Eine generierte Titelkarte mit der Überschrift „MiniMax-H3-Image: drei Behauptungen, drei Papierspuren“, mit dem Untertitel „was der Launch-Post behauptet hat“ und drei abgerundeten Karten: „0,87 Sekunden gemessen, aber auf einer 2048-Pixel-Leinwand bei 0,88 Sekunden auf vier H200s“, „Die Vera-Rubin-Unterstützung ist ein Rezept für ein Videomodell, am selben Tag geöffnet und ohne Merge geschlossen“ und „Open-Weight-Editor Nummer eins – hält, bei 1.138 Elo: insgesamt Zwölfter innerhalb eines Rangbands von acht bis siebzehn“. In der Fußzeile steht: „Latenz gemäß dem vLLM-Omni-H200-Rezept; Leaderboard-Werte von Artificial Analysis, 13. November 2026.“ Das echte OrcaRouter-Logo ist in den hinzugefügten Streifen unten rechts eingefügt.
Engineering & Research

MiniMax-H3-Image: Was der Launch-Post versprach und was vLLM-Omni tatsächlich auslieferte

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Drei Behauptungen kamen zusammen mit MiniMax-H3-Image, und es lohnt sich, sie getrennt zu betrachten, weil hinter ihnen sehr unterschiedlich viel Papierkram steckt. Das Modell ist ein 33,1B-Single-Stream-Diffusion-Transformer, der Bilder mit etwa sechzehn Megapixeln erzeugt und bearbeitet, auf sechs Sampling-Schritte destilliert ist, ohne Classifier-Free Guidance, und seine Gewichte landeten am 10. November 2026 um 14:50 UTC auf Hugging Face. Im Ankündigungsbeitrag hieß es, das Modell sei das beste Open-Weight-Modell für Bildbearbeitung bei Artificial Analysis, dass NVIDIA-Vera-Rubin-Unterstützung für MiniMax-H3-Image in vLLM-Omni eingebracht werde und dass die native 4K-Generierung 0,87 Sekunden dauerte. Die erste Behauptung trifft zu, aber nur innerhalb einer Open-Weight-Kohorte und nur innerhalb eines Konfidenzbandes von zehn Rängen Breite; die zweite beschreibt Unterlagen, die auf ein anderes Modell abzielen und ohne Merge geschlossen wurden; die dritte ist eine real gemessene Zahl, die an eine Leinwand geknüpft ist, die nur ein Viertel so groß ist, wie ihr Satz nahelegt.

Nichts davon macht das Modell schlechter. Es macht die Ankündigung schwieriger zu nutzen, denn ein Leser, der alle drei für bare Münze nimmt, würde eine 4K-Pipeline um einen Latenzwert herum planen, der zu einer 4-Megapixel-Variante gehört.

Die Zahl 0,87 Sekunden befindet sich im Repo und ist an eine 2048-Pixel-Leinwand gekoppelt.

Das eigene Rezept von vLLM-Omni für MiniMax-H3-Image enthält eine Tabelle mit gemessenen Latenzwerten für acht GPU-Konfigurationen, und der Wert, der den Kontakt mit dem Launch-Beitrag übersteht, ist folgender: Auf vier H200 mit Ulysses-Sequenzparallelität über alle vier hinweg dauert eine 2048×2048-Text-zu-Bild-Anfrage 0,88 Sekunden und eine 2048×2048-Bearbeitung 1,35 Sekunden. Dabei handelt es sich um die Mediane von drei Anfragen nach einem Warm-up bei Nebenläufigkeit eins, mit festem Seed, clientseitig durchgängig gemessen.

Dieselbe Zeile verzeichnet die größte Anfrage, die die Autoren ausprobiert haben – 4736×3552, also 16,8 Megapixel und in der Tabelle einem 4K-Bild am nächsten – mit 3,84 Sekunden. Die ehrliche Version der Geschwindigkeitsbehauptung lautet also, dass ein 4-Megapixel-Bild auf einem Knoten mit vier GPUs etwa neun Zehntelsekunden braucht und das 16-Megapixel-Bild, für das das Modell ausgelegt ist, etwa vier Sekunden. Der Wert 0,87 liegt innerhalb des Messrauschens des Werts 0,88; geändert hat sich die Leinwand, nicht das Modell.

