MiniMax-H3-Image vs. MiniMax-H3: Das eine ist ein Videomodell, das andere dessen Standbild-Ausschnitt

Das Ehrlichste an MiniMax-H3-Image ist seine Dateiliste. Sechsundsechzig Gigabyte Diffusion-Transformer, 2,34 GB VAE, zwölf Megabyte an Sampling-Heads pro Schritt – und nirgends im Repository ein Text-Encoder. Der Encoder fehlt nicht. Er ist ausgeliehen: model_index.json greift auf MiniMax-H3 zu, das 33B-omnimodale Videomodell, das M​iniMax am 31. Juli 2026 als Open Source veröffentlichte, und lädt text_encoder/ von dort, 66,7 GB Qwen3-VL, unverändert. Wenn MiniMax-H3 bereits auf Ihrer Festplatte liegt, kostet das Kodieren eines Prompts mit dem Bildmodell nichts extra. Wenn nicht, kostet Ihr erstes Standbild 135 GB an Downloads, und das zweite Modell in diesem Vergleich leistet echte Arbeit für das erste.

Diese eine Konfigurationszeile beschreibt die Beziehung zwischen den beiden Modellen und erklärt die meisten praktischen Unterschiede zwischen ihnen. MiniMax-H3-Image ist MiniMax-H3, wobei der Audio-Zweig entfernt, der Ausgabekopf von einem latenten Video auf ein latentes Bild umgerichtet und das Ganze auf sechs Sampling-Schritte destilliert wurde. Auf der Textseite hat sich nichts geändert. Der DiT liest sogar dieselben Hidden States der 50. Schicht aus demselben Encoder, weshalb die Tokenizer- und Prozessorordner byteidentisch sind und weshalb das Bildmodell H3s Umgang mit englischsprachigen Prompts übernimmt, ohne dass auf diesem Pfad eine Zeile neues Training nötig wäre.

Was es jetzt lohnenswert macht, darüber zu schreiben, ist die Art der Veröffentlichung und nicht ihr Inhalt. M​iniMax hat keinen Blogbeitrag für das Bildmodell veröffentlicht. Der Blog und der News-Index des Unternehmens enthalten nichts über das Bildmodell — der neueste Eintrag dort ist der M3.1-Flash-Beitrag vom 19. Oktober — und die Modellseiten führen weiterhin H3 als Videosystem an. Die einzige anbieterseitige Bestätigung, die wir finden konnten, ist eine Karte vom 10. November 2026 in der Modellveröffentlichungsliste der API-Dokumentation mit dem Text „Ein führendes Bildmodell mit offenen Gewichten. Von Ideen zu neuen Welten“ — ein Satz ohne Spezifikation, ohne Benchmark und ohne eigenes Datum. Das Hugging-Face-Repository wurde am 3. November erstellt, und die Gewichte gingen am 10. November um 14:50 UTC online. Zwei README-Überarbeitungen und eine vLLM-Omni-Deployment-Anleitung folgten innerhalb einer Stunde. Das ist eine stille Veröffentlichung: Die Artefakte sind real und herunterladbar, die Ankündigung nicht. Alles im Folgenden ist aus dem Repository, der Lizenzdatei und der eigenen Dokumentation von M​iniMax abgelesen, und wenn eine Zahl eine eigene, nicht reproduzierte Behauptung des Anbieters ist, sagen wir das.

Die beiden Modelle, zu den Konditionen, zu denen jedes tatsächlich verkauft wird

MiniMax-H3 ist ein universeller omni-modaler Generator. Er nimmt Text, Bilder, Video und Audio als einen einzigen gepackten Kontext auf und erzeugt 4 bis 15 Sekunden Video mit 24 Bildern pro Sekunde samt nativem 32-kHz-Stereo-Audio, nativ in 768p, mit einem separaten Regenerationsdurchlauf – H3-Regenerate-2K –, der das Ergebnis und den ursprünglichen Kontext erneut durch das Modell schickt, um 2K zu erreichen. Zwei Eingabevarianten sind wichtig: H3-Base-FL2VA nimmt null, ein oder zwei Bilder als erste/letzte Frames, und H3-Base-Ref2VA nimmt bis zu 9 Bilder, 3 Videoclips und 3 Audioclips, insgesamt begrenzt auf 12 Dateien. Ein gehosteter Preprocessor namens H3-Context-IR parst die gemischte Eingabe und schreibt sie in eine strukturierte Form um, und MiniMax stellt ausdrücklich klar, dass er nicht Teil der offenen Veröffentlichung ist, weil er von mehreren gehosteten Modellen abhängt.

