MiniMax-H3-Image-PE: MiniMax lanzó un expansor de prompts de 27B para su modelo de imágenes y no se lo dijo a nadie

There is no launch post for MiniMax-H3-Image-PE. There is no entry on M​iniMax's news feed, no blog, no changelog line, no social post — on 2026-11-11 the company's news index lists H3, M3.1 Flash, Speech 2.8 and Music 3.0, and nothing about images at all. What exists instead is a Hugging Face repository whose first commit is timestamped 2026-11-10 at 14:38 UTC, a model card that never states a release date, and a license file dated November 10, 2026. That is the whole announcement. MiniMax-H3-Image-PE is a prompt-expansion model — a caption writer — built to feed its sibling MiniMax-H3-Image, the open-weights 33.1B image generator M​iniMax published on 2026-11-03. The image model got eight days of quiet; its prompt expander has had one. Everything below that carries a number comes from those two repositories, the license text, or M​iniMax's own API documentation, and where something is not knowable from those sources it is marked as such rather than guessed. MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter as of 2026-11-11, so this is a self-hosted evaluation. the catalogue The rest of the catalogue is one key away when you want to compare the expansion against a text model you already trust.

The short version, for anyone deciding whether to care: this model does not draw anything. You give it a sentence, it gives you back a long English description of the image you meant plus a recommended aspect ratio, wrapped in a two-key JSON object. A 27B model exists to write that paragraph because MiniMax-H3-Image is unusually fussy about its input — the parent card says it "expects a detailed English description of the whole image" and truncates anything past 4096 tokens. If you have ever typed six words into an image model and gotten six words' worth of thinking back, that gap is what this repository is trying to close, and on 2026-11-10 M​iniMax open-sourced its side of the fix.

¿Qué hay realmente en el repositorio y qué dicen las marcas de tiempo?

The repository is MiniMaxAI/MiniMax-H3-Image-PE on Hugging Face. Its creation timestamp is 2026-11-08 15:35 UTC; its first commit — unhelpfully titled "Init MiniMaxAI/MiniMax-H3-Image-PE" — landed two days later, on 2026-11-10 at 14:38 UTC, authored by M​iniMax staff accounts ryanlee-dev and 500kg. A second commit followed 38 minutes later adding a Diffusers usage section, and that one is a pull request merged from Hugging Face's own multimodalart, which tells you the diffusers integration was contributed from outside M​iniMax rather than shipped by it. Three pull requests were opened against the repo on its first day, all closed or merged. None of them is an announcement.

What is inside is a checkpoint in four safetensors shards totalling roughly 17.9 GB, a tokenizer, a chat template, a quantisation config, and — the part that matters more than the weights — a prompt/ directory containing the actual system prompt, task prompt and request parameters M​iniMax uses. There is also a single client script, scripts/expand_prompt.py. The repository declares 27.4B parameters in total across two tensor types: about 25.6B stored as U8 and 1.76B left in BF16. That split is explained by the quantisation config, which records NVFP4 with a group size of 16 and lists the modules held out of quantisation — the embedding table and the convolution and gating projections inside each linear-attention block.

The base model is stated plainly on the card and in the metadata: Qwen3.8-27B, the Apache 2.0 vision-language model Q​wen published on 2026-08-05. So the architecture is Q​wen's, the weights are M​iniMax's fine-tune, and the packaging — NVFP4 rather than BF16 — is M​iniMax optimising for deployment rather than for redistribution fidelity. The card says the FP4 weights occupy about 19 GiB of GPU memory and that GPUs with native FP4 support run the NVFP4 weights directly while others fall back to bitsandbytes.

Qué hace, exactamente

En el repositorio hay dos flujos de trabajo, y no son lo mismo. Esto es lo más importante que debes entender antes de descargar 18 GB.

• PE de texto a imagen — obtienes todo: los pesos ajustados, el prompt del sistema, el prompt de la tarea, los parámetros de la solicitud y un cliente funcional. Esta ruta está completa y es ejecutable hoy.

• PE de edición de imágenes: recibes un prompt y un ejemplo de ensamblado de mensajes. Sin pesos. La ficha lo dice claramente: «El PE de edición de imágenes aún está en desarrollo; esta versión solo proporciona su prompt». Se espera que ejecutes ese prompt mediante un modelo de visión-lenguaje que elijas.

La ruta de texto a imagen toma tu instrucción, la expande y devuelve JSON restringido por un esquema a exactamente dos claves. La salida para un prompt de prueba —«Un gato atigrado naranja durmiendo en un alféizar bañado por el sol»— es una sola frase sobre fotografías cálidas y luz suave de la tarde, más la proporción «3:2». El esquema es estricto, con additionalProperties establecido en false, y el campo de proporción es una enumeración de diez valores: 1:1, 5:4, 4:3, 3:2, 16:9, 21:9, 4:5, 3:4, 2:3, 9:16. No hay una proporción de texto libre, ni un token «auto» en la salida, ni forma alguna de que el modelo responda con algo distinto de una de esas diez cadenas. Es una decisión de diseño deliberada y se corresponde directamente con la tabla de tamaños publicada del modelo principal, que enumera exactamente esas proporciones con dimensiones en píxeles desde 4096×4096 en 1:1 hasta 6272×2688 en 21:9.