Was dies zu mehr als einer Rundungsbeschwerde macht, ist, dass Anfragen unter 2048×2048 tatsächlich nicht in ihrer Nenngröße ausgeführt werden. Der Serving-Pfad erzeugt alles Kleinere auf einer Leinwand von mindestens 2048×2048 mit demselben Seitenverhältnis und skaliert dann mit geräteseitigem Lanczos herunter. Deshalb kostet 1024×1024 0,77 Sekunden und 2048×2048 0,88 – es ist derselbe Arbeitsaufwand mit einer unterschiedlichen Menge an anschließender Größenänderung. Das Rezept gibt die Untergrenze als min_generation_area an, einstellbar von 32² bis 4096² Pixeln, sodass eine Bereitstellung, die wirklich kostengünstige Vorschaubilder benötigt, sie ausdrücklich aktivieren muss.

Der Rest der Tabelle ist der nützliche Teil für alle, die Hardware dimensionieren:

• Vier H200, Ulysses SP 4 — 81,3 GiB Spitzenwert pro GPU, 0,88 s für ein 2048²-Bild, 3,84 s bei 4736×3552, 1,35 s für eine 2048²-Bearbeitung.

Vier H200, DiT-Tensor-Parallelismus 4 — 36,2 GiB pro GPU, 1,00 s und 4,01 s, und Änderungen bleiben innerhalb von 38,3 dB PSNR der sequenzparallelen Referenz.

• Vier H200, TP 2 × SP 2 – 52,2 GiB pro GPU, 1,09 s und 4,07 s, 37,1 dB gegenüber derselben Referenz.

• Zwei H200, Ulysses SP 2 — 94,6 GiB pro GPU, 1,48 s und 6,82 s. Das ist das Layout, das fast die ganze Karte benötigt.

• Ein H200 mit ausgelagertem Text-Encoder — 73,4 GiB, 3,18 s und 12,39 s für dieselben beiden Größen.

• Eine H200 mit layerweisem Offloading sowohl des DiT als auch des Text-Encoders — 14,7 GiB, 8,30 s und 12,85 s.

Die letzten beiden Zeilen sind kommerziell die interessanten, denn sie zeigen, was eine einzelne gemietete Karte liefert. Bei 14,7 GiB passt das Modell bequem und braucht acht Sekunden für etwas, das ein Vier-GPU-Knoten in weniger als einer Sekunde erledigt – ein Verhältnis von ungefähr neun zu eins bei der Latenz für ein Verhältnis von ungefähr vier zu eins bei der Hardware. Offload-Profile sind durch Host-zu-Device-Kopien begrenzt, daher wächst ihre Latenz kaum mit der Bildgröße: Der Abstand zwischen einer 2048²- und einer 16,8-MP-Anfrage auf dem Single-GPU-DLO-Pfad beträgt 8,30 Sekunden gegenüber 12,85. Wenn Ihre Workload aus großen Bildern besteht und Sie nur eine Karte haben, ist Offload nicht das Desaster, das die rohe Latenz vermuten lässt.

A generated single-column scoreboard titled 'MiniMax-H3-Image — what one node buys you', with six rows: '4 x H200, sequence parallel: 81.3 GiB per GPU, 0.88 s at 2048 square'; '4 x H200, tensor parallel: 36.2 GiB per GPU, 1.00 s at 2048 square'; '4 x H200, TP2 x SP2: 52.2 GiB per GPU, 1.09 s at 2048 square'; '2 x H200, sequence parallel: 94.6 GiB per GPU, 1.48 s at 2048 square'; '1 x H200, text encoder offloaded: 73.4 GiB, 3.18 s'; '1 x H200, layer-wise offload: 14.7 GiB per GPU, 8.30 s'. The footer reads 'Every figure from the official vLLM-Omni H200 recipe; a 16.8 megapixel request takes 3.84 s on the four-GPU sequence-parallel layout.' The OrcaRouter logo is composited in the added strip at bottom-right.

Warum das erste Bild mehr kostet, als die Gewichte des Modells vermuten lassen

Der Checkpoint, den man herunterlädt, ist nicht das, was tatsächlich ausgeführt wird. Das 68,65 GB große Repository enthält den BF16-Diffusion-Transformer, aber für das Serving benötigt man zusätzlich den vollständigen Qwen3-VL-Textencoder aus MiniMax-H3 – ein zweites Artefakt von etwa 66,7 GB – sowie einen 0,58B-VAE, und die Parameteranzahl des Rezepts summiert alle drei zu 67B. Das ist die Zahl hinter dem Wert von 73,4 GiB für eine einzelne GPU mit residentem Textencoder und hinter dem residenten Zwei-GPU-Layout, das 94,6 GiB pro Karte benötigt.

