MiniMax-H3-Image vs. GPT Image 2.6: Was Sie bei jeder Anfrage tatsächlich ändern können

Die meisten Bildmodell-Vergleiche verwenden ihren Platz für Punktzahlen. Dieser verwendet ihn für Stellschrauben, denn MiniMax-H3-Image und G​PT Image 2.6 Sunburst konkurrieren nicht über denselben Regler. MiniMax-H3-Image ist ein offener Diffusionstransformer mit 33,1 Milliarden Parametern (Open-Weight), veröffentlicht am 10. November 2026, der einen festen Sechs-Schritt-Sampler ohne Guidance-Scale ausführt, bis zu sechzehn Referenzbilder akzeptiert und nativ bis zu sechzehn Megapixel erzeugt. G​PT Image 2.6 Sunburst — und sein schnelleres Geschwistermodell G​PT Image 2.6 Flare, beide am 4. November 2026 erschienen — ist ein geschlossenes gehostetes Modell, dessen jüngste Fortschritte vor allem darum gehen, was man ihm übergeben kann und was es zurückliefert: wiederverwendete Referenzbilder, markup-gesteuerte Bearbeitungen, GIF- und SVG-Ausgabe. Wenn Ihr Engpass die Steuerung einer langen Bearbeitungskette ist, ist eines davon offensichtlich die richtige Wahl. Wenn Ihr Engpass eine Auflösung oder eine Rechnung ist, dann das andere.

Beide verdienen es, ernst genommen zu werden. Sie scheitern lediglich in unterschiedliche Richtungen, und die Fehlermodi lassen sich allein an den Steueroberflächen ablesen.

Der Sampler ist auf der einen Seite ein Drehregler und auf der anderen eine Konstante.

MiniMax-H3-Image bietet Ihnen fast nichts zum Justieren und erzwingt das an der API-Grenze. Der Checkpoint ist CFG-distilliert auf sechs Funktionsauswertungen, was bedeutet, dass die üblichen zwei Stellschrauben der Diffusion – Schrittanzahl und Guidance Scale – in die Gewichte kollabiert wurden. Rufen Sie ihn mit num_inference_steps auf, das auf etwas anderes als sechs gesetzt ist, und die Anfrage kommt als HTTP 400 zurück. Setzen Sie guidance_scale auf etwas anderes als eins, wird sie auf dieselbe Weise abgelehnt. Senden Sie einen negative_prompt, wird er rundheraus abgelehnt, weil es keinen zweiten Forward-Pass gibt, auf den er wirken könnte.

Das klingt einschränkend und ist größtenteils eine Vereinfachung. Sechs Schritte sind schnell, bei gegebenem Seed deterministisch, und eine Fehlkonfiguration ist ausgeschlossen – es gibt keinen Fehler der Art „Ich habe die Schritte erhöht und es wurde schlechter“. Was dabei verloren geht, ist die Möglichkeit, innerhalb des Modells Qualität gegen Latenz zu tauschen, sowie jeder Negative-Prompt-Trick, den Sie angesammelt haben.

G​PT Image 2.6 behält eine eigene kleine Bedienoberfläche anstelle von Sampler-Reglern: einen Komplexität-Parameter, der standardmäßig auf hoch steht – das ist das, was bei beiden Modellen einem „härter nachdenken“-Schalter am nächsten kommt. Die dokumentierten Neuerungen für 2.6 betreffen Ein- und Ausgaben, nicht das Sampling – Referenzbilder, die über Folge-Bearbeitungen hinweg erhalten bleiben, sodass man sie nicht erneut hochladen muss, auf ein Referenzbild gezeichnete Markierungen, um eine Bearbeitung zu steuern, und zwei Ausgabeformate, die die vorherige Generation nicht bot.

• Schrittzahl — bei MiniMax-H3-Image fest auf sechs, andernfalls abgelehnt; GPT Image 2.6 bietet keine zugängliche Schrittzahlsteuerung.