MiniMax-H3-Image nimmt Text und bis zu 16 Referenzbilder entgegen und gibt ein Bild aus. Der Diffusions-Transformer hat 33,1 Mrd. Parameter – ein dichtes Single-Stream-Design, 50 Schichten, Hidden-Size 5.376, 56 Attention-Heads, FFN-Breite 14.336, 3D-multimodales RoPE, BF16-Gewichte mit FP32-Einbettung sowie Timestep- und Ausgabeschichten. Der Bild-VAE ist ein CNN-Encoder mit einem 24-schichtigen ViT-Decoder, 16-fachem räumlichem Downsampling und 24 latenten Kanälen; das DiT patchifiziert dieses Latent 2×2, sodass ein Transformer-Token einen 32×32-Pixel-Block abdeckt. Die Ausgabefläche reicht über die API bis zu 20 Megapixel, und das zentrale Versprechen der Karte sind rund 16 Megapixel bei jedem Seitenverhältnis – 4096×4096 bei 1:1 bis 6272×2688 bei 21:9, ohne Upscaler.

Lies diese beiden Absätze nebeneinander, und die Gabelung ist offensichtlich. Das Videomodell investiert seine Kapazität in Zeit und in eine zweite Modalität. Das Bildmodell investiert sie in Raum. Gleicher Stamm, unterschiedliches Ziel.

Sechs Schritte und kein Classifier-Free Guidance – das ist die eigentliche Ingenieursleistung.

Der Teil von MiniMax-H3-Image, der nicht bloß Subtraktion ist, ist die Destillation, und sie wird erzwungen statt empfohlen. Der Checkpoint führt sechs Sampling-Schritte aus – sechs NFEs – ganz ohne Classifier-Free-Guidance. Die bereitgestellte API behandelt diese nicht als Standardwerte: num_inference_steps muss weggelassen werden oder 6 sein, guidance_scale muss weggelassen werden oder 1 sein, und jeder andere Wert liefert HTTP 400. Negative Prompts werden rundweg abgelehnt. Eine separate Datei, pdd_fused_heads.safetensors, enthält Ausgabeköpfe pro Schritt, die die Ausgabeschicht des Transformers ersetzen, mit dem Zeitplan in pdd_config.json; das sind 12 MB der insgesamt 68,65 GB, die einen unverhältnismäßig großen Teil der Arbeit leisten.

Das ist der Unterschied zwischen einem Modell, das man hinter eine interaktive Oberfläche stellen kann, und einem, bei dem das nicht geht. Ein geführtes 30-Schritt-Diffusionsmodell bei 16 Megapixeln ist ein Batch-Job. Sechs ungeführte Schritte bei derselben Auflösung sind eine Anfrage. M​iniMax’ eigene Formulierung – „16-Megapixel-Bilder zu praktikablen Rechenkosten“ – ist eine Aussage über FLOPs pro Pixel, und der Sechs-Schritte-Plan ist die Art und Weise, wie diese Aussage eingelöst wird. Ob sie auf dem Qualitätsniveau standhält, das die Showcase-Bilder nahelegen, ist eine Frage, die kein Dritter beantwortet hat; Stand 10. November 2026 gibt es weder einen Artificial Analysis-Eintrag für MiniMax-H3-Image auf einem der beiden Image-Boards noch eine Anbieter-Evaluierungstabelle in der Model Card.

Für lokales Serving ist die Framework-Unterstützung für ein Modell, das noch so jung ist, ungewöhnlich vollständig. SGLang ist der Referenzpfad mit einem dokumentierten Cookbook; vLLM-Omni veröffentlicht ein Rezept mit hardware-spezifischen Konfigurationen und gemessener Latenz und nennt NVIDIA H200, RTX PRO 6000 Blackwell sowie AMD Instinct MI350X; diffusers und ComfyUI bieten beide Unterstützung. Sequenzparallelität ist ein Flag – --ulysses-degree bei SGLang, --usp bei vLLM-Omni – und eine einzelne GPU reicht für den Anfang. Der Textencoder ist der eigentliche Speicheraufwand, und es ist der Textencoder des Videomodells, was der Punkt dieses ganzen Vergleichs ist.

Zwei Messgeräte, und keines davon ist ein Token-Zähler, den man mit bloßem Auge ablesen kann.

MiniMax rechnet diese beiden Modelle in inkompatiblen Einheiten ab – darin liegt die Falle bei jeder Frage „Welches ist günstiger?“. H3 wird nach Sekunden der generierten Ausgabe abgerechnet, gestaffelt nach Auflösung: 0,08 $ pro Sekunde bei 768P, 0,13 $ pro Sekunde bei 2K, wobei Eingangsmaterial zusätzlich abgerechnet wird – die ersten fünf Referenzbilder sind kostenlos, danach kostet jedes weitere beim Basismodell 0,04 $, Audioeingang ist kostenlos, Referenzvideos werden mit ihrer eigenen Dauer in der Ausgabeauflösung abgerechnet. Ein 10-Sekunden-2K-Clip kostet 1,30 $ an Ausgabe, bevor Referenzen hinzukommen.

