderung des Anbieters wie dieser 4K-Rabatt an demselben Tag auf Ihrer Rechnung erscheint, an dem sie auf der Seite des Anbieters erscheint, und automatisches Failover, wenn ein Anbieterpfad beeinträchtigt wird. Bis dahin ist der entscheidende Vergleich die API-Ausgaben gegenüber Ihrer eigenen Hardware, und keine Routing-Schicht ändert diese Rechnung.

Self-Hosting, ehrlich bepreist

Niemand kann Ihnen Kosten pro Bild für das Self-Hosting nennen, ohne Ihre GPU zu kennen, denn der dominierende Faktor ist, ob 135 GB Gewichte in den Speicher passen oder ausgelagert werden müssen. Präzise sagen lässt sich: Der Sampler mit sechs Schritten bestimmt den Rechenaufwand, die Ausgabe mit sechzehn Megapixeln bestimmt das Aktivierungsbudget, und beides ist groß. Eine einzelne 80-GB-Karte nimmt den Transformer auf, aber nicht den Transformer zusammen mit dem Qwen3-VL-Encoder in voller Präzision; realistisch sind daher Multi-GPU, das Auslagern des Encoders oder ein quantisierter Transformer mit einer daranhängenden Qualitätsfrage. Rechnen Sie Strom hinzu, rechnen Sie die Ingenieurwoche hinzu, um SGLang oder vLLM-Omni ordnungsgemäß zu betreiben, und die Gewinnschwelle gegenüber $0.02333 pro 2K-Bild ist eine Stückzahl im Bereich von Hunderttausenden von Bildern, nicht von Dutzenden.

{{1}}Was in den meisten Fällen für die API spricht{{/1}} und {{2}}was in wenigen Fällen für die Gewichte spricht{{/2}}: ein Betrieb, der das Modell aus Datengründen innerhalb seiner eigenen Grenze benötigt, oder einer, der bereits MiniMax-H3 betreibt und den Encoder hält, oder einer, der in einem Umfang generiert, bei dem sich die Fixkosten amortisieren. Alle anderen sollten zuerst die API bepreisen und nur dann selbst hosten, wenn die Grenze es wirklich erfordert.

Die Lizenz vor dem Download lesen, nicht danach

Die Gewichte werden unter der MiniMax-H3-Image Community License Agreement veröffentlicht, die weder Apache 2.0 noch MIT ist. „Open-weight“ ist zutreffend; „open-source“ ist das Wort, das Teams in Schwierigkeiten bringt, und dies ist der Punkt im Prozess, an dem eine Juristin oder ein Jurist die tatsächliche Datei lesen sollte statt eines Blogbeitrags – einschließlich dieses hier. Die praktische Frage ist die kommerzielle Nutzung im großen Maßstab und ob die Lizenz Bedingungen enthält, die auf Ihr Produkt übergreifen, und auf diese Frage gibt es im Repository eine Antwort, die keine Zusammenfassung ersetzt.

Es gibt ein zweites, kleineres Artefakt, das es zu kennen lohnt: M​iniMax liefert eine Context-IR-Komponente für das Modell und ein optionales Prompt-Expander-Modell, MiniMax-H3-Image-PE. Der Expander erklärt teilweise, warum das Modell lange, detaillierte Prompts toleriert; er ist optional, er ist von den 68,65 GB getrennt, und er gehört zu den Dingen, die man eher in einer Repository-Auflistung als in einer Ankündigung findet.

Was Sie diese Woche in Ihrem eigenen Stack prüfen sollten

• Referenzen — bestätigen Sie anhand einer echten Anfrage statt durch Dokumentenlektüre, ob Ihr Serving-Pfad 16 Bilder unterstützt oder die 9, die das vLLM-Omni-Rezept dokumentiert.

• Effektive Fläche – das Modell läuft unterhalb von 16 Megapixeln, und die Konfiguration bietet eine minimale Generierungsfläche, die standardmäßig 4.194.304 Pixel beträgt. Testen Sie den unteren Bereich, wenn Ihr Anwendungsfall Miniaturansichten sind, denn ein Modell dieser Größe ist bei 1K möglicherweise nicht die günstige Option.

• Speicher — messen Sie den VRAM-Spitzenwert bei 4.096×4.096, bevor Sie Hardware kaufen. Sechs Schritte sind wenig Rechenaufwand; die Aktivierungen nicht.

• Rabattuhr — wenn 4K der Plan ist, endet der 50%-Tarif am 17. November 2026 um 16:00 UTC, und ob Sie die API oder Ihre eigene Hardware nutzen, entscheidet darüber, ob diese Frist für Sie relevant ist.

• Lizenz — lies sie. Der Download umfasst 135 GB und die Entscheidung ist umkehrbar; die Lizenz ist es nicht.

Das Interessante an diesem Release ist nicht, dass ein gutes offenes Bildmodell erschienen ist – sondern dass zum ersten Mal seit Längerem eines erschien, bei dem die Gewichte, die Framework-Rezepte und der gehostete Endpunkt alle in derselben Woche verfügbar wurden. Das ist ein stärkeres Signal als ein Benchmark-Diagramm, denn es bedeutet, dass das Ding läuft. Ob du es selbst laufen lassen oder aufrufen solltest, hängt ganz davon ab, durch welche der drei Türen du gehst, und diese drei Türen liegen viel weiter auseinander, als die Ankündigung es klingen lässt.