• Anleitung — MiniMax-H3-Image legt guidance_scale auf eins fest; G​PT Image 2.6 bietet stattdessen complexity (Standard: hoch) an.

• Negative Prompts — von MiniMax-H3-Image mit einem 400 abgelehnt; keine dokumentierte Oberfläche bei GPT Image 2.6.

• Prompt-Budget – MiniMax-H3-Image schneidet bei 4.096 Tokens ab; die Prompt-Obergrenze von G​PT Image 2.6 ist auf seinen Modellseiten nicht veröffentlicht.

Sechzehn Referenzslots sind die umfangreichste Steuerung, die eines der beiden Modelle bietet.

Der größte einzelne funktionale Unterschied ist, wie viel Kontext sich der Bearbeitung voranstellen lässt. MiniMax-H3-Image akzeptiert bis zu sechzehn Referenzbilder in einer Anfrage, und die Modellkarte beschreibt den Bearbeitungsmodus als mit ungefähr derselben Wiedergabetreue arbeitend wie die Generierung – der vLLM-Omni-Port meldet 0,985 SSIM und etwa 35 dB PSNR gegenüber seiner eigenen Single-GPU-Referenz bei einer 2048²-Bearbeitung, was eher eine Prüfung der Selbstkonsistenz als eine Qualitätsbewertung ist, aber es bedeutet, dass der parallelisierte Pfad Ihre Ausgabe nicht stillschweigend verschlechtert.

Sechzehn Referenzen sind eine andere Größenordnung an Kontrolle als „ein Bild plus ein Satz“. Produktfotografie mit sechs Blickwinkeln, ein Style Sheet, ein Character Sheet und eine Brand Guideline können alle auf einmal hineingehen. Der Preis dieser Breite ist, dass Prompt-Engineering zu Context-Engineering wird: Bei sechzehn Bildern muss der Text sagen, welches Bild welches Attribut steuert, und das Modell kann nicht nachfragen.

Die Antwort von GPT Image 2.6 auf dasselbe Problem lautet Gedächtnis statt Breite. Referenzbilder bleiben innerhalb einer Sitzung über nachfolgende Bearbeitungen hinweg erhalten, sodass bei einer mehrstufigen Retusche das Original nicht jedes Mal erneut hochgeladen werden muss, und der markup-gesteuerte Bearbeitungspfad erlaubt es, auf einen Bereich zu zeigen, statt ihn zu beschreiben. Für iterative Arbeit an einem einzelnen Bild ist das eine bessere Schnittstelle als sechzehn statische Slots. Für ein einmaliges Komposit aus einem Dutzend Assets ist es das nicht.

Was wieder herauskommt

Die Ausgabeliste ist der Punkt, an dem GPT Image 2.6 jedes Open-Weight-Bildmodell übertrifft, einschließlich diesem hier. Version 2.6 hat neben den üblichen Rasterformaten auch animierte GIF-Ausgabe und SVG-Ausgabe hinzugefügt. Ein SVG-Ergebnis ist wichtiger, als es klingt: Es ist der Unterschied zwischen einem Bildmodell, das man nutzt, um einen Logo-Entwurf zu skizzieren, und einem, das man an ein Frontend weitergeben kann. MiniMax-H3-Image gibt PNG zurück – sein Serving-Pfad ist auf bitidentischen PNG-Vergleich validiert – und nichts in der vLLM-Omni-Pipeline oder der Modellkarte deutet auf Vektor- oder Animationsausgabe hin.

