MiniMax-H3-Image: 16 Megapixel in 10 Sekunden sind eine Behauptung, noch keine Messung

Zehn Sekunden für ein Bild mit sechzehn Megapixeln sind keine Qualitätsaussage. Sie sind eine Aussage darüber, wie ein Modell eingeplant wird, und sie sind der eine Teil des Starts von MiniMax-H3-Image, den ein Nutzer an einem Nachmittag überprüfen kann. MiniMax kündigte das Modell am 10. November 2026 mit einem kurzen Beitrag an, der genau mit dieser Zahl beginnt: 4K-Ausgabe, rund sechzehn Millionen Pixel, bis zu sechzehn Referenzbilder, in zehn Sekunden, mit offenen Gewichten und der eigenen API des Anbieters, mit MiniMax Code und Hailuo als Zugangswegen. Was die Ankündigung nicht enthält, ist eine einzige Latenzmessung, ein einziger Qualitäts-Benchmark oder ein Link zu einem Blogbeitrag, der erklärt, wie irgendetwas davon erreicht wurde. Die Bytes sind real – 68,65 GB davon auf Hugging Face, plus ein Textencoder, der aus einem zweiten Repository stammt – und die Preisliste ebenso. Die zehn Sekunden sind ein Versprechen. Das ist es, worauf das Versprechen aufbaut, was es kostet und was Sie laufen lassen müssten, um zu wissen, ob es auf Ihrer eigenen Hardware hält.

Es lohnt sich, die Datumsangaben klar zu benennen, denn der Rollout war ungewöhnlich. Das Hugging-Face-Repository für MiniMax-H3-Image wurde am {{1}}3. November 2026{{/1}} erstellt und blieb leer. Die Gewichte trafen am {{2}}10. November um 14:50 UTC{{/2}} ein. Am selben Tag erhielt die API-Dokumentation von MiniMax eine Release-Notes-Karte mit der Überschrift „MiniMax H3 Image“ und der Zeile „Ein führendes Bildmodell mit offenen Gewichten. Von Ideen zu neuen Welten“ – ein Satz, der keinerlei Spezifikation enthält –, und im eigenen Blog und im News-Index des Unternehmens findet sich nach wie vor überhaupt nichts über das Bildmodell. Das Modell wurde also still ausgeliefert und erst danach angekündigt, in genau dieser Reihenfolge; das ist das Gegenteil davon, wie die meisten Markteinführungen ablaufen, und der Grund, warum die Ankündigung wie Marketingtext wirkt, der an einen bereits herunterladbaren Checkpoint angeflanscht wurde.

Woher zehn Sekunden plausibel kommen könnten

Der Großteil der Erklärung steht in der Dateiliste statt im Beitrag. MiniMax-H3-Image ist ein dichter Diffusions-Transformer mit 33,1B — 50 Schichten, Hidden-Size 5.376, 56 Attention-Heads, FFN-Breite 14.336, multimodales 3D-RoPE — und er ist auf sechs Sampling-Schritte ohne jegliche Classifier-Free-Guidance destilliert. Das ist kein Standardwert, den ein Aufrufer anpassen kann. Die bereitgestellte API lehnt alles außer num_inference_steps=6 und guidance_scale=1 mit HTTP 400 ab, und negative Prompts werden rundheraus abgelehnt. Eine separate 12-MB-Datei, pdd_fused_heads.safetensors, enthält Ausgabeköpfe pro Schritt, die die Ausgabeschicht des Transformers ersetzen, wobei der Zeitplan in pdd_config.json steht.

Sechs ungeführte Durchläufe sind der Grund, warum die Zehn-Sekunden-Angabe nicht absurd ist. Ein geführter 30-Schritt-Sampler bei sechzehn Megapixeln ist ein Batch-Job; sechs Schritte bei derselben Fläche sind eine Anfrage. Ob es bei zehn Sekunden landet, hängt vollständig vom Beschleuniger, der Konfiguration der Sequenzparallelität und der Auflösung ab, die man tatsächlich anfordert, und keines dieser drei Dinge steht in der Ankündigung. Die eigene Model Card von MiniMax gibt nirgendwo eine Generierungszeit an. Die Zahl steht nur an einer Stelle: im Launch-Post.