MiniMax-H3-Image wird in Tokens nach einem Tarif für die Bildausgabe abgerechnet. In der Standardstufe nennt die veröffentlichte Preisübersicht 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, und die eigenen Rechenbeispiele des Anbieters ergeben daraus:

• 1K (1024×1024) Text-zu-Bild — 0,02179 $ pro Bild.

• 2K (2048×2048) Text-zu-Bild — 0,02333 $ pro Bild.

• 4K (4096×4096) Text-zu-Bild — 0,06879 $ pro Bild, im Rahmen eines zeitlich begrenzten Rabatts von 50 % für 0,03439 $ gelistet.

• 1K-Bearbeitung mit einer Referenz — 0,02654 $; 2K — 0,02658 $; 4K — 0,07312 $, rabattiert auf 0,03656 $.

• 1K-Bearbeitung mit drei Referenzen – 0,03563 $; 2K – 0,04177 $; 4K – 0,07914 $, reduziert auf 0,03957 $.

Die Form dieser Staffel ist das Interessante. Sechzehnmal so viele Pixel kosten etwas mehr als das Dreifache an Geld, weil die Abrechnungseinheit Tokens sind und die Token-Anzahl nicht linear mit der Fläche skaliert, wie die Intuition vermuten lässt. Die Highspeed-Variante MiniMax-H3-Image-Highspeed verwendet identische Parameter und Limits und berechnet $7.60 pro Million Ausgabebild-Tokens – $0.03529 bei 1K, $0.13001 bei 4K vor demselben Rabatt. Der Rabatt gilt, wenn das gelieferte Bild mindestens 16.600.000 Pixel hat, und läuft bis zum 17. November 2026 um 16:00 UTC – der einzige datierte kommerzielle Fakt in der gesamten Veröffentlichung.

Stellt man die beiden Maßstäbe nebeneinander, bekommt die Gabel einen Preis. Eine Sekunde 768P-Video kostet 0,08 $; das günstigste MiniMax-Standbild liegt bei etwa 0,022 $. Ein viersekündiger Clip – die kürzeste Länge, die H3 erzeugt – kostet ungefähr so viel wie fünfzehn 1K-Bilder. Das ist kein Argument für eines der beiden Modelle. Es ist der Grund, warum „Was ist günstiger?“ keine Antwort hat, solange man nicht sagt, was man produziert.

Wo der Fork in einer realen Bereitstellung zuschlägt

Drei Asymmetrien sind wichtiger als die Benchmark-Frage.

Der erste Punkt ist die Eingabeverarbeitung. H3-Image nimmt bis zu 16 Referenzbilder in einem Edit auf und verweist positionsbasiert auf sie als <Picture 1>, <Picture 2> und so weiter, in Upload-Reihenfolge; der gesamte Request-Body ist auf 64 MiB begrenzt, und Base64 bläht eine Datei um etwa ein Drittel auf, sodass eine Anfrage mit 16 Bildern URLs oder vorab hochgeladene Dateireferenzen statt Inline-Daten verwenden muss. Der Referenzmodus von H3 ist ein ganz anderes Kaliber — 9 Bilder, 3 Videos, 3 Audioclips, 12 Dateien, alle in einer Sequenz mit zeitlicher Struktur zusammengepackt. Die Referenzverarbeitung keines der beiden Modelle ist eine Obermenge der des anderen.

Zweitens die Prompt-Länge. Die bereitgestellte API von H3-Image akzeptiert bis zu 32.000 Zeichen, doch bei deaktivierter Prompt-Erweiterung wirken nur ungefähr die ersten 4.096 Tokens; der lokale SGLang-Pfad schneidet bei 4.096 Tokens ab, Punkt. Das ist kein großes Budget für ein Modell, dessen Verkaufsargument das detaillierte Befolgen von Anweisungen ist, und genau deshalb gibt es überhaupt den begleitenden Prompt-Expander – MiniMax-H3-Image-PE, ein 27B-FP4-Fine-Tune von Qwen3.8-27B, das eine kurze Anfrage in eine lange Beschreibung plus eine Seitenverhältnis-Empfehlung umschreibt, veröffentlicht am 8. November und unter derselben Community-Lizenz stehend. Seine Bearbeitungshälfte erschien nur als Prompt; die Gewichte für die Expansion auf der Bearbeitungsseite gelten weiterhin als in Entwicklung.

