MiniMax-H3-Image está disponible en tres plataformas: qué te ofrece realmente cada una

La frase verdadera más corta sobre MiniMax-H3-Image esta semana es que está disponible en tres lugares: Hugging Face, MiniMax Code y la propia API de MiniMax. La frase que un comprador realmente necesita es más concreta. Dos de esos tres te dan un endpoint de solicitudes y una lista de precios; uno te da 135 gigabytes de pesos, una licencia para leer y una decisión de hardware. No son tres variantes del mismo acceso, y tratarlos como intercambiables es como un equipo termina presupuestando una semana para algo que podría haber comprado por imagen por dos centavos.

El modelo en sí es un lanzamiento genuino y no un reempaquetado. MiniMax publicó los pesos en el repositorio de Hugging Face MiniMaxAI/MiniMax-H3-Image el 10 de noviembre de 2026 a las 14:50 UTC y publicó sobre ello a las 15:40 esa misma tarde; el repositorio en sí data del 3 de noviembre, lo que supone una semana en la que los pesos existieron de forma privada antes de que nadie pudiera descargarlos. Es un transformer de difusión de 33.100 millones de parámetros que genera a unos dieciséis megapíxeles, que es el "4K" del anuncio, y hace texto a imagen y edición guiada por referencia desde un único checkpoint. Lo que sigue está organizado en torno a la única pregunta que el anuncio no responde: en qué superficie deberías estar.

Tres puertas de entrada, y solo una de ellas es una descarga

Empieza por lo que es cada puerta, porque la diferencia es estructural, no cosmética.

La API es la ruta convencional. El modelo aparece listado como MiniMax-H3-Image con una variante Highspeed, en las plataformas internacional y de China continental de M​iniMax, con facturación por millón de tokens de entrada y salida en lugar de por imagen. La interfaz es inusualmente dogmática —seis pasos de muestreo, sin escala de guía, sin prompt negativo—, y la propia documentación de referencia de M​iniMax dice que una solicitud que pida cualquier otra cosa devuelve HTTP 400. Estás comprando un endpoint funcional con una receta fija incorporada.

M​iniMax Code y Hailuo AI son superficies de producto: el mismo modelo detrás de un cuadro de prompt, con las decisiones de muestreo ya tomadas y sin aritmética por token que tengas que hacer. Resultan útiles para evaluar si la salida es buena; no son útiles para construir nada, porque aquello contra lo que construirías no está expuesto. Ten en cuenta además que M​iniMax Code es un producto de agente de programación, así que la generación de imágenes allí es una puerta lateral en lugar de la función principal; no interpretes «disponible en M​iniMax Code» como una API de imágenes con un envoltorio de código.

Hugging Face es la tercera puerta, y es la única que consiste en una transferencia en lugar de un servicio. Obtienes un repositorio, un archivo de licencia y un conjunto de pesos que ahora tienes que hacer funcionar. El autoalojamiento es la razón por la que la mayoría de los equipos se fijan siquiera en un modelo de imagen de pesos abiertos; también es donde la aritmética deja de girar en torno al modelo y empieza a girar en torno a tu rack.

El repositorio es más pesado de lo que sugiere la cifra de parámetros destacada.

33,1 mil millones de parámetros en BF16 son unos 66 GB antes de contar cualquier otra cosa, y «cualquier otra cosa» es donde el repositorio sorprende a la gente. Solo el transformador de difusión ocupa 66,28 GB. La descarga completa es de 68,65 GB, lo que abarca el transformador más el VAE y la configuración. El codificador de texto no está en esa cifra: MiniMax-H3-Image reutiliza el codificador de texto Qwen3-VL del repositorio de vídeo MiniMax-H3, lee de su capa 50, y ese codificador es una descarga aparte de 66,7 GB. En otras palabras, calcule aproximadamente 135 GB de artefactos en disco antes de la primera imagen, y eso es antes de la propia caché de cualquier framework.

La arquitectura merece un párrafo porque dice qué es el modelo. Cincuenta capas de transformer, tamaño oculto de 5,376, 56 cabezas de atención, anchura feed-forward de 14,336, con embeddings de posición rotatorios multimodales tridimensionales. El VAE es un codificador convolucional emparejado con un decodificador ViT bidimensional de 24 capas con un submuestreo espacial de 16× y 24 canales latentes —una elección de decodificador que cuesta más cómputo al final del pipeline que un decodificador convolucional simple, y es plausible que de ahí provenga parte del detalle fino en 4K—. El diseño se describe en la ficha del modelo como la arquitectura H3 sin audio, lo cual es un resumen justo: esta es la rama de imagen del modelo de vídeo, distribuida por separado.