Was die Karte – ausführlicher als der Beitrag – spezifiziert, ist die Geometrie. Die Ausgabe erreicht bei jedem Seitenverhältnis etwa 16 Megapixel – 4096×4096 bei 1:1, 4736×3552 bei 4:3, 5024×3360 bei 3:2, 5472×3072 bei 16:9, 6272×2688 bei 21:9 – ohne separaten Upscaler im Pfad. Die API begrenzt die Ausgabefläche auf 20 Megapixel, und die Karte beschreibt den praktischen Arbeitsbereich als etwa 4 bis 20 Megapixel. Beim Bearbeiten werden bis zu 16 Referenzbilder verwendet, die im Prompt positionsabhängig als <Picture 1> bis <Picture 16> in Upload-Reihenfolge adressiert werden. Prompts können bei der bereitgestellten API bis zu 32.000 Zeichen lang sein, wobei jedoch nur etwa die ersten 4.096 Token wirksam werden.

Die Behauptungen, neben den Belegen, die für sie existieren

• Auflösung — „16 Millionen Pixel“ und 4K: im Beitrag angegeben und in der Größentabelle der Karte wiedergegeben. Nicht unabhängig gemessen, aber dieser Punkt lässt sich mühelos überprüfen, indem man ein Bild generiert und dessen Abmessungen ausliest.

• Geschwindigkeit — „alles in 10 Sekunden“: vom Anbieter angegebene Angabe, ohne Angabe zur Hardware und ohne veröffentlichte Zeitmessungen durch Dritte (Stand 11. November 2026). Die Produktkarte nennt überhaupt keine Zahl.

• Prompt-Befolgung – „präzise Prompt-Befolgung“: eine qualitative Aussage. Die stärkere Formulierung auf der Karte lautet „das stärkste Instruction-Following unter Open-Source-Modellen“, was ein Vergleich ohne beigefügte Tabelle ist.

• Bearbeitung — „bis zu 16 Referenzbilder“: bestätigt in der Model Card und der API-Dokumentation und in einem Detail durch vLLM-Omnis Day-One-Rezept widerlegt, das auf seinem Pfad bis zu 9 Bilder pro Anfrage dokumentiert. Betrachte 16 als Obergrenze des Modells und 9 als das, was das Framework-Rezept abdeckt.

• Offene Gewichte – zutreffend und in einer Weise tragend, die der Beitrag nicht erklärt: Die Gewichte sind unter einer Lizenz mit territorialen und Umsatzbedingungen offen, nicht unter einer von der OSI genehmigten Lizenz. Mehr dazu unten.

Was es kostet – und ein Rabatt, der noch sechs Tage gültig ist

Die kommerziellen Bedingungen sind das Konkreteste an der Veröffentlichung. Die Abrechnung erfolgt tokenbasiert nach einem Tarif für die Bildausgabe: 2,30 US-Dollar pro Million Eingabe-Text-Tokens, 1,50 US-Dollar pro Million Eingabe-Bild-Tokens und 3,80 US-Dollar pro Million Ausgabe-Bild-Tokens in der Standardstufe. Die eigenen durchgerechneten Beispiele von MiniMax ergeben daraus eine Staffel, die ungewöhnlich flach ist, weil der Zähler Tokens sind und die Tokenanzahl nicht im selben Maß mit der Fläche skaliert, wie die Intuition vermuten lässt:

• 1K Text-zu-Bild — $0.02179 pro Bild.
• 2K Text-zu-Bild — $0.02333.
• 4K Text-zu-Bild — Listenpreis $0.06879, $0.03439, solange der aktuelle Rabatt gilt.
• 1K-Bearbeitung mit einer Referenz — $0.02654; 2K — $0.02658; 4K — $0.07312, reduziert auf $0.03656.
• 1K-Bearbeitung mit drei Referenzen — $0.03563; 2K — $0.04177; 4K — $0.07914, reduziert auf $0.03957.

Sechzehnmal so viele Pixel für etwas mehr als das Dreifache an Geld – das ist das Verhältnis, das man sich merken sollte, denn genau hier ist das Modell wirklich differenziert: Bei 4K kostet der Open-Weight-Checkpoint zum Listenpreis ungefähr ein Achtel eines FLUX 3 Image 4K-Frames und etwa ein Fünftel eines Nano Banana 2.1 4K-Frames.

Der Rabatt ist echt, und er ist befristet. Die 50-prozentige Reduzierung gilt nur, wenn das gelieferte Bild mindestens 16.600.000 Pixel umfasst, den gesamten Anfragebetrag abdeckt, und sie läuft am 17. November 2026 um 16:00 UTC aus — sechs Tage, nachdem die Gewichte hochgeladen wurden. Wer eine Pipeline mit 0,03439 $ kalkuliert, kalkuliert auf Basis einer Werbeaktion. Rechnen Sie mit 0,06879 $ und behandeln Sie den Rabatt als Marge.

