MiniMax-H3-Image: 16 megapíxeles en 10 segundos es una afirmación, todavía no una medición

Diez segundos para una imagen de dieciséis megapíxeles no es una afirmación sobre calidad. Es una afirmación sobre cómo se planifica un modelo, y es la única parte del lanzamiento de MiniMax-H3-Image que un usuario puede comprobar en una tarde. MiniMax anunció el modelo el 10 de noviembre de 2026 con una publicación breve que abre exactamente con esa cifra: salida en 4K, aproximadamente dieciséis millones de píxeles, hasta dieciséis imágenes de referencia, en diez segundos, con pesos abiertos y la propia API del proveedor, MiniMax Code y Hailuo como vías de acceso. Lo que el anuncio no incluye es ni una sola medición de latencia, ni un solo benchmark de calidad, ni un enlace a una entrada de blog que explique cómo se logró algo de eso. Los bytes son reales —68,65 GB en Hugging Face, más un codificador de texto tomado de un segundo repositorio— y también lo es la lista de precios. Los diez segundos son una promesa. Esto es sobre lo que se construye la promesa, lo que cuesta y lo que tendrías que ejecutar para saber si se cumple en tu propio hardware.

Merece la pena decir las fechas sin rodeos, porque el despliegue fue inusual. El repositorio de Hugging Face para MiniMax-H3-Image se creó el 3 de noviembre de 2026 y quedó vacío. Los pesos llegaron el 10 de noviembre a las 14:50 UTC. Ese mismo día, la documentación de la API de MiniMax incorporó una tarjeta de notas de la versión titulada «MiniMax H3 Image» con la frase «Un modelo de imagen de pesos abiertos líder. De las ideas a nuevos mundos» —una frase sin ninguna especificación—, y el blog y el índice de noticias de la propia empresa siguen sin contener nada en absoluto sobre el modelo de imagen. Así que el modelo se lanzó en silencio y luego se anunció, en ese orden, que es lo contrario de cómo ocurren la mayoría de los lanzamientos y la razón por la que el anuncio parece texto de marketing atornillado a un checkpoint que ya se podía descargar.

De dónde podrían provenir plausiblemente diez segundos

La mayor parte de la explicación está en el listado de archivos y no en la publicación. MiniMax-H3-Image es un transformer de difusión denso de 33,1B —50 capas, tamaño oculto de 5.376, 56 cabezas de atención, ancho de FFN de 14.336, RoPE multimodal 3D— y está destilado a seis pasos de muestreo sin ninguna guía libre de clasificador. Eso no es un valor predeterminado que quien llama pueda ajustar. La API servida rechaza cualquier cosa excepto num_inference_steps=6 y guidance_scale=1 con un HTTP 400, y los prompts negativos se rechazan de plano. Un archivo separado de 12 MB, pdd_fused_heads.safetensors, contiene cabezas de salida por paso que reemplazan la capa de salida del transformer, con la programación en pdd_config.json.

Seis pasadas sin guiado son la razón por la que la cifra de diez segundos no es absurda. Un muestreador guiado de 30 pasos a dieciséis megapíxeles es un trabajo por lotes; seis pasos en la misma área es una petición. Que llegue a diez segundos depende enteramente del acelerador, de la configuración de paralelismo de secuencia y de la resolución que se solicite realmente, y ninguna de esas tres cosas aparece en el anuncio. La propia ficha del modelo de MiniMax no indica en ningún lugar el tiempo de generación. La cifra existe en un solo lugar: la publicación de lanzamiento.

Lo que la tarjeta sí especifica, con más detalle que la publicación, es la geometría. La salida llega a unos 16 megapíxeles en cada relación de aspecto —4096×4096 en 1:1, 4736×3552 en 4:3, 5024×3360 en 3:2, 5472×3072 en 16:9, 6272×2688 en 21:9—, sin un escalador independiente en el proceso. La API limita el área de salida a 20 megapíxeles, y la tarjeta describe el rango práctico de trabajo como de aproximadamente 4 a 20 megapíxeles. La edición admite hasta 16 imágenes de referencia, referenciadas posicionalmente en el prompt como <Imagen 1> a <Imagen 16> en el orden de carga. Los prompts llegan a los 32.000 caracteres en la API servida, aunque solo los primeros 4096 tokens, aproximadamente, surten efecto.

Las afirmaciones, junto con la evidencia que existe para ellas.

• Resolución — “16 millones de píxeles” y 4K: indicado en la publicación y reproducido en la tabla de tamaños de la tarjeta. No se midió de forma independiente, pero esto se puede comprobar trivialmente generando una imagen y leyendo sus dimensiones.

• Velocidad — «todo en 10 segundos»: según el fabricante, sin especificar el hardware y sin tiempos de terceros publicados a fecha de 11 de noviembre de 2026. La ficha no ofrece ninguna cifra en absoluto.