Bei der Auflösung ist es genau umgekehrt, und zwar deutlich. {{1}}MiniMax-H3-Image{{/1}} erzeugt nativ bis zu sechzehn Megapixel, in jedem Seitenverhältnis von quadratisch bis ultrabreit, ohne Upscaler dazwischen – 4096×4096 und 6272×2688 sind beides native Ausgaben. Der Arbeitsbereich liegt bei etwa vier bis zwanzig Megapixeln, wobei die Qualität nahe der Obergrenze am höchsten ist. Die Modellseiten von {{2}}G​PT Image 2.6{{/2}} dokumentieren Formate und den Umgang mit Referenzen, veröffentlichen aber keine maximale Pixelanzahl, daher ist das Auflösungsargument in diesem Vergleich, dass {{3}}M​iniMax{{/3}} eine Zahl veröffentlicht, während {{4}}O​penAI{{/4}} keine veröffentlicht – statt eines gemessenen direkten Vergleichs.

• Native Ausgabe — MiniMax-H3-Image bis zu 16 MP in jedem Seitenverhältnis, ohne Upscaler; GPT Image 2.6 dokumentiert kein Maximum.

• Formate — MiniMax-H3-Image gibt PNG zurück; G​PT Image 2.6 ergänzt GIF und SVG.

• Seitenverhältnisse — MiniMax-H3-Image akzeptiert jedes beliebige Breiten-Höhen-Paar; die verfügbaren Seitenverhältnisse von G​PT Image 2.6 sind auf der jeweiligen Modellseite nicht veröffentlicht.

• Eingabe für die Bearbeitung — MiniMax-H3-Image akzeptiert bis zu 16 Referenzbilder pro Anfrage; G​PT Image 2.6 behält Referenzen über mehrere Turns hinweg bei und akzeptiert gezeichnete Markierungen.

Die Rechnung, auf Basis der eigenen Rechenbeispiele jedes einzelnen Anbieters

Beide Anbieter rechnen Bilder als Tokens ab, wodurch die Listenpreise vergleichbar wirken und die Kosten pro Bild alles andere als ähnlich aussehen. M​iniMax veröffentlicht auf seiner Preisseite durchgerechnete Beispiele, daher ist dies Arithmetik mit ihren eigenen Zahlen und keine Herleitung:

• MiniMax-H3-Image 1024×1024, Text-zu-Bild — 0,02179 $ pro Bild, gegenüber 3,80 $ pro Million Ausgabe-Tokens.

• MiniMax-H3-Image 2048×2048 — 0,02333 $ pro Bild. Die Verdopplung der Pixel kostet einen halben Cent, weil die Token-Anzahl an diesem Ende des Bereichs deutlich langsamer wächst als die Fläche.

• MiniMax-H3-Image 4096×4096 — 0,06879 $ pro Bild, reduziert auf 0,03439 $ im Rahmen eines zeitlich begrenzten 50%-Angebots, das bis 17. November 2026, 16:00 UTC gilt und erfordert, dass das gelieferte Bild mindestens 16.600.000 Pixel umfasst.

• MiniMax-H3-Image-Bearbeitung, eine Referenz bei 1024×1024 — 0,02654 $ pro Bild, wobei Eingabebilder mit 1,50 $ pro Million Tokens und Eingabetext mit 2,30 $ berechnet werden.

• G​PT Image 2.6 — Ausgabe-Tokens zu $30 pro Million. Bei der Token-Anzahl, die O​penAIs eigene Dokumentation für ein 1024×1024-Ergebnis nahelegt, liegt das bei etwa 21 Cent pro Bild – rund zehnmal so viel wie der M​iniMax-Wert für dieselbe nominelle Größe.

