MiniMax-H3-Image-PE: MiniMax hat einen 27B-Prompt-Expander für sein Bildmodell veröffentlicht – und niemandem davon erzählt

Es gibt keinen Launch-Beitrag für MiniMax-H3-Image-PE. Es gibt keinen Eintrag in M​iniMax' Newsfeed, keinen Blog, keine Changelog-Zeile, keinen Social-Media-Beitrag – am 2026-11-11 listet der News-Index des Unternehmens H3, M3.1 Flash, Speech 2.8 und Music 3.0 auf und nichts zu Bildern. Was stattdessen existiert, ist ein Hugging-Face-Repository, dessen erster Commit den Zeitstempel 2026-11-10, 14:38 UTC trägt, eine Modellkarte, die nie ein Veröffentlichungsdatum nennt, und eine Lizenzdatei vom 10. November 2026. Das ist die gesamte Ankündigung. MiniMax-H3-Image-PE ist ein Prompt-Expansionsmodell – ein Caption-Schreiber –, das dafür gebaut wurde, sein Schwestermodell MiniMax-H3-Image zu speisen, den Open-Weights-Bildgenerator mit 33,1B, den M​iniMax am 2026-11-03 veröffentlichte. Das Bildmodell hatte acht Tage Ruhe; sein Prompt-Expander hatte einen. Alles im Folgenden, das eine Zahl trägt, stammt aus diesen beiden Repositories, dem Lizenztext oder M​iniMax' eigener API-Dokumentation, und wo etwas aus diesen Quellen nicht ermittelbar ist, wird es als solches gekennzeichnet statt geraten. MiniMax-H3-Image und MiniMax-H3-Image-PE sind Stand 2026-11-11 nicht auf OrcaRouter, daher ist dies eine selbst gehostete Evaluierung. der Katalog Der Rest des Katalogs ist nur einen Schlüssel entfernt, wenn Sie die Expansion mit einem Textmodell vergleichen möchten, dem Sie bereits vertrauen.

Die Kurzfassung für alle, die entscheiden wollen, ob sie sich dafür interessieren sollten: Dieses Modell zeichnet nichts. Man gibt ihm einen Satz, und es gibt einem eine lange englische Beschreibung des gemeinten Bildes plus ein empfohlenes Seitenverhältnis zurück, verpackt in ein JSON-Objekt mit zwei Schlüsseln. Ein 27B-Modell existiert, um diesen Absatz zu schreiben, weil MiniMax-H3-Image ungewöhnlich wählerisch bei seinem Input ist — die übergeordnete Karte sagt, es „erwarte eine detaillierte englische Beschreibung des gesamten Bildes“, und schneide alles jenseits von 4096 Tokens ab. Wer schon einmal sechs Wörter in ein Bildmodell getippt und sechs Wörter’ Denkleistung zurückbekommen hat, für den ist genau diese Lücke das, was dieses Repository schließen will, und am 2026-11-10 hat M​iniMax seine Seite der Lösung als Open Source freigegeben.

Was sich tatsächlich im Repo befindet und was die Zeitstempel sagen

Das Repository ist MiniMaxAI/MiniMax-H3-Image-PE auf Hugging Face. Sein Erstellungszeitstempel ist 2026-11-08 15:35 UTC; sein erster Commit – wenig hilfreich mit „Init MiniMaxAI/MiniMax-H3-Image-PE“ betitelt – erfolgte zwei Tage später, am 2026-11-10 um 14:38 UTC, und wurde von den M​iniMax-Mitarbeiterkonten ryanlee-dev und 500kg verfasst. Ein zweiter Commit folgte 38 Minuten später und fügte einen Abschnitt zur Diffusers-Nutzung hinzu; dieser ist ein Pull Request, der aus Hugging Faces eigenem multimodalart stammt und gemergt wurde, was zeigt, dass die diffusers-Integration von außerhalb von M​iniMax beigesteuert und nicht von M​iniMax selbst bereitgestellt wurde. Am ersten Tag wurden drei Pull Requests gegen das Repository geöffnet, alle geschlossen oder gemergt. Keiner davon ist eine Ankündigung.

