MiniMax-H3-Image vs. GPT Image 2.5: Beide akzeptieren 16 Referenzen – und genau dort endet die Ähnlichkeit.

The number sixteen appears on both spec sheets, and it means two different things. MiniMax-H3-Image accepts up to sixteen reference images in a single edit, addressed by upload order as <Picture 1> through <Picture 16>, with the request body capped by nothing except a 32,000-character prompt. GPT Image 2.5 — the Sunburst and Flare pair that O​penAI shipped on 8 September 2026 — accepts up to sixteen input images too, and its documentation is explicit about what happens when you send more than one: markup and masks apply to the first image, and everything after it is a reference. Sixteen slots against sixteen slots, one of which is the whole control surface and the other of which is a parameter you will probably never fill.

Dieser Zufall ist das Nützlichste daran, diese beiden Modelle nebeneinanderzustellen, denn alles andere an ihnen ist auf eine Weise asymmetrisch, die leicht zu benennen und kaum zu übertreiben ist. GPT Image 2.5 ist auf dem Text-to-Image-Board von Artificial Analysis das zweit- und viertbeste Bildmodell der Welt, mit dreizehntausend Blindabstimmungen hinter jeder Platzierung. MiniMax-H3-Image hat überhaupt keine Platzierung – seine Gewichte landeten am 10. November 2026 um 14:50 UTC auf Hugging Face, einen Tag bevor dies geschrieben wurde, und keine Arena hatte Zeit, es zu bewerten. Das hier ist also kein Vergleich zweier Kandidaten unter gleichen Voraussetzungen. Es ist ein Vergleich eines gemessenen und eines ungemessenen Modells, und die nützliche Frage ist, was das ungemessene bietet, das es rechtfertigen würde, das herauszufinden.

Wie die beiden Aufrufe tatsächlich aussehen

O​penAI's side is two model ids doing one job between them. gpt-image-2.5-sunburst is positioned for detailed compositions and precise editing; gpt-image-2.5-flare is the fast everyday variant. Both share the same snapshot date, the same endpoint surface and the same rate, and the split is latency against precision rather than capability against capability. There is no bare gpt-image-2.5 alias — you pick a variant. Generation goes to v1/images/generations, edits to v1/images/edits as multipart form data, and Batch is supported at half the output rate. Quality is a dial with six settings — low, medium, high, xhigh, max and auto, with auto the default.

M​iniMax's side is one model with two service tiers. MiniMax-H3-Image is a 33.1B dense diffusion transformer — 50 layers, hidden size 5,376, 56 attention heads, FFN width 14,336, 3D multimodal RoPE — distilled to six sampling steps with no classifier-free guidance. The served API enforces that: num_inference_steps must be 6 and guidance_scale must be 1, or you get an HTTP 400, and negative prompts are refused. Highspeed is the same weights at a higher per-token rate. There is no quality dial, no step count to raise, no second variant with different behaviour. You send a prompt and up to sixteen pictures and you get one image back, in a fixed number of passes.

Read those two paragraphs next to each other and the design philosophies separate cleanly. O​penAI gives you knobs and expects you to find the setting that fits the job. M​iniMax gives you one setting and expects the model to be good enough at it. The first is a tool; the second is an appliance.

Die Größe ist der Bereich, in dem die Kluft am größten ist, und das ist alles andere als knapp.

GPT Image 2.5 tops out at 3840×2160 — 8.29 megapixels — with dimensions required to be multiples of 16, an aspect ratio between 1:3 and 3:1, and anything above 2560×1440 flagged as experimental in O​penAI's own documentation. The recommended presets are 1024×1024, 1536×1024 and 1024×1536, and the custom-size path allows a pixel budget from 655,360 up to that 8,294,400 ceiling.

MiniMax-H3-Image's ceiling is roughly double that, and its floor is higher than O​penAI's ceiling-to-floor gap. The card claims about 16 megapixels at every aspect ratio — 4096×4096 at 1:1, 4736×3552 at 4:3, 5024×3360 at 3:2, 5472×3072 at 16:9, 6272×2688 at 21:9 — with the API capping output area at 20 megapixels and the practical working range described as 4 to 20 MP. There is no upscaler in the path; the model regenerates detail rather than enlarging it.

• Maximale Ausgabe — GPT Image 2.5: 3840×2160, 8,29 MP. MiniMax-H3-Image: etwa 16 MP, über die API bis zu 20 MP.