Die dritte ist die Lizenz, und es handelt sich nur dem Namen nach um dieselbe Lizenz für beide Modelle. Die MiniMax-H3-Image Community License Agreement verlangt eine gesonderte vorherige schriftliche Genehmigung von MiniMax, wenn Ihr annualisierter Umsatz oder der Ihrer verbundenen Unternehmen eine Million US-Dollar übersteigt oder wenn Sie Dritten gehostete Dienste bereitstellen. Sie verlangt, dass Sie „MiniMax-H3-Image“ deutlich sichtbar auf der Benutzeroberfläche jedes kommerziellen Produkts anzeigen, das sie verwendet. Sie beschränkt die Nutzung auf das definierte Anwendungsgebiet, untersagt es, Ausgaben zur Verbesserung eines anderen KI-Modells zu verwenden, und erhebt keine Ansprüche auf die Ausgaben selbst. Die H3-Videolizenz ist eine eigenständige Vereinbarung mit eigenen Bedingungen. Wenn Sie ein Produkt auf beiden aufbauen, halten Sie zwei Lizenzen, nicht eine.

Was keines der beiden Modelle tut

MiniMax-H3-Image kann kein Video erstellen. Es hat keine zeitliche Achse, keinen Audiozweig, keinen Dauerparameter – der Audio-VAE fehlt schlicht in der Architektur, und die Ausgabe ist ein latentes Bild pro Anfrage, bis zu zehn pro Aufruf über die API. MiniMax-H3 kann kein 16-Megapixel-Standbild erstellen. Es generiert standardmäßig 768p und erreicht 2K über einen Regenerierungsdurchlauf; die Anforderung eines einzelnen 4096×4096-Frames ist keine unterstützte Anfrage. Wenn Ihre Pipeline ein Hero-Standbild und eine Fünf-Sekunden-Schleife mit synchronisiertem Dialog aus derselben visuellen Welt benötigt, rufen Sie zwei Modelle auf, und auf MiniMax' Plattform zahlen Sie an zwei unterschiedlichen Zählern.

Beide haben tatsächlich eine Gemeinsamkeit, die leicht übersehen wird: keinen Negative Prompt. H3-Image lehnt dieses Feld ab. Die Prompt-Führung von H3 lenkt über positive Beschreibung und über Context-IR statt über Ausschluss. Wer einen Stable-Diffusion-Workflow in eines der beiden Modelle überträgt, verliert diesen Hebel vom ersten Tag an.

Welchen anrufen?

Die ehrliche Arbeitsteilung richtet sich nach dem Lieferergebnis, nicht nach der Qualität. Wenn das Artefakt ein Standbild ist – ein Produktrendering, ein Keyframe, eine 16-Megapixel-Vorlage mit lesbarem Text darin –, ist MiniMax-H3-Image das Modell, und der Sechs-Schritt-Plan bedeutet, dass Sie es sich leisten können, daran zu iterieren. Wenn sich das Artefakt bewegt, ist H3 das Modell, und der Audiozweig ist der Grund, es dem Zusammensetzen von Standbildern zu einer Sequenz vorzuziehen.

Was eine Routing-Schicht hier ändert, ist enger, als es klingt, und es lohnt sich, es klar zu sagen: OrcaRouter bietet MiniMax-H3-Image nicht an. Das Modell hat am 10. November öffentliche Gewichte erreicht und hat keine Route in unserem Katalog; wenn Sie es heute wollen, bekommen Sie es über die eigene API von M​iniMax oder Sie führen den 68,65 GB großen Checkout selbst aus. Was wir aber anbieten, ist minimax/minimax-h3, das Videomodell, sekundengenau zum Listenpreis ohne Aufschlag abgerechnet — und die nützliche Eigenschaft für eine Pipeline mit zwei Modellen ist, dass derselbe Schlüssel, der H3 aufruft, auch die über 200 anderen Modelle auf der Plattform erreicht.

Worauf man achten muss, ist nicht, ob H3-Image gut ist. Sondern ob M​iniMax irgendetwas dazu sagt. Ein Modell, das mit Gewichten, einer Lizenz, einer Preisübersicht und vier Framework-Integrationen ausgeliefert wird, aber ohne Blogbeitrag und ohne Benchmark, ist ein Modell, dessen Behauptungen weiterhin ausschließlich die des Anbieters sind. Die erste unabhängige Platzierung auf einem Image-Board oder das erste direkte Duell gegen ein geschlossenes Modell bei gleicher Auflösung sagt Ihnen mehr als das Showcase-Grid. Bis dahin ist das Repository der Beleg, und der Beleg besagt: Dies ist H3 mit abgeschaltetem Ton.