Im Inneren befindet sich ein Checkpoint in vier Safetensors-Shards mit insgesamt etwa 17,9 GB, ein Tokenizer, ein Chat-Template, eine Quantisierungskonfiguration und – der Teil, der wichtiger ist als die Gewichte – ein prompt/-Verzeichnis mit dem tatsächlichen System-Prompt, Task-Prompt und den von M​iniMax verwendeten Anfrageparametern. Außerdem gibt es ein einzelnes Client-Skript, scripts/expand_prompt.py. Das Repository deklariert insgesamt 27,4B Parameter über zwei Tensor-Typen: etwa 25,6B als U8 gespeichert und 1,76B in BF16 belassen. Diese Aufteilung wird durch die Quantisierungskonfiguration erklärt, die NVFP4 mit einer Gruppengröße von 16 verzeichnet und die von der Quantisierung ausgenommenen Module auflistet – die Embedding-Tabelle sowie die Konvolutions- und Gating-Projektionen innerhalb jedes Linear-Attention-Blocks.

Das Basismodell wird auf der Modellkarte und in den Metadaten klar angegeben: Qwen3.8-27B, das Apache-2.0-Vision-Language-Modell, das Q​wen am 2026-08-05 veröffentlicht hat. Die Architektur stammt also von Q​wen, die Gewichte sind ein Fine-Tuning von M​iniMax, und die Verpackung – NVFP4 statt BF16 – ist die von M​iniMax auf den Einsatz statt auf Originaltreue bei der Weitergabe ausgerichtete Optimierung. Die Modellkarte gibt an, dass die FP4-Gewichte etwa 19 GiB GPU-Speicher belegen und dass GPUs mit nativer FP4-Unterstützung die NVFP4-Gewichte direkt ausführen, während andere auf bitsandbytes zurückgreifen.

Was es genau macht

Im Repository gibt es zwei Workflows, und sie sind nicht dasselbe. Das ist das mit Abstand Wichtigste, das du verstehen musst, bevor du 18 GB herunterlädst.

• Text-zu-Bild-PE — du bekommst alles: die feinabgestimmten Gewichte, den System-Prompt, den Aufgaben-Prompt, die Anfrageparameter und einen funktionierenden Client. Dieser Weg ist vollständig und heute lauffähig.

• Bildbearbeitungs-PE — Sie erhalten einen Prompt und ein Beispiel für die Nachrichtenzusammensetzung. Keine Gewichte. Die Karte sagt es unmissverständlich: „Image editing PE befindet sich noch in Entwicklung; diese Version stellt nur den Prompt bereit.“ Sie sollen diesen Prompt durch ein Vision-Language-Modell Ihrer Wahl laufen lassen.

Der Text-zu-Bild-Pfad nimmt Ihre Anweisung entgegen, erweitert sie und gibt JSON zurück, das durch ein Schema auf genau zwei Schlüssel beschränkt ist. Die Ausgabe für einen Test-Prompt – „An orange tabby cat sleeping on a sunlit windowsill“ – ist ein einzelner Satz über warme Fotografien und weiches Nachmittagslicht sowie das Verhältnis „3:2“. Das Schema ist strikt, wobei additionalProperties auf false gesetzt ist, und das Verhältnis-Feld ist ein Enum mit zehn Werten: 1:1, 5:4, 4:3, 3:2, 16:9, 21:9, 4:5, 3:4, 2:3, 9:16. Es gibt kein Freitext-Verhältnis, kein „auto“-Token in der Ausgabe und keine Möglichkeit für das Modell, mit etwas anderem als einem dieser zehn Strings zu antworten. Das ist eine bewusste Designentscheidung und sie entspricht direkt der veröffentlichten Größentabelle des übergeordneten Modells, die genau diese Verhältnisse mit Pixelabmessungen von 4096×4096 bei 1:1 bis 6272×2688 bei 21:9 auflistet.

Die Entscheidung über das Seitenverhältnis ist keine Gefühlssache. Der veröffentlichte Aufgaben-Prompt verwendet mehrere hundert Wörter auf eine strikte Rangfolge: Eine ausdrücklich vorgegebene endgültige Leinwand hat Vorrang, dann das angeforderte Lieferobjekt (ein Poster ist vertikal, eine Folienkopfzeile horizontal, ein Avatar quadratisch), dann die primäre Komposition des Motivs, dann optionaler Kontext – mit einer ausdrücklichen Warnung, dass „ein allgemeiner Raum, Park, Wald, Himmel oder kinematografischer Hintergrund ein fokussiertes Motiv nicht horizontal machen darf.“ Der Prompt verbietet außerdem, eine Plattform zu erfinden: Man darf nicht einfach Instagram annehmen. Und er unterscheidet eine dargestellte Szene von einem Kommunikationsartefakt – ein Dashboard, Poster, eine Verpackung, ein technisches Diagramm oder ein mehrteiliges Composite wird als Informationsarchitektur aufgebaut und nicht als Szene, die die angeforderten Objekte enthält. Für alle, die gesehen haben, wie ein Bildmodell „Quartalsergebnisse-Folie“ in ein Foto eines Besprechungsraums verwandelt, ist genau diese Unterscheidung der interessante Teil dieser Veröffentlichung.