• Minimale sinnvolle Ausgabe — GPT Image 2.5: 655.360 Pixel, sodass eine 768-Pixel-Miniaturansicht eine unterstützte Anfrage ist. MiniMax-H3-Image: etwa 4 MP, ohne eine Stufe für kleine Bilder.

• Reference images — both up to 16; O​penAI types the first as the edit target and treats the rest as references, M​iniMax orders all sixteen positionally with no typing.

• Qualitätskontrolle — GPT Image 2.5: sechs Qualitätsstufen plus auto. MiniMax-H3-Image: keine; sechs Schritte, keine Guidance, fest vorgegeben.

• Ausgabeformat — GPT Image 2.5: standardmäßig PNG, JPEG und WebP verfügbar, Kompression 0–100, transparenter Hintergrund über background: "transparent". MiniMax-H3-Image: ein PNG in data[0].b64_json.

Eine dieser Unterschiede gibt bei mehr Deployments den Ausschlag als die übrigen. Wenn Ihr Lieferergebnis eine 4K-Vorlage ist, kann GPT Image 2.5 sie nicht liefern – nicht in geringerer Qualität, nicht mit einer geänderten Einstellung. Es endet bei 8,29 Megapixeln, und der Rest ist Hochskalierung. Das ist keine Kritik am Modell; es ist eine Aussage darüber, wofür das Produkt gedacht ist. Aber es bedeutet, dass die beiden Modelle aufhören zu konkurrieren, sobald Ihre Anforderung 8,3 MP überschreitet, und kein noch so hoher gemessener Elo-Wert schließt diese Lücke.

Beide Meter-Token, und nur einer veröffentlicht, was ein Token kauft

O​penAI bills GPT Image 2.5 by tokens: $5 per million text input tokens ($1.25 cached), $8 per million image input tokens ($2 cached), and $30 per million image output tokens, halved to $15 on the Batch API. Text output is not charged because the model returns images rather than prose. Those rates are unchanged from GPT Image 2, which is worth knowing if you priced the previous generation.

The number that matters and does not appear in O​penAI's rate card is how many output tokens an image costs, and O​penAI does not publish it — per-image consumption was not documented at launch and is still not documented per size. The only per-image figure in circulation is Artificial Analysis's derived $210.72 per thousand images, which is about $0.21 a frame at 1024×1024 with default settings. That is a third-party derivation from measured usage, not an O​penAI price, and it should be treated as an estimate that moves with quality setting and resolution.

M​iniMax publishes the resolved number directly, because its output rate is low enough that the arithmetic is simple: $2.30 per million input text tokens, $1.50 per million input image tokens, $3.80 per million output image tokens. The vendor's own worked examples give $0.02179 for a 1K image, $0.02333 at 2K and $0.06879 at 4K — the last of which is $0.03439 while a 50% discount holds, and that discount expires on 17 November 2026 at 16:00 UTC and applies only when the delivered image is at least 16,600,000 pixels.

Put the two side by side and the shape of the trade is stark. At 1024×1024, roughly $0.21 against $0.02179 — about ten to one. At the sizes each model is designed for, the comparison gets harder to make honestly, because GPT Image 2.5 at 8.29 MP and MiniMax-H3-Image at 16 MP are not the same product. What can be said without hedging is that if you are generating at 1K in volume, M​iniMax's price is an order of magnitude lower and its quality is unmeasured; that is the entire bet, stated plainly.

Two billing details on the M​iniMax side are easy to miss. Input images are billed per token at $1.50 per million, so references are not free — going from one to three references lifts a 2K edit from $0.02658 to $0.04177 in the vendor's own example. And the API charges for a request that times out, so a client-side retry policy turns one generation into two or three billed generations. O​penAI's documented behaviour is the opposite for failed and moderated requests, which it does not charge for.

Die Evidenzbasis ist unausgewogen, und beide Hälften davon sind wichtig.

Auf dem Text-to-Image-Board von Artificial Analysis liegt GPT Image 2.5 Sunburst mit Elo 1228 bei 13.370 Samples auf Platz zwei und Flare mit 1209 bei 12.695 auf Platz vier. Auf dem Editing-Board belegt dasselbe Paar die Plätze drei und fünf – 1199 bei 18.617 Samples für Sunburst, 1181 bei 19.498 für Flare. Diese Zahlen sind Punktschätzungen mit Konfidenzintervallen im Bereich von Dutzenden Elo, was heißt, dass Sunburst und Flare bei Text-to-Image nicht bedeutsam voneinander getrennt sind und beide deutlich über allem unterhalb von Rang fünf liegen.