Es gibt eine zweite, schnellere Stufe. MiniMax-H3-Image-Highspeed verwendet identische Parameter und Limits und berechnet 7,60 US-Dollar pro Million Ausgabe-Bildtokens: 0,03529 US-Dollar bei 1K, 0,03622 US-Dollar bei 2K, 0,13001 US-Dollar bei 4K, bevor derselbe Rabatt den Preis auf 0,06501 US-Dollar halbiert. Wenn die Zehn-Sekunden-Angabe der Grund für Ihr Interesse ist, ist Highspeed die Variante, die zutreffen muss, damit sie relevant ist – und MiniMax veröffentlicht keinen Latenzunterschied zwischen den beiden.

„Open Weight“ bedeutet hier eine Lizenz, die man lesen muss.

Die Gewichte sind herunterladbar und die Architektur ist dokumentiert, was mehr ist, als die meisten führenden Bildmodelle bieten. Die Lizenz ist der Punkt, an dem das Wort „offen“ aufhört, die Arbeit zu leisten, die man erwartet. MiniMax-H3-Image wird unter der MiniMax-H3-Image Community License Agreement vertrieben, und die Bedingungen, die über Deployments entscheiden, sind keine Fußnoten:

• Gebiet. Die Definition des ausgeschlossenen Gebiets in der Lizenz umfasst die Europäische Union, das Vereinigte Königreich, die Republik Korea und die Vereinigten Staaten, was einen großen Teil des Marktes für ein kommerzielles Bildmodell ausmacht.

• Skalierung. Bei einem annualisierten Umsatz von über einer Million US-Dollar ist eine gesonderte vorherige schriftliche Genehmigung erforderlich.

• Hosting. Dieselbe Genehmigungsanforderung gilt für das Anbieten des Modells als gehosteten Dienst, ganz ohne Umsatzuntergrenze – eine Klausel, die geradewegs auf das API-Reseller-Modell abzielt.

• Namensnennung. Kommerzielle Oberflächen, die das Modell verwenden, müssen „MiniMax-H3-Image“ deutlich sichtbar anzeigen.

• Nachgelagert. Ausgaben dürfen nicht zum Trainieren oder Verbessern anderer Modelle verwendet werden.

Die Hugging-Face-Seite zeigt dies als einzelne Zeile mit dem Wortlaut license: other, was technisch korrekt und praktisch nutzlos ist. Wenn Sie das Modell für ein Produkt und nicht für ein Notebook evaluieren, ist die Lizenzdatei das Erste, was Sie lesen sollten, und möglicherweise der Grund, aufzuhören.

Was dich der Betrieb offener Gewichte tatsächlich kostet

68,65 GB Transformer und VAE, plus ein Textencoder, der nicht im Repository liegt. model_index.json greift auf das Video-Modell MiniMax-H3 zu und lädt text_encoder/ von dort — 66,7 GB Qwen3-VL, unverändert. Eine erste lokale Generierung ist daher ein Download von rund 135 GB über zwei Repositories, und der Encoder ist die größere Hälfte.

Die Framework-Lage ist für einen so jungen Checkpoint ungewöhnlich gut, und sie war schon am ersten Tag da statt erst im Laufe des folgenden Monats. SGLang ist der Referenzpfad mit einem dokumentierten Cookbook und einem Single-GPU-Befehl; Sequenzparallelität ist ein Flag (--ulysses-degree bei SGLang, --usp bei vLLM-Omni); vLLM-Omni veröffentlicht hardwarespezifische Rezepte, die NVIDIA H200, RTX PRO 6000 Blackwell und AMD Instinct MI350X nennen; diffusers und ComfyUI unterstützen es beide. MiniMax' eigene Serving-Anleitung verweist auf Multi-GPU für akzeptable Latenz bei voller Auflösung, was dem am nächsten kommt, dass der Anbieter einräumt, dass zehn Sekunden eine Konfiguration und keine Konstante sind.

Für die meisten Teams ist die Rechnung, die folgt, unangenehm. Bei 0,02179 $ für ein 1K-Bild und 0,06879 $ für ein 4K-Bild ist die gehostete API auf sehr lange Zeit günstiger als Strom und Amortisation. Der Grund, sich für die 135 GB zu entscheiden, ist Kontrolle – ein fester Sechs-Schritt-Sampler, den man exakt reproduzieren kann, eine Lizenz, die nachvollziehbar ist, und keine Abhängigkeit von der Warteschlange eines Anbieters in dem Moment, in dem man Durchsatz braucht.