Warum 27B Parameter für eine Bildunterschrift aufwenden?

Die Antwort steht in der Dokumentation des übergeordneten Modells, und sie ist interessanter als der Prompt-Expander selbst. MiniMax-H3-Image ist ein dichter Single-Stream-Diffusions-Transformer mit 33.1B Parametern, 50 Schichten, Hidden-Size 5376 und 56 Attention-Heads, der Hidden States aus der 50. Schicht eines vollständigen Qwen3-VL-Textencoders liest, der unverändert von MiniMax-H3 übernommen wurde. Dieser Textencoder ist 66.7 GB groß und nicht im Image-Repository enthalten — man lädt ihn separat aus dem Video-Modell-Repo herunter. Der Checkpoint ist auf sechs Sampling-Schritte ohne Classifier-Free-Guidance destilliert, und die API erzwingt dies: Jeder num_inference_steps-Wert außer 6 und jeder guidance_scale-Wert außer 1 liefern HTTP 400 zurück, und negative_prompt wird rundheraus abgelehnt. Es gibt keinen Regler, an dem man drehen könnte.

Wenn es keinen Regler gibt, ist der Prompt die Bedienoberfläche. Das ist die Designlogik, die die beiden Repositories verbindet: Ein sechsstufiger destillierter Sampler ohne Negative-Prompt hat sehr wenig Spielraum, eine kurze Anweisung zu interpretieren, daher hat MiniMax die Interpretation in ein separates Modell verlagert, das denken kann, bevor es schreibt. Das gehostete Äquivalent ist ein API-Endpunkt namens H3-Image-Context-IR, der dieselbe Aufgabe serverseitig übernimmt: Er akzeptiert bis zu 32.000 Zeichen Prompt und ein bis sechzehn Referenzbilder, gibt einen überarbeiteten Prompt und ein ausgewähltes Seitenverhältnis zurück und rechnet ab, indem er die Eingabe-, Ausgabe- und Denk-Tokens des Erweiterungsmodells in Text-Tokens umrechnet. MiniMax-H3-Image-PE ist der lokale Ausweg für diesen Endpunkt, und die übergeordnete Modellkarte empfiehlt genau diese Verwendung: PE ausführen, sein expanded_caption in den Generierungsaufruf speichern und so nicht zweimal für die Erweiterung zahlen zu müssen.

Die mit der PE veröffentlichten Anfrageparameter sollte man eher als Absichtserklärung denn als Tuning-Empfehlung lesen. Temperatur 1,0, top_p 0,95, top_k 20, ein Budget von 4096 Token, das das Denken einschließt, und reasoning_effort auf „xhigh“ gesetzt, wobei das Denken aktiviert und beibehalten wird. MiniMax betreibt seinen Caption-Writer im Modus maximaler Deliberation und beschränkt nur die finale Serialisierung, nicht das Reasoning. Das bereitzustellen bedeutet SGLang 0.5.23 oder neuer mit XGrammar 0.2.7 oder neuer, den qwen3-Reasoning-Parser und eingeschränkte JSON-Dekodierung – oder den von der Modellkarte dokumentierten Diffusers-Weg über modulare Blöcke. Ein Vorbehalt zu diesem zweiten Weg: Das Blocks-Repository, auf das die Modellkarte verweist, diffusers/minimax-h3-image-pe-blocks, lieferte bei einer Prüfung am 2026-11-11 HTTP 401 zurück, war also zum Zeitpunkt des Schreibens nicht öffentlich lesbar. Der Diffusers-Abschnitt der Modellkarte könnte dem Artefakt, von dem er abhängt, durchaus voraus sein.

Die Lizenz ist der Teil, der Menschen tatsächlich aufhalten wird

MiniMax-H3-Image-PE ist nicht separat lizenziert. Die Modellkarte gibt an, es „ist Teil von MiniMax-H3-Image und unterliegt dementsprechend“ dem MiniMax-H3-Image Community License Agreement, und die Lizenzdatei enthält eine Datumszeile mit dem Wortlaut „Veröffentlichungsdatum/Lizenzdatum: 10. November 2026“. Lesen Sie das sorgfältig, denn es bedeutet, dass das Lizenzdatum des Prompt-Expanders und das Veröffentlichungsdatum des übergeordneten Bildmodells acht Tage auseinanderliegen, während die Lizenz selbst ein einziges Dokument ist, das beide regelt.