Die Folge ist eine Rechenaufgabe zum Starttag. Ein 16-Megapixel-Bildmodell, dessen Gewichte als zwei große Downloads ankommen und dessen günstigste schnelle Bereitstellung vier Rechenzentrums-GPUs sind, ist kein Wochenendprojekt, und die Frameworks, die Support ab dem ersten Tag behaupten, behaupten Support für die Pipeline, nicht für Ihren Schreibtisch. Das Rezept sagt ausdrücklich, welche Hardware tatsächlich gemessen und welche nur konfiguriert wurde: H200, RTX PRO 6000 Blackwell mit zwei und vier Karten sowie MI325X und MI350X sind als verifiziert markiert, während die Rezepte für H100, B200 und B300 nur Konfiguration sind. Das separate Rezept für eine einzelne RTX 4090 existiert und ist als Community-Bereitstellung und nicht als vom Hersteller qualifizierte gekennzeichnet.

Die Vera-Rubin-Behauptung verweist auf das Videomodell, und der Pull Request wurde geschlossen.

Dies ist die Behauptung, deren Überprüfung die meiste Recherche erforderte, denn die Arbeit ist real und ihre Form entspricht nicht dem, was der Beitrag beschrieb. Es gibt in vLLM-Omni einen Pull Request mit der Nummer 10108, geöffnet am 10. November 2026 um 11:10 UTC, mit dem Titel „[Doc] Add MiniMax-H3 Rubin recipe and inference results“. Er trägt 1.972 Zeilen über vier Dateien bei, dokumentiert ein Offline-Rezept für vier GPUs auf NVIDIA VR NVL72-Hardware mit 286.524 MiB pro Karte auf einem aarch64-Host und berichtet echte Messungen: Eine Text-zu-Video-Anfrage mit 1344×768, fünf Sekunden und 24 FPS benötigte im Median 19,811 Sekunden mit TRTLLM-Attention und Eager Execution, gegenüber 110,039 Sekunden mit SDPA. Die Varianten mit erstem/letztem Keyframe und gemischter Referenz lagen bei 21,535 bzw. 21,461 Sekunden.

Bei all diesen Aufgaben handelt es sich um Video. T2VA, FL2VA und Ref2VA sind Aufgabenbezeichnungen von MiniMax-H3, nicht von MiniMax-H3-Image, und die Beschreibung des Pull Requests selbst besagt, dass dem vorhandenen MiniMax-H3-Leitfaden eine qualifizierte Rubin-Umgebung fehlte. Der Recipe-Index des Repos bestätigt das: MiniMax-H3-Image bietet Recipes für H200, H100, B200, B300, RTX PRO 6000, MI325X und MI350X, Intel Arc Pro B70, Ascend Atlas, RTX 4090 und MUSA – und nichts für Rubin.

Daraufhin wurde der Pull Request geschlossen. Er wurde am 10. November um 11:10 UTC geöffnet und am selben Tag um 12:05 geschlossen, ohne zusammengeführt zu werden, nachdem der automatisierte Reviewer den Autor um einen Kommentar zur Selbstüberprüfung gebeten hatte. Der Autor war in der Beschreibung selbst offen über die Grenzen: Der HTTP-Start schlug mit den getesteten vLLM-Nightlies fehl, das Rezept zeichnet diese Fehler auf, statt HTTP-Unterstützung zu behaupten, und die Inferenz mit einer neueren Basisrevision war unter „nicht ausgeführt“ aufgeführt. Eine heute erstellte Verzeichnisauflistung von main enthält für keines der beiden M​iniMax-Modelle ein Rubin-Rezept.

Die korrekte Aussage ist also, dass ein Beitragender ein Rubin-Rezept für MiniMax-H3 – das Videomodell – entworfen und gemessen hat, und der Entwurf nicht übernommen wurde. Wenn Unterstützung kommt, dann als zusammengeführte Datei unter dem Rezeptindex, und darauf sollte man achten, nicht auf einen Social-Media-Beitrag. Die Day-One-Frameworks von MiniMax-H3-Image hingegen sind diejenigen, hinter denen Merge-Commits stehen: vLLM-Omnis Pull Request zur Modellunterstützung wurde am 11. November um 07:32 UTC zusammengeführt, und der begleitende Rezept-Pull-Request wurde am 10. November um 14:53 zusammengeführt – rund siebzehn Stunden früher, was zeigt, wie locker „Day One“ auf die Dokumentation angewendet wird.

A headless-Chromium screenshot of the vllm-project/vllm-omni pull request #10108, '[Doc] Add MiniMax-H3 Rubin recipe and inference results', opened by Lishunyang12, showing one commit, 4 files changed and +1,972 lines, and a visible contributor-intent questionnaire whose answers describe documenting a Rubin recipe with measured inference results. The pull request is closed and unmerged.