Ebenso erwähnenswert ist, dass GPT Image 2.5 nicht mehr die Spitze der eigenen Familie ist. Die 2.6-Varianten – Sunburst und Flare – belegen inzwischen Platz eins und drei im Text-to-Image-Board sowie Platz eins und zwei beim Editing, zum selben Preis von 210,72 $ pro tausend Bilder. Wer zwischen MiniMax-H3-Image und GPT Image 2.5 wählt, entscheidet sich also zwischen einem ungemessenen Neuling und der vorherigen Generation einer bereits vermessenen Modellreihe, während die aktuelle Generation dieser Reihe nur eine Modell-ID entfernt zum gleichen Preis liegt. Jeder, der sich wegen des Scores für 2.5 entscheidet, sollte sich ansehen, worauf sich dieser Score tatsächlich bezieht.

{{1}}MiniMax-H3-Image hat weder in der einen noch in der anderen Rangliste eine Punktzahl und keine Bewertungstabelle des Anbieters — kein GenEval, kein DPG-Bench, keine Zahlen zur menschlichen Präferenz. Die Aussage der Modellkarte ist qualitativ: „die stärkste Befolgung von Anweisungen unter Open-Source-Modellen“, ohne beigefügte Vergleichstabelle. Das Showcase-Raster ist der einzige existierende Beleg in Form von Ausgaben, und ein Showcase-Raster ist ein kuratiertes Artefakt. Nichts davon ist verdächtig für ein Modell, das zum Zeitpunkt des Verfassens erst seit einem Tag öffentlich war. Es bedeutet jedoch, dass jedes Argument für das Modell in diesem Artikel ein Argument aus dem Preis, aus der Auflösung oder aus der Architektur ist und keines davon ein Argument aus gemessener Qualität.{{/1}}

Prompt-Budget und was ein Modell im Kopf behalten kann

GPT Image 2.5 accepts a normal O​penAI prompt and, per O​penAI's documentation, up to sixteen input images; the practical constraint on complex edits is not a character count but the mechanics of the request — the mask must match the first image in size and carry an alpha channel, and the annotation layer for markup edits must match the first image's dimensions exactly. There is no published token ceiling for image prompts in the model's documentation, which means the ceiling you plan against is the API's, not the model's.

MiniMax-H3-Image publishes a specific and modest budget: 32,000 characters on the served API, of which only about the first 4,096 tokens take effect, and the local SGLang path truncates at 4,096 tokens outright. For a model whose pitch is instruction following, four thousand tokens is tight — a detailed brief with sixteen reference images referenced by position eats a large fraction of it. M​iniMax's answer is a companion model: MiniMax-H3-Image-PE, a 27B prompt expander that rewrites a short request into a long caption plus an aspect-ratio recommendation and emits it as JSON. It fits in about 19 GiB of VRAM. Its editing path is described as prompt-only, so it helps text-to-image today and not much else.

That asymmetry is worth naming because it changes what “prompt following” means for each. O​penAI's model takes the prompt you wrote. M​iniMax's takes the prompt you wrote, or a prompt another model rewrote for it, and either way it has less room to hold the instruction. If your workflow depends on long, structured briefs with many named references, that is a real constraint and it will show up before quality ever does.

Lizenz, Bindung und die Kosten der Geschlossenheit

GPT Image 2.5 is closed. There are no weights, no self-hosting, no checkpoint to pin, and the commercial terms are an API contract. What O​penAI's developer documentation does state is that API data is not used for training unless you opt in, that the images endpoints are listed as not used for training, and that the models are Zero Data Retention compatible. Ownership and commercial-use terms live in separate policies, not in the developer docs.

MiniMax-H3-Image ist offen, und seine Lizenz ist restriktiver, als das Wort vermuten lässt. Die MiniMax-H3-Image Community License Agreement schließt die Europäische Union, das Vereinigte Königreich, die Republik Korea und die Vereinigten Staaten per Definition aus; verlangt eine gesonderte schriftliche Genehmigung bei einem annualisierten Umsatz von mehr als einer Million US-Dollar; verlangt dasselbe für jeden gehosteten Dienst ohne Umsatzschwelle; verlangt, dass der Name des Modells auf kommerziellen Schnittstellen prominent angezeigt wird; und verbietet die Verwendung von Ausgaben zum Trainieren oder Verbessern anderer Modelle. Die Seite von Hugging Face stellt all dies als license: other.