Drei Klauseln sind wichtiger als der Rest, und keine davon ist die übliche „Open-Weights“-Geschichte:

• Territorium — die Gewährung gilt nur innerhalb des „Anwendbaren Territoriums“, das als weltweit mit Ausnahme der Europäischen Union, des Vereinigten Königreichs, der Republik Korea und der Vereinigten Staaten von Amerika definiert ist. Dies ist ein territorialer Ausschluss, keine Nutzungsbeschränkung, und er ist in den Definitionen angegeben und nicht in einem Anhang versteckt.

• Kommerzielle Größenordnung — Abschnitt IV verlangt eine gesonderte vorherige schriftliche Genehmigung, wenn Ihr annualisierter Umsatz oder der Ihrer verbundenen Unternehmen 1 Million USD übersteigt, oder wenn Sie Dritten überhaupt einen gehosteten Dienst anbieten. Die zweite Bedingung hat keine Umsatzuntergrenze.

• Namensnennung in der Benutzeroberfläche — derselbe Abschnitt verlangt, dass Sie „MiniMax-H3-Image“ deutlich sichtbar auf der Benutzeroberfläche jedes kommerziellen Produkts oder jeder kommerziellen Dienstleistung anzeigen, die die Werke verwendet.

Außerdem gibt es eine Weiterverbreitungsbedingung, die eine NOTICE-Datei mit einer bestimmten Copyright-Zeile verlangt, sowie eine Verpflichtung nach Abschnitt V, Schutzmaßnahmen gegen rechtsverletzende Ausgaben mit einem Meldeverfahren und der Pflicht aufrechtzuerhalten, auf gutgläubige Meldungen zu reagieren. Nichts davon ist für eine Community-Lizenz im Jahr 2026 ungewöhnlich. Der territoriale Ausschluss ist der Punkt, der für viele Teams entscheiden wird, ob sich der 18-GB-Download überhaupt zu starten lohnt — und er ist die Klausel, die am ehesten übersehen wird, weil die Hugging-Face-Modellseite ihn nur als „other“ mit einem Link anzeigt.

Was noch nicht zu wissen ist

Sich über die Grenze im Klaren zu sein, ist nützlicher, als sie aufzufüllen.

• Keine Benchmark-Zahlen. Keine der beiden Karten veröffentlicht einen einzigen Score. Das übergeordnete Modell erhebt nur qualitative Aussagen – „die stärkste Befolgung von Anweisungen unter Open-Source-Modellen“, „State of the Art“ – und bis zum 2026-11-11 wurde keine unabhängige Bewertung von MiniMax-H3-Image oder seines Prompt-Expanders gefunden. Es gibt kein Elo, keine Präferenz-Gewinnrate, keinen Vergleich der Expansionsqualität mit dem gehosteten Context-IR-Endpunkt.

• Kein Beleg dafür, dass der Bearbeitungspfad funktioniert. Der Bearbeitungs-Prompt ist durchdacht und ungewöhnlich spezifisch – er verlangt vom Aufrufer, für jedes Referenzbild das reduzierte W:H-Verhältnis anzugeben, weist das Modell an, das Ausgangsverhältnis niemals anhand einer Vorschau zu schätzen, und instruiert es, das beabsichtigte Ziel zu konstruieren, statt vorzugeben, ein verborgenes Ergebnis gesehen zu haben. Doch es werden keine Gewichte dafür ausgeliefert, sodass niemand gemessen hat, ob ein allgemeines VLM ihm ebenso gut folgt, wie es die Feinabstimmung vermutlich täte.

• Keine Ankündigung, daher keine erklärte Absicht. Ob es sich um eine dauerhafte Verpflichtung oder um ein Nebenprodukt des Image-Launchs handelt, wird nirgends angegeben. Das Repository hat keine Roadmap, keinen Eintrag im Modellindex und keine Diskussion von M​iniMax, die erklärt, warum der Expander herausgelöst und nicht in den Image-Checkpoint integriert wurde.

• Die Downloadzahlen sind zu klein, um aussagekräftig zu sein. MiniMax-H3-Image verzeichnete am 2026-11-11 667 Downloads und 136 Likes, acht Tage nach der Veröffentlichung. Das PE-Modell verzeichnete 0 Downloads und 7 Likes. Bei einem Repo, das erst einen Tag alt ist, ist das eine Untergrenze, kein Urteil – aber es bedeutet, dass noch niemand einen Erfahrungsbericht veröffentlicht hat.