De esto se derivan dos consecuencias. Primero, un transformer de difusión de clase 33B a dieciséis megapíxeles no es un modelo para portátil, por mucho que la cifra de parámetros suene a algo modesto junto a los modelos de lenguaje modernos; la memoria de activaciones escala con el área de salida, y el área es precisamente el punto central de este lanzamiento. Segundo, como el codificador de texto se comparte con el modelo de vídeo, un estudio que ya ejecute MiniMax-H3 ya tiene en disco la mayor parte de la descarga. Es un descuento real, y es el tipo de cosa que la frase «disponible en Hugging Face» no transmite.

Cuatro formas de servirlo, y una cifra que no cuadra

La ficha del modelo enumera cuatro rutas: SGLang, vLLM-Omni, diffusers y ComfyUI. El equipo de vLLM incluyó soporte desde el día cero en vLLM-Omni para hardware tanto de NVIDIA como de AMD el día del lanzamiento, con salida nativa de aproximadamente dieciséis megapíxeles, lo que es una señal de lanzamiento más fuerte que la mera existencia de los pesos: alguien fuera de MiniMax ya lo tenía funcionando antes de que se cumpliera una hora desde el anuncio. Diffusers cubre la ruta de referencia, y ComfyUI cubre a los usuarios de grafos de flujo de trabajo.

La discrepancia merece señalarse porque a alguien le va a afectar. La ficha del modelo describe la edición con hasta 16 imágenes de referencia, direccionadas por posición como <Picture 1> hasta <Picture 16> en el orden de carga. La receta de lanzamiento de vLLM-Omni para el mismo modelo documenta hasta 9 imágenes por solicitud. Ambas cosas pueden ser ciertas a la vez —el límite de servicio de un framework y la capacidad entrenada de un modelo son cifras distintas, y una restricción de batching o de memoria en la pila de servicio será la que limite primero—, pero si tu flujo de trabajo necesita doce referencias, la respuesta honesta hoy es que la capacidad existe y que la ruta de servicio documentada puede no soportarla. Comprueba la cifra en tu propia pila en lugar de confiar en cualquiera de los dos documentos.

La misma precaución se aplica a la ventana de prompt. La tarjeta acepta hasta 32.000 caracteres, de los cuales aproximadamente los primeros 4.096 tokens son en los que el modelo realmente se basa. Un prompt largo no se rechaza; la cola simplemente no está haciendo trabajo. Quien traslade un prompt detallado de dirección de arte por costumbre adquirida con modelos de lenguaje lo descubrirá a su costa.

El sampler es una restricción que heredas, no un ajuste que calibras.

Seis pasos, sin guiado libre de clasificador, sin prompts negativos. Eso no es un valor predeterminado con margen para subir; la API rechaza de plano otros números de pasos y valores de guiado. El modelo está destilado para ejecutarse en seis pasadas hacia adelante, y la razón principal por la que un transformer de 33B puede devolver una imagen de dieciséis megapíxeles lo bastante rápido como para ser útil es esa destilación.

Para la ruta de API esto es invisible y no supone ningún problema. Para la ruta autoalojada es, por partida doble, el número más útil de la ficha técnica. Limita el cómputo por imagen a seis evaluaciones del transformer en lugar de las veinticinco a cincuenta que necesitaría un modelo no destilado, que es lo que hace que dieciséis megapíxeles sea viable siquiera. Y significa que el habitual bucle de ajuste del autoalojamiento —probar más pasos, añadir guidance, añadir un prompt negativo, iterar— aquí no existe. Si la calidad de salida decepciona, las palancas son el prompt y las referencias, no el sampler. Los equipos que reservan una semana para «ajustar el modelo» deberían reservarla para trabajar los prompts.

Cuánto cuesta cada ruta, en las unidades en las que realmente se factura

La API factura por tokens, y los ejemplos prácticos de la propia tarjeta son la forma más clara de interpretarlo. Una solicitud de texto a imagen de 1.024×1.024 cuesta 0,02179 $. Una solicitud de 2.048×2.048 cuesta 0,02333 $: 1,07 veces el precio por cuatro veces los píxeles, porque el número de tokens crece mucho más despacio que el área. Una solicitud de 4.096×4.096 cuesta 0,06879 $ de lista, y 0,03439 $ con un descuento del 50 % por tiempo limitado vigente hasta el 17 de noviembre de 2026 a las 16:00 UTC y que requiere que la imagen entregada tenga al menos 16.600.000 píxeles. Las tarifas del nivel Standard son 2,30 $ por millón de tokens de texto de entrada, 1,50 $ por millón de tokens de imagen de entrada y 3,80 $ por millón de tokens de imagen de salida; el nivel Highspeed mantiene las tarifas de entrada y cobra 7,60 $ por la salida.