Drei Tests, die es sich lohnt, vor dem Commit auszuführen

Der erste ist der günstige Weg: Generiere denselben 4K-Prompt zehnmal über {{1}}die API von MiniMax{{/1}}, erfasse die Wall-Clock-Zeit pro Anfrage und die Pixelabmessungen jeder Rückgabe. Das klärt beide Kernzahlen – die zehn Sekunden und {{2}}die sechzehn Megapixel{{/2}} – gegen dein eigenes Netzwerk und deine eigenen Prompt-Längen, in unter einer Stunde, für deutlich unter einem Dollar.

Der zweite ist der Identitätstest, und hier zeigt sich, ob sechzehn Referenzen ihrem Ruf gerecht werden oder nicht. Gib acht bis sechzehn Frames eines Motivs aus verschiedenen Blickwinkeln ein, fordere eine neue Szene an und prüfe, ob Gesicht, Stoff und Logo erhalten bleiben. Positionsslots sind weniger strukturiert als typisierte Referenzen – es gibt keine Möglichkeit, dem Modell zu sagen, welches Bild die Figur und welches die Jacke ist –, daher besteht der Test darin, ob die Position allein ausreicht, um diese Absicht zu tragen.

Das dritte ist das, was niemand für Sie erledigen kann: ein A/B-Test gegen das, was Sie jetzt verwenden, mit Ihren eigenen Prompts, verblindet. MiniMax-H3-Image hat Stand 11. November 2026 keinen Eintrag in einer von Artificial Analysis' beiden Bild-Ranglisten – nicht einmal einen niedrigen, gar keinen – und auch keine Bewertungstabelle des Anbieters. Kein GenEval, kein DPG-Bench, keine Zahlen zur menschlichen Präferenz. Das Showcase-Raster auf der Modellkarte ist der einzige existierende Beleg für die Ausgabequalität, und ein Showcase-Raster ist darauf ausgelegt, gut auszusehen. Eine Woche eigener Vergleiche wird Ihnen mehr sagen als der Launch-Post.

Was das für den Launch bedeutet

Die ehrliche Zusammenfassung lautet, dass MiniMax-H3-Image ein echter Checkpoint mit einer ungewöhnlich vollständigen Deployment-Story ist, mit einer Preisstaffel, die die geschlossenen Modelle bei 4K um Längen unterbietet, und mit einer Schlagzeilenzahl, die niemand außerhalb des Unternehmens verifiziert hat. Die Geschwindigkeitsbehauptung ist aus architektonischen Gründen plausibel — sechs ungeführte Schritte sind tatsächlich eine andere Kostenklasse als ein geführter Sampler mit dreißig Schritten — und Plausibilität ist kein Beweis.

Was das Bild ändern würde, ist konkret und wahrscheinlich noch Wochen entfernt: eine unabhängige Einstufung auf einem Bild-Leaderboard mit angegebener Stichprobenanzahl, eine Zeitmessung des 4K-Pfads durch Dritte auf genannter Hardware und ein Blick darauf, wie sich sechzehn Positionsreferenzen unter echtem Identitätsdruck verhalten. Bis dahin ist die sinnvolle Haltung eine Kandidatenroute statt eines Ersatzes – führe sie neben dem Modell, dem du vertraust, mit einem festen Prompt-Set aus, und lass die Bilder entscheiden.

OrcaRouter bietet MiniMax-H3-Image heute nicht an; es gibt dafür keine Route in unserem Katalog, und etwas anderes zu behaupten wäre genau die Art von Aussage, gegen die dieser Artikel argumentiert. Was wir aus derselben Familie tatsächlich führen, ist das Videomodell minimax/minimax-h3, zu Listenpreis des Anbieters mit 0 % Aufschlag, durchgereicht — was bedeutet, dass eine MiniMax-Preisänderung, einschließlich des 4K-Rabatts und seines Ablaufs, hier am Tag ihres Eintretens live ist und nicht erst bei der nächsten Abrechnungsmigration. Sollte das Bildmodell im Katalog erscheinen, wird es zu denselben Bedingungen erscheinen. Bis dahin ist dieses hier MiniMax' eigene API oder Ihre eigenen GPUs.