Die übliche Einordnung kehrt sich hier also um. Das geschlossene Modell hat die einfacheren Bedingungen und die schwächere Bindung — Sie können gehen, Sie können nur die Gewichte nicht mitnehmen. Das offene Modell hat die härteren Bedingungen und die stärkere Bindung, denn eine Lizenz, die vier große Märkte ausschließt, ist eine Einschränkung für Ihr Geschäft, die durch noch so viele herunterladbare Gewichte nicht aufgewogen wird. Wenn ein selbst gehosteter Weg der Grund ist, warum Sie sich MiniMax-H3-Image ansehen, lesen Sie die Lizenz vor der Modellkarte.

Wenn das Ungemessene die richtige Entscheidung ist

Es gibt drei Fälle, in denen MiniMax-H3-Image die naheliegende Wahl ist, obwohl es kein Scoreboard hat, und keiner davon ist „weil es billiger ist“.

Das {{1}}erste{{/1}} ist die {{2}}Auflösung{{/2}}. Wenn Sie mehr als {{3}}8,29 Megapixel{{/3}} aus einer einzigen Generierung benötigen, ist {{4}}GPT Image 2.5{{/4}} aus dem Rennen und der Vergleich entschieden. {{5}}Sechzehn Megapixel{{/5}} zu {{6}}0,06879 ${{/6}} gegenüber dem Hochskalieren eines {{7}}8,29-MP{{/7}}-Bildes sind kein knappes Rennen.

Zweitens die Reproduzierbarkeit. Sechs Schritte, keine Anleitung, ein veröffentlichter Zeitplan in pdd_config.json, und Gewichte, die Sie herunterladen können. Wenn Sie ein Jahr von jetzt an auf Ihrer eigenen Hardware dieselbe Ausgabe aus derselben Eingabe benötigen, kann GPT Image 2.5 das nicht bieten und MiniMax-H3-Image schon, sofern die Lizenz es zulässt.

Das dritte ist das Volumen bei kleinen Größen. Bei 0,02179 $ gegenüber etwa 0,21 $ bei 1K steht eine Pipeline, die hunderttausend Thumbnails pro Monat erzeugt, vor einem Unterschied, der sich in Zehntausenden von Dollar messen lässt. Das ist genug Geld, um eine Woche lang einen eigenen Blindvergleich durchzuführen, und nur so werden aus diesen beiden Zahlen eine Entscheidung.

Everything else points the other way. If you need a model that will not surprise you, GPT Image 2.5 has two board placements with thirteen thousand votes each and six weeks of paying traffic behind them; MiniMax-H3-Image has a day. If you need a quality dial, O​penAI has six settings and M​iniMax has none. If you need a small image, O​penAI goes down to 655,360 pixels and M​iniMax does not go below about 4 MP. And if you need the current best in that family rather than the previous generation, the 2.6 variants are the same price.

OrcaRouter routes both GPT Image 2.5 variants — gpt-image-2.5-sunburst and gpt-image-2.5-flare — under one key, at provider list price with 0% markup passed through, so a cut or a retirement on O​penAI's side is reflected the day it happens rather than the next time you migrate a billing integration. We do not serve MiniMax-H3-Image; it has no route on our catalogue, and the honest path to it today is M​iniMax's own API or the 135 GB of downloads. What we can do in a comparison like this is keep the measured side cheap to test and easy to fail over from, which is the part of the decision that does not depend on an arena score.

Was würde daraus einen echten Vergleich machen?

Two things, and both are weeks rather than months away. The first is a MiniMax-H3-Image entry on an image arena with a few thousand samples, which will either confirm the price is a bargain or show it as what it currently is — an untested discount. The second is a per-image token figure from O​penAI at 2K and 4K, because the $0.21 estimate is a 1K number and the whole price argument shifts if the 4K multiplier is not what people assume.

Bis beide verfügbar sind, ist die Entscheidung ungewöhnlich klar: Kaufen Sie das maßvolle Modell für Arbeiten, die in moderater Auflösung ausgeliefert werden müssen, und behandeln Sie MiniMax-H3-Image als Kandidaten für die Aufgaben, die GPT Image 2.5 strukturell nicht erledigen kann – sechzehn Megapixel, exakte Reproduzierbarkeit oder Volumen, bei dem der Preisunterschied von zehn zu eins die Evaluierung mehrere Male wieder einspielt.