Lee esos tres números en conjunto y el argumento de precio a favor del 4K prácticamente se desvanece. Cuatro veces los píxeles por 1,07 veces el precio en el escalón de 2K es un regalo; pasar de 2K a 4K cuesta alrededor de tres veces más por el mismo aumento cuádruple de área, y solo el descuento lo devuelve cerca del precio de 2K. Si tu caso de uso no necesita 4.096 píxeles por lado, el nivel de 2K es donde este modelo resulta económico.

OrcaRouter no ofrece MiniMax-H3-Image — no hay ninguna ruta para él aquí, y el CTA de este artículo apunta al modelo hermano de vídeo, minimax/minimax-h3, que sí enrutamos. Lo que sí ofrecemos es relevante para el día en que exista la ruta: 0 % de recargo, con el precio de lista del proveedor trasladado tal cual, lo que significa que un cambio de precio del proveedor, como ese descuento en 4K, llega a tu factura el mismo día en que llega a la página del proveedor, y conmutación por error automática si se degrada la ruta de un proveedor. Hasta entonces, la comparación que importa es el gasto en API frente a tu propio hardware, y ninguna capa de enrutamiento cambia esa aritmética.

Autoalojamiento, con precios honestos

Nadie puede darte un coste por imagen de autohospedaje sin saber qué GPU tienes, porque el término dominante es si 135 GB de pesos caben en memoria o tienen que descargarse. Lo que sí se puede decir con precisión: el muestreador de seis pasos fija el cómputo, la salida de dieciséis megapíxeles fija el presupuesto de activaciones, y ambos son grandes. Una sola tarjeta de 80 GB albergará el transformer, pero no el transformer más el codificador Qwen3-VL a precisión completa, así que las configuraciones realistas son varias GPU, o descargar el codificador, o un transformer cuantizado con una incógnita de calidad asociada. Añade consumo eléctrico, añade la semana de ingeniero para poner SGLang o vLLM-Omni en servicio correctamente, y el punto de equilibrio frente a $0.02333 por imagen 2K es una cifra de volumen del orden de cientos de miles de imágenes, no de decenas.

Cuál es el argumento a favor de la API en la mayoría de los casos y el argumento a favor de los pesos en unos pocos: una tienda que necesita el modelo dentro de su propio perímetro por razones de datos, o una que ya ejecuta MiniMax-H3 y tiene el codificador, o una que genera a un volumen en el que el coste fijo se amortiza. Todos los demás deberían valorar primero la API y autoalojar solo si el perímetro realmente lo requiere.

Leer la licencia antes de la descarga, no después

Los pesos se publican bajo el Acuerdo de Licencia Comunitaria MiniMax-H3-Image, que no es Apache 2.0 ni MIT. «Open-weight» es preciso; «open-source» es la palabra que mete a los equipos en problemas, y este es el punto del proceso en el que un abogado debería leer el archivo real en lugar de una entrada de blog —incluida esta—. La cuestión práctica es el uso comercial a escala y si la licencia conlleva términos que se adhieran a tu producto, y esa cuestión tiene una respuesta en el repositorio que ningún resumen puede suplir.

Hay un segundo artefacto más pequeño que vale la pena conocer: M​iniMax incluye un componente Context-IR para el modelo, y un modelo ampliador de prompts opcional, MiniMax-H3-Image-PE. El ampliador explica en parte por qué el modelo tolera prompts largos y detallados; es opcional, es independiente de los 68.65 GB y es el tipo de cosa que uno encuentra en el listado de un repositorio más que en un anuncio.

Qué revisar en tu propio stack esta semana

• Referencias — confirma si tu ruta de servicio admite 16 imágenes o las 9 que documenta la receta de vLLM-Omni, con una solicitud real en lugar de leer la documentación.

• Área efectiva — el modelo se ejecutará por debajo de dieciséis megapíxeles, y la configuración expone un área mínima de generación que por defecto es de 4.194.304 píxeles. Pruebe el extremo pequeño si su caso de uso son miniaturas, porque un modelo de este tamaño puede que no sea la opción económica a 1K.

• Memoria: mide el pico de VRAM a 4.096×4.096 antes de comprar hardware. Seis pasos son cómputo barato; las activaciones no.

• Cuenta atrás del descuento: si el plan es 4K, la tarifa del 50 % termina el 17 de noviembre de 2026 a las 16:00 UTC, y el que estés en la API o en tu propio hardware decide si ese plazo te afecta.

• Licencia — léela. La descarga son 135 GB y la decisión es reversible; la licencia no lo es.

Lo interesante de este lanzamiento no es que haya aparecido un buen modelo de imágenes abierto, sino que, por primera vez en mucho tiempo, apareció uno con los pesos, las recetas del framework y el endpoint alojado llegando todos en la misma semana. Esa es una señal más fuerte que un gráfico de benchmarks, porque significa que el modelo funciona. Que debas ejecutarlo o llamarlo depende enteramente de cuál de las tres puertas cruces, y esas tres puertas están mucho más separadas de lo que el anuncio hace parecer.