Auch die Geschwindigkeiten unterscheiden sich, und hier sind die beiden Produkte nicht mehr austauschbar. Nach den Zahlen, die MiniMax zur Veröffentlichung vom 4. November genannt hat, liegt GPT Image 2.6 Flare bei einer Text-zu-Bild-Anfrage im Median bei etwa 30 Sekunden – gegenüber rund 55 bei der vorherigen Generation – und bei einer Bearbeitung bei etwa 32 Sekunden, gegenüber rund 58. Sunburst ist die langsamere, detailgetreuere Stufe und ist noch langsamer geworden – etwa 135 Sekunden gegenüber 113. Die Latenz von MiniMax-H3-Image selbst ist nur dort messbar, wo man es hostet: 0,88 Sekunden für ein 2048²-Bild auf vier H200s, 1,35 Sekunden für eine 2048²-Bearbeitung, laut offizieller Anleitung. Das sind nicht dieselben Arten von Zahlen – Latenz eines selbst gehosteten Knotens gegenüber dem Median eines verwalteten Endpunkts inklusive Warteschlange –, und sie in einem Satz so darzustellen, als wären sie es, wäre unehrlich. Was der Vergleich berechtigterweise aussagt, ist, dass eine gehostete 2.6-Anfrage Dutzende Sekunden dauert und eine lokale H3-Image-Anfrage unter zwei, sofern man die vier GPUs bereits besitzt.

Was die öffentliche Beweislage abdeckt und was nicht.

Artificial Analysis bewertet beide auf denselben zwei Boards, was dies zu einem der wenigen Punkte im Vergleich macht, an denen die beiden Seiten direkt vergleichbar sind, statt anhand von Datenblättern debattiert zu werden. Auf AA-Image-Editing v2.1 liegt G​PT Image 2.6 Sunburst bei 1.210 Elo über rund 6.400 Samples, Flare bei 1.206 über etwa 6.700 und MiniMax-H3-Image bei 1.138 in einem Rangband von acht bis siebzehn über rund 3.200 Samples. Auf AA-Image-T2I v2.1 wird der Abstand größer: Sunburst bei 1.261 auf Platz eins über 5.282 Samples gegenüber MiniMax-H3-Image bei 1.066 auf Rang dreiundzwanzig. Derselbe Vote-Pool, dieselbe Elo-Skala, rund siebzig Punkte Unterschied beim Editing und fast zweihundert bei der Generierung.

Liest man das ehrlich, sagt es zwei Dinge zugleich. MiniMax-H3-Image ist das höchstplatzierte Open-Weight-Modell auf der Editing-Bestenliste – vor Fibo 2.0 mit 1.085 und Qwen-Image-2.1 mit 1.084 –, sodass sein Qualitätsanspruch keine Behauptung mehr ist; er ist eine gemessene Zahl. Doch die Zahl liegt etwa siebzig Elo unter G​PT Image 2.6 Sunburst, und sein Intervall erstreckt sich über zehn Ränge, während Sunbursts Top-drei-Band das nicht tut. Auf der Achse, die beide Modelle am offensichtlichsten teilen, gewinnt G​PT Image 2.6, und auf der Bestenliste, auf der H3-Image schwächer ist, gewinnt es mit größerem Vorsprung. Das Argument der 16-Megapixel-Auflösung und der Zwei-Cent-Preis stehen weiterhin für sich; sie sind nur keine Qualitätsargumente.

Was dir keines der beiden Boards sagt, ist, wie viel von dem Vorsprung von GPT Image 2.6 übrig bleibt, wenn die Aufgabe diejenige ist, um die es in diesem Artikel geht – eine lange Bearbeitungskette mit vielen Referenzen und einem festen Sampler. Elo ist ein Aggregat über menschliche Präferenz bei unbekannten Prompts, und ein Modell kann in diesem Aggregat siebzig Punkte vorne liegen und trotzdem bei einem bestimmten Workflow verlieren. Der einzige Weg, das herauszufinden, besteht darin, deine eigenen Prompts durch beide laufen zu lassen, was die Empfehlung am Ende dieses Beitrags ist und kein Ausweichen in seiner Mitte.