Die Arena-Behauptung ist wahr und deutlich enger gefasst, als sie klingt.

Artificial Analysis betreibt zwei relevante Ranglisten – ein Text-to-Image-Leaderboard von image-arena und ein Image-Editing-Leaderboard –, beide mit Elo-Werten, Konfidenzintervallen und Stichprobenumfängen, und MiniMax-H3-Image ist auf beiden vertreten. Auf dem Editing-Board AA-Image-Editing v2.1 liegt es mit 1.138 Elo auf Platz zwölf, innerhalb eines Rangbands von Platz acht bis siebzehn, bei rund 3.200 Stichproben und 26,54 US-Dollar pro tausend Bilder. Seine schnellere Variante, MiniMax-H3-Image Highspeed, liegt einen Platz dahinter mit 1.134 Elo in einem Band von Platz neun bis zwanzig. Der eigene Kommentar des Boards hebt das Modell als bestplatzierten Open-Weight-Eintrag hervor, vor Fibo 2.0 mit 1.085 und Qwen-Image-2.1 mit 1.084. Die Aussage im Launch-Post ist also so, wie sie formuliert ist, korrekt – Nummer eins unter den Open-Weight-Modellen für Bildbearbeitung –, und die Zahl dahinter ist eine echte, durch Votes ermittelte und öffentlich nachprüfbare.

A headless-Chromium screenshot of Artificial Analysis's AA-Image-Editing v2.1 leaderboard in English, headed 'Ranks image models on editing an image from a text instruction, by Elo from pairwise human preference votes'. The leading rows read GPT Image 2.6 Sunburst (max) at 1,210 over about 6,300 samples, GPT Image 2.6 Flare at 1,206, GPT Image 2.5 Sunburst at 1,201, MAI-Image-2.7-Preview at 1,198 and GPT Image 2.5 Flare at 1,184. Further down the same list, MiniMax-H3-Image sits at 1,138 in an 8-17 rank band over 3,187 samples at $26.54 per 1,000 images, dated November 2026, with MiniMax-H3-Image Highspeed at 1,134 in a 9-20 band over 3,083 samples at $45.25 per 1,000 images, and the open-weights callout marks it as the highest-placed open-weight entry.

Was der Satz auslässt, ist die Größe des Abstands und die Breite des Intervalls. Der Spitzenreiter auf dieser Rangliste ist GPT Image 2.6 Sunburst mit 1.210 Elo über rund 6.400 Stichproben, gefolgt von GPT Image 2.6 Flare mit 1.206 und GPT Image 2.5 Sunburst mit 1.201 – etwa siebzig Elo über MiniMax-H3-Image, was in Elo-Begriffen eine substanzielle und wahrscheinlich dauerhafte Trennung statt Rauschen ist. Der Bereich von Platz acht bis siebzehn ist die andere Hälfte der Geschichte: Bei dieser Stichprobengröße könnte das Modell plausibel auf Platz acht oder siebzehn liegen, und seine eigene Highspeed-Variante liegt innerhalb derselben Überschneidung. „Bestes Open-Weight-Modell zum Bearbeiten“ und „nahe am besten Bearbeitungsmodell“ sind unterschiedliche Aussagen, und nur die erste wird gestützt.

Bei Text-to-Image wird die Aussage wackeliger. Auf AA-Image-T2I v2.1 belegt das Modell den dreiundzwanzigsten Platz mit 1.066 Elo, während Highspeed mit 1.070 Zweiundzwanzigster ist, gegenüber Sunburst 2.6 mit 1.261 auf dem ersten Platz bei 5.282 Samples. Das ist eine Lücke von zweihundert Elo, und derselbe Open-Weight-Vorsprung gilt — Qwen-Image-2.1 mit 1.046 und FLUX 3 Image Klein mit 1.042 liegen dahinter —, aber „Nummer-eins-Open-Weight-Modell für Bildbearbeitung“ sollte nicht als allgemeine Aussage über die Bildqualität gelesen werden. Die Bearbeitungsstärke des Modells ist real, und seine Generierungsstärke liegt im Mittelfeld.

Die Qualitätssprache der Modellkarte selbst ist qualitativ – stärkste Befolgung von Anweisungen unter Open-Source-Modellen, ohne beigefügte Vergleichstabelle –, und der einzige Output-Beleg, den der Anbieter liefert, ist ein kuratiertes Showcase-Raster. Das war für eine drei Tage alte Veröffentlichung normal. Es bedeutet jedoch, dass die Argumentation für das Modell nun aus einem gemessenen Score mit einem breiten Intervall plus einem Argument aus Auflösung und Preis besteht, statt aus der Behauptung, zu der der Launch-Post sie gemacht hatte.