La decisión de proporción no es una cuestión de intuición. El prompt de tarea publicado dedica varios cientos de palabras a un orden de precedencia estricto: un lienzo final explícito prevalece en primer lugar; luego, el entregable solicitado (un póster es vertical, un encabezado de diapositiva es horizontal, un avatar es cuadrado); después, la composición principal del sujeto; y por último, el contexto opcional, con una advertencia explícita de que "una habitación, un parque, un bosque, un cielo o un fondo cinematográfico genéricos no deben convertir en horizontal a un sujeto enfocado". El prompt también prohíbe inventar una plataforma: no puedes asumir Instagram. Y distingue una escena representada de un artefacto de comunicación: un panel de control, un póster, un envase, un diagrama técnico o un compuesto de varios paneles se construye como una arquitectura de información en lugar de como una escena que contiene los objetos solicitados. Para cualquiera que haya visto a un modelo de imágenes convertir "diapositiva de resultados trimestrales" en una fotografía de una sala de reuniones, esa distinción es la parte interesante de este lanzamiento.

¿Por qué gastar 27B parámetros en un pie de foto?

La respuesta está en la documentación del modelo padre, y es más interesante que el propio expansor de prompts. MiniMax-H3-Image es un transformador de difusión denso de flujo único de 33,1B, 50 capas, tamaño oculto 5376, 56 cabezas de atención, que lee estados ocultos de la capa 50 de un codificador de texto Qwen3-VL completo heredado sin cambios de MiniMax-H3. Ese codificador de texto ocupa 66,7 GB y no está en el repositorio de imágenes; se descarga por separado desde el repositorio del modelo de vídeo. El checkpoint está destilado a seis pasos de muestreo sin guía libre de clasificador, y la API lo impone: cualquier num_inference_steps distinto de 6 y cualquier guidance_scale distinto de 1 devuelve HTTP 400, y negative_prompt se rechaza de plano. No hay ningún ajuste que cambiar.

When there is no dial, the prompt is the control surface. That is the design logic connecting the two repositories: a six-step distilled sampler with no negative prompt has very little room to interpret a short instruction, so M​iniMax moved the interpretation into a separate model that can think before it writes. The hosted equivalent is an API endpoint called H3-Image-Context-IR, which does the same job server-side — accepts up to 32,000 characters of prompt and one to sixteen reference images, returns a revised prompt and a chosen ratio, and bills by converting the expansion model's input, output and thinking tokens into text tokens. MiniMax-H3-Image-PE is that endpoint's local escape hatch, and the parent card recommends exactly that usage: run the PE, save its expanded_caption into the generation call, and skip paying for enhancement twice.

The request parameters released with the PE are worth reading as a statement of intent rather than as tuning advice. Temperature 1.0, top_p 0.95, top_k 20, a 4096-token budget that includes thinking, and reasoning_effort set to "xhigh", with thinking enabled and preserved. M​iniMax is running its caption writer in maximum-deliberation mode and constraining only the final serialisation, not the reasoning. Serving that means SGLang 0.5.23 or newer with XGrammar 0.2.7 or newer, the q​wen3 reasoning parser, and constrained JSON decoding — or the Diffusers modular-blocks route the card documents. One caveat on that second route: the blocks repository the card points at, diffusers/minimax-h3-image-pe-blocks, returned HTTP 401 when checked on 2026-11-11, so it was not publicly readable at the time of writing. The card's Diffusers section may well be ahead of the artifact it depends on.

La licencia es la parte que realmente va a detener a la gente

MiniMax-H3-Image-PE no cuenta con una licencia por separado. La ficha indica que «forma parte de MiniMax-H3-Image y, en consecuencia, está sujeto a» el MiniMax-H3-Image Community License Agreement, y el archivo de licencia incluye una línea de fecha que dice «fecha de publicación/fecha de la licencia: 10 de noviembre de 2026». Léalo con atención, porque esto significa que la fecha de la licencia del expansor de prompts y la fecha de publicación del modelo de imagen principal están separadas por ocho días, mientras que la propia licencia es un único documento que rige a ambos.

Tres cláusulas importan más que el resto, y ninguna de ellas es la habitual historia de «pesos abiertos»:

• Territorio — la concesión se aplica únicamente dentro del "Territorio Aplicable", definido como el mundo entero excluyendo la Unión Europea, el Reino Unido, la República de Corea y los Estados Unidos de América. Se trata de una exclusión territorial, no de una restricción de uso, y se establece en las definiciones en lugar de quedar enterrada en un apéndice.

• Escala comercial — La Sección IV requiere una autorización previa por escrito por separado si sus ingresos anualizados, o los de sus afiliados, superan 1 millón de USD, o si presta un servicio alojado a terceros en cualquier caso. La segunda condición no tiene umbral de ingresos.

• Atribución en la interfaz: la misma sección exige que muestres de forma destacada «MiniMax-H3-Image» en la interfaz de usuario de cualquier producto o servicio comercial que utilice las obras.

También hay una condición de redistribución que exige un archivo NOTICE con una línea de copyright específica, y una obligación de la Sección V de mantener salvaguardas contra resultados infractores, con un mecanismo de reporte y el deber de actuar ante informes de buena fe. Nada de eso es inusual para una licencia comunitaria en 2026. La exclusión territorial es la que decidirá, para muchos equipos, si vale siquiera la pena iniciar la descarga de 18 GB, y es la cláusula que más probabilidades tiene de pasarse por alto, porque la página del modelo en Hugging Face solo la muestra como "other" con un enlace.

Lo que todavía no se puede saber

Tener claro dónde está el límite es más útil que rellenarlo.

• Sin cifras de benchmark. Ninguna de las dos tarjetas publica una sola puntuación. La empresa matriz solo hace afirmaciones cualitativas —"el seguimiento de instrucciones más sólido entre los modelos de código abierto", "estado del arte"— y, a fecha de 2026-11-11, no se encontró ninguna