Sie ohne einen zweiten Vertrag nebeneinander betreiben

Die praktische Schwierigkeit besteht darin, dass die meisten Teams nicht mit einem einzigen API-Aufruf auf eines der beiden Modelle zugreifen können. Der Day-one-Weg von MiniMax-H3-Image führt über Selbsthosting – ein Gesamtaufbau von 67B aus einem 33,1B-Transformer, einem unverändert aus dem Videomodell übernommenen 33,4B-Qwen3-VL-Textencoder und einem 0,58B-VAE, wobei der Sweet Spot von 16 Megapixeln bei voller Geschwindigkeit vier Rechenzentrums-GPUs erfordert. Es ist außerdem über die eigene API des Anbieters und mehrere Drittanbieter-Plattformen zu den oben genannten Token-Preisen verfügbar. G​PT Image 2.6 ist ausschließlich bei O​penAI erhältlich.

Wenn du die beiden mit deinen eigenen Prompts A/B testen willst, lautet die ehrliche Beschreibung der Routing-Schicht so: OrcaRouter bietet MiniMax-H3-Image noch nicht an und bietet auch weder G​PT Image 2.6 Sunburst noch Flare an. Was es anbietet, ist das vorherige G​PT-Image-Paar – gpt-image-2.5-sunburst und gpt-image-2.5-flare – zusammen mit gpt-image-2 und gpt-image-1.5, alle zum Listenpreis des Anbieters, ohne dass ein Aufschlag obendrauf weitergegeben wird. Das ergibt einen nützlichen Zwischentest: Baue den Harness gegen 2.5 über einen einzigen Schlüssel auf, bestätige, dass deine Evaluierung tatsächlich zwischen Sunbursts Wiedergabetreue und Flares Geschwindigkeit unterscheidet, und entscheide erst dann, ob das 2.6-Delta oder ein selbst gehostetes Open-Weight-Modell das ist, was du brauchst. Modellfusion ist die andere Option, die hier erwähnenswert ist – ein Panel von Modellen, die denselben Bild-Prompt beantworten, liefert dir pro Prompt eine Bandbreite an Ausgaben, ohne dass du drei Clients schreiben musst.

Der umgekehrte Fall ist übrigens bereits abgedeckt: minimax/minimax-h3, das Videomodell, aus dessen DiT und Textencoder MiniMax-H3-Image aufgebaut ist, ist heute routingfähig. Wenn Sie sich das Bildmodell deshalb ansehen, weil Sie bereits H3-Video betreiben, ist die Familie bereits mit einem einzigen Schlüssel erreichbar.

Welchen soll man wählen?

Wählen Sie MiniMax-H3-Image, wenn die Einschränkung bei Pixeln, Referenzen oder Stückkosten liegt: eine native Ausgabe mit 16 Megapixeln, sechzehn Eingabebilder und rund zwei Cent für eine 1024²-Generierung. Wählen Sie G​PT Image 2.6, wenn die Einschränkung in der Form der Ausgabe oder der Reibungslosigkeit eines Bearbeitungszyklus liegt: SVG und GIF am Ausgang, persistente Referenzen und gezeichnetes Markup am Eingang sowie ein Vorsprung von siebzig Elo auf dem Bearbeitungs-Board mit einem Top-Drei-Intervall dahinter.

Wähle keines der beiden mit Überzeugung, wenn du eigentlich einen Score für deine Prompts gebraucht hättest. Beide Modelle haben jetzt öffentliche Scores, und beide Scores sind Aggregate über die Prompts von jemand anderem; der Vergleich, der deinen Fall entscheidet, ist der, den du selbst durchführst – mit einer Rechnung, die an jeder Seite davon hängt. Was dir die Bestenliste verschafft, ist ein Prior – GPT Image 2.6 liegt vorn, und bei Text-to-Image liegt es so deutlich vorn, dass du erwarten solltest, es zu sehen. Was sie dir nicht verschaffen kann, ist die Antwort für ein Produkt-Composite mit sechzehn Referenzen bei vier Megapixeln, denn niemand hat diesen Vergleich veröffentlicht, und die Elo-Boards messen ihn nicht.