Wo das hineinpasst, wenn du tatsächlich etwas baust

Die praktische Frage lautet nicht: „Ist das ein gutes Modell?“ – das kann noch niemand beantworten –, sondern: „Wozu verpflichtet mich die Einführung?“ Drei Dinge, konkret. Sie verpflichten sich, zwei Modelle statt eines zu betreiben: einen 18-GB-Expander plus einen 68,65-GB-Bild-Checkpoint plus einen 66,7-GB-Text-Encoder, den Sie wahrscheinlich bereits haben, wenn Sie MiniMax-H3 betreiben. Sie verpflichten sich auf ein festes Dekodierbudget von 4096 Tokens einschließlich Reasoning, was bei einem Request-Timeout, den die API-Dokumentation auf 600 Sekunden setzt, eine Latenz ist, die Sie nicht ohne Sorgfalt hinter einer interaktiven UI verbergen können. Und Sie verpflichten sich auf eine Lizenz, deren territorialer Geltungsbereich vier große Märkte ausschließt.

Die Gegenmaßnahme für die ersten beiden ist dieselbe, die für jedes Modell gilt, das Sie nicht selbst gemessen haben: Setzen Sie es hinter eine Routing-Schicht statt in einen fest verdrahteten Aufrufpfad. Genau dafür ist Routing gedacht – der Expander ist ein Textgenerierungsmodell hinter einem OpenAI-kompatiblen Endpoint mit /v1/chat/completions, sodass er zusammen mit allem anderen unter einem Schlüssel laufen kann, und eine Routing-Regel kann lange oder strukturierte Prompts dorthin senden, während ein kürzerer Pfad den Rest übernimmt. Sollte sich herausstellen, dass die Erweiterung die Leistung einer bestimmten Workload verschlechtert, verschiebt das Failover diesen Traffic ohne erneutes Deployment. Das ist auch der ehrliche Weg, ein unerprobtes Modell zu bewerten: Lassen Sie es auf einem Teilbereich laufen, halten Sie den alten Pfad warm und lassen Sie den Vergleich entscheiden. Eine Klarstellung, die es wert ist, offen ausgesprochen zu werden, da man leicht vom Gegenteil ausgeht – MiniMax-H3-Image und MiniMax-H3-Image-PE stehen mit Stand 2026-11-11 nicht im Katalog von OrcaRouter, es handelt sich also um eine selbst gehostete Evaluierung und nicht um einen Aufruf, den wir für Sie vornehmen können. Was der Katalog jedoch führt, ist M​iniMax' H3-Videomodell und die M3.x-Textreihe zum Listenpreis des Anbieters, ohne Aufschlag durchgereicht, was dieselbe Rechnung ist, die ab dem Tag gilt, an dem ein Bild-Endpoint kommt.

Beim dritten Punkt – der Gebietsklausel – hilft keine noch so große technische Anstrengung. Wenn Sie sich in der EU, im Vereinigten Königreich, in Korea oder in den USA befinden, gewährt Ihnen die Lizenz nicht die Rechte, die sie allen anderen gewährt, und M​iniMax’ eigene Abhilfe besteht darin, sich für eine gesonderte Gewährung an sie zu wenden, „basierend auf robusten Kontrollen und Schutzmechanismen“. Das ist ein Geschäftsgespräch, und es sollte vor dem Download stattfinden, nicht danach.

Was zu sehen

Zwei Signale würden daraus aus einem Repository ein Release machen. Das erste ist eine Ankündigung: ein Blogbeitrag, ein Eintrag im Model-Index, eine Erwähnung im Newsfeed von M​iniMax. Ihr Fehlen ist derzeit das Aussagekräftigste an diesem Launch, und ihr Eintreffen würde klären, ob die PE als Standardweg für den lokalen Betrieb gedacht ist oder als Übergangslösung. Das zweite ist, dass das Diffusers-Blocks-Repository öffentlich erreichbar wird – derzeit liefert es 401, und bis das geklärt ist, ist der auf der Karte dokumentierte Weg „lokal über Diffusers ausführen“ eine Behauptung statt eines Weges.

Dazwischen ist das, was man tatsächlich lesen sollte, der Task-Prompt. Er umfasst ein paar hundert Zeilen in einfachem Englisch, die beschreiben, wie man entscheidet, wofür ein Bild gedacht ist, und er ist das konkreteste Artefakt, das M​iniMax darüber veröffentlicht hat, wie Bild-Prompts seiner Ansicht nach funktionieren sollten. Man kann daraus in zehn Minuten mehr lernen als aus jeder Benchmark-Tabelle, und anders als bei den Gewichten kostet das Lesen nichts.