Was tatsächlich schon verfügbar ist und wie man es ausprobiert, ohne eine Pipeline darauf zu verwetten

Reduziert man die Ankündigung auf das Wesentliche, ist die Substanz unspektakulär und real. Ein 33,1B-Bildmodell mit einem Sechs-Schritt-Sampler, einem Guidance-Scale, der nicht abgestimmt werden muss, sechzehn Referenz-Slots und einer nativen 16-Megapixel-Ausgabe ist unter einer offenen Lizenz erschienen, zusammen mit einer vLLM-Omni-Pipeline, die DiT und Text-Encoder des H3-Videomodells wiederverwendet, einem offiziellen H200-Rezept mit acht vermessenen Layouts, vier weiteren Hardware-Rezepten in unterschiedlichen Qualifizierungsstadien, einem Diffusers-Pfad und einer ComfyUI-Integration. Die API erzwingt den Sampler: Eine Anfrage mit num_inference_steps ungleich sechs oder guidance_scale ungleich eins oder einem beliebigen negativen Prompt wird mit HTTP 400 beantwortet.

Für Teams, die es evaluieren wollen, statt sich darauf festzulegen, ist die praktische Form ein Offloaded-Deployment auf einer einzelnen GPU mit 14,7 GiB – langsam, aber klein genug, um neben allem anderen auf der Karte Platz zu finden – und ein Wechsel zum Sequence-Parallel-Layout mit vier GPUs erst dann, wenn die Ausgabequalität den Knoten rechtfertigt. Das Modell ist außerdem über die eigene API von M​iniMax zu tokenbasierten Tarifen erreichbar, und mehrere Drittanbieter-Plattformen führen es; im Katalog von OrcaRouter ist es nicht.

Was OrcaRouter aber sehr wohl führt, ist das Videomodell, auf dem dieser Image-Checkpoint aufbaut: minimax/minimax-h3 ist heute zum Listenpreis des Anbieters ohne zusätzlichen Aufschlag routbar, was wichtig ist, wenn der Grund für Ihr Interesse an MiniMax-H3-Image darin liegt, dass Sie bereits Video in derselben Familie generieren und lieber einen Schlüssel als zwei Verträge halten würden. Das automatische Failover derselben Routing-Schicht ist zudem der am wenigsten dramatische Weg, ein ungemessenes Modell in der Produktion zu testen – lenken Sie einen Teil des Traffics darauf, halten Sie einen gemessenen Fallback dahinter bereit und lassen Sie das Routing anhand von Fehlern entscheiden statt anhand einer Leaderboard-Position, die noch ein Bereich von zehn Rängen ist.

Was würde es klären

Drei Dinge, geordnet danach, wie sehr sie das Bild verändern würden. Eine engere Spanne auf dem Bearbeitungsboard – das Modell liegt bei 1.138 in einem Band von acht bis siebzehn über etwa 3.200 Stichproben, und mehr Stimmen würden daraus einen tatsächlichen Rang statt einer Spanne machen. Ein zusammengeführtes Rubin-Rezept für das Bildmodell – nicht das für Video – würde die Hardware-Behauptung an der einzigen Stelle wahr machen, an der es zählt, nämlich im Rezeptindex. Und eine zweite, unabhängige Messung der 16-Megapixel-Latenz würde es ermöglichen, die 0,87-Sekunden-Schlagzeile als das neu zu formulieren, was sie ist: vier Megapixel auf vier H200s bei etwa neun Zehntelsekunden, wobei die echte 4K-Platte das Vierfache davon beträgt.

Bis dahin ist die vertretbare Zusammenfassung enger als der Beitrag und nützlicher: Das Modell ist schnell in den Größen, die die meisten tatsächlich generieren, sein 16-Megapixel-Modus ist auf einem Knoten mit vier GPUs ein vier Sekunden dauernder Vorgang statt eines unter einer Sekunde, seine Framework-Unterstützung ist real für die Hardware, hinter der Merge-Commits stehen, und sein Rang auf der Bestenliste ist echt, aber begrenzt – Erster unter offenen Gewichten, Zwölfter insgesamt, irgendwo zwischen dem achten und siebzehnten Platz und etwa siebzig Elo hinter dem Modell, von dem der Beitrag implizierte, dass es dieses geschlagen habe.