• Seguimiento de prompts — «seguimiento preciso de prompts»: una afirmación cualitativa. La formulación más contundente de la ficha es «el seguimiento de instrucciones más fuerte entre los modelos de código abierto», que es una comparación sin tabla adjunta.

• Edición — «hasta 16 imágenes de referencia»: confirmado en la tarjeta y en la documentación de la API, y contradicho en un detalle por la receta del primer día de vLLM-Omni, que documenta hasta 9 imágenes por solicitud en su ruta. Considera 16 como el límite máximo del modelo y 9 como lo que ejercita la receta del framework.

• Peso abierto: es cierto, y resulta determinante de un modo que la publicación no explica: los pesos son abiertos bajo una licencia con condiciones territoriales y de ingresos, no bajo una licencia aprobada por la OSI. Más sobre esto a continuación.

Cuánto cuesta y un descuento al que le quedan seis días

Las condiciones comerciales son lo más concreto del lanzamiento. La facturación se basa en tokens según una tarifa de salida de imágenes: 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 en el nivel estándar. Los propios ejemplos resueltos de MiniMax lo convierten en una escala inusualmente plana, porque la métrica son los tokens y la cantidad de tokens no escala con el área como sugiere la intuición:

• 1K texto a imagen — $0.02179 por imagen.
• 2K texto a imagen — $0.02333.
• 4K texto a imagen — $0.06879 de precio de lista, $0.03439 mientras se mantenga el descuento actual.
• Edición 1K con una referencia — $0.02654; 2K — $0.02658; 4K — $0.07312, con descuento a $0.03656.
• Edición 1K con tres referencias — $0.03563; 2K — $0.04177; 4K — $0.07914, con descuento a $0.03957.

Dieciséis veces los píxeles por poco más de tres veces el dinero es la proporción que hay que recordar, porque es donde el modelo se diferencia de verdad: a 4K, el checkpoint de pesos abiertos cuesta aproximadamente una octava parte de un frame de FLUX 3 Image 4K y alrededor de una quinta parte de un frame de Nano Banana 2.1 4K a precio de lista.

El descuento es real y es temporal. La reducción del 50 % se aplica solo cuando la imagen entregada tiene al menos 16.600.000 píxeles, cubre el total completo de la solicitud y vence el 17 de noviembre de 2026 a las 16:00 UTC —seis días después de que subieran los pesos. Quien presupueste una canalización con $0,03439 está presupuestando con una promoción. Presupuesta a $0,06879 y considera el descuento como margen.

Hay un segundo nivel, más rápido. MiniMax-H3-Image-Highspeed acepta parámetros y límites idénticos y cobra $7.60 por millón de tokens de imagen de salida: $0.03529 a 1K, $0.03622 a 2K, $0.13001 a 4K antes de que el mismo descuento lo reduzca a la mitad, a $0.06501. Si la afirmación de los diez segundos es la razón por la que te interesa, Highspeed es la variante que tiene que ser verdadera para que importe — y MiniMax no publica ninguna diferencia de latencia entre las dos.

“Open weight” aquí significa una licencia que tienes que leer.

Los pesos se pueden descargar y la arquitectura está documentada, lo que es más de lo que ofrecen la mayoría de los modelos de imagen de vanguardia. La licencia es donde la palabra “open” deja de hacer el trabajo que la gente espera. MiniMax-H3-Image se distribuye bajo el MiniMax-H3-Image Community License Agreement, y los términos que determinan los despliegues no son notas al pie:

• Territorio. La definición de territorio excluido de la licencia abarca la Unión Europea, el Reino Unido, la República de Corea y los Estados Unidos, lo que representa una gran parte del mercado de un modelo de imágenes comercial.

• Escala. Se requiere autorización previa por escrito por separado para ingresos anualizados superiores a un millón de dólares estadounidenses.

• Alojamiento. El mismo requisito de autorización se aplica a ofrecer el modelo como servicio alojado, sin ningún umbral mínimo de ingresos en absoluto —una cláusula dirigida directamente al modelo de revendedor de API.

• Atribución. Las interfaces comerciales que utilicen el modelo deben mostrar «MiniMax-H3-Image» de forma destacada.

• Aguas abajo. Los resultados no podrán utilizarse para entrenar ni mejorar otros modelos.

La página de Hugging Face presenta esto como una sola línea que dice license: other, lo que es técnicamente correcto y prácticamente inútil. Si estás evaluando el modelo para un producto en lugar de para un notebook, el archivo de licencia es lo primero que hay que leer y posiblemente el motivo para detenerse.

Lo que realmente te cuesta ejecutar los pesos abiertos

68,65 GB de transformer y VAE, más un codificador de texto que no está en el repositorio. model_index.jsonse adentra en el modelo de vídeo MiniMax-H3 y carga text_encoder/ desde allí — 66,7 GB de Qwen3-VL, sin cambios. Por lo tanto, una primera generación local supone una descarga de aproximadamente 135 GB entre dos repositorios, y el codificador es la mitad más grande.

La historia del framework es excepcionalmente buena para un checkpoint tan reciente, y llegó el primer día en lugar de hacerlo a lo largo del mes siguiente. SGLang es la ruta de referencia, con un recetario documentado y un comando para una sola GPU; el paralelismo de secuencia es un flag (--ulysses-degree en SGLang, --usp en vLLM-Omni); vLLM-Omni publica recetas por hardware que especifican NVIDIA H200, RTX PRO 6000 Blackwell y AMD Instinct MI350X; tanto diffusers como ComfyUI lo admiten. La propia guía de servicio de MiniMax apunta a multi-GPU para lograr una latencia aceptable a resolución completa, lo cual es lo más cerca que está el proveedor de reconocer que diez segundos son una configuración, no una constante.

Para la mayoría de los equipos, la aritmética que sigue resulta incómoda. A 0,02179 $ por una imagen de 1K y 0,06879 $ por una de 4K, la API alojada es más barata que la electricidad y la amortización durante mucho tiempo. La razón para elegir los 135 GB es el control: un muestreador fijo de seis pasos que puedes reproducir exactamente, una licencia sobre la que puedes razonar y ninguna dependencia de la cola de un proveedor en el momento en que necesitas rendimiento.

Tres pruebas que vale la pena ejecutar antes de hacer commit

El primero es el barato: genera diez veces el mismo prompt 4K a través de la API de MiniMax, registra el tiempo real por solicitud y las dimensiones en píxeles de cada respuesta. Eso zanja ambas cifras principales —los diez segundos y los dieciséis megapíxeles— con tu propia red y la longitud de tus propios prompts, en menos de una hora y por bastante menos de un dólar.

El segundo es la prueba de identidad, y es donde dieciséis referencias o justifican su presencia o no. Introduce de ocho a dieciséis fotogramas de un mismo sujeto desde ángulos variados, pide una escena nueva y observa si el rostro, el tejido y el logotipo se mantienen. Las ranuras posicionales están menos estructuradas que las referencias con tipo —no hay forma de indicarle al modelo qué imagen es el personaje y cuál es la chaqueta—, así que la prueba consiste en determinar si la posición por sí sola basta para transmitir esa intención.

El tercero es el que nadie puede hacer por ti: un A/B contra lo que uses ahora, con tus propios prompts, a ciegas. MiniMax-H3-Image no tiene entrada en ninguno de los dos rankings de imágenes de Artificial Analysis a fecha de 11 de noviembre de 2026 —ni una baja, ninguna— y tampoco tabla de evaluación del proveedor. Sin GenEval, sin DPG-Bench, sin cifras de preferencia humana. La cuadrícula de ejemplos de la tarjeta del modelo es la única prueba de calidad de salida que existe, y una cuadrícula de ejemplos está diseñada para verse bien. Una semana de tus propias comparaciones te dirá más de lo que puede decirte la publicación de lanzamiento.

Dónde deja esto al lanzamiento

El resumen honesto es que MiniMax-H3-Image es un checkpoint real con una historia de despliegue inusualmente completa, una escalera de precios que en 4K resulta mucho más barata que los modelos cerrados por un amplio margen, y una cifra titular que nadie fuera de la empresa ha verificado. La afirmación sobre la velocidad es plausible por motivos arquitectónicos —seis pasos sin guía pertenecen genuinamente a una clase de coste distinta a la de un muestreador guiado de treinta pasos—, y la plausibilidad no es evidencia.

Lo que cambiaría el panorama es específico y probablemente falte semanas para verlo: una posición independiente en una clasificación de imágenes con un recuento de muestras adjunto, un tercero que mida los tiempos de la ruta 4K en hardware identificado y un análisis de cómo se comportan dieciséis referencias posicionales bajo una presión real de identidad. Hasta entonces, la postura útil es una ruta candidata más que un reemplazo: ejecútala junto al modelo en el que confías, con un conjunto fijo de prompts, y deja que las imágenes decidan.

OrcaRouter no sirve MiniMax-H3-Image hoy; no hay ruta para él en nuestro catálogo, y decir lo contrario sería el tipo de afirmación contra la que argumenta este artículo. Lo que sí tenemos de la misma familia es el modelo de vídeo, minimax/minimax-h3, a precio de lista del proveedor con un 0 % de margen repercutido — lo que significa que un cambio de precio de MiniMax, incluido el descuento 4K y su caducidad, se aplica aquí el mismo día en que ocurre, en lugar de en la siguiente migración de facturación. Si el modelo de imagen llega al catálogo, llegará con las mismas condiciones. Hasta entonces, este depende de la propia API de MiniMax o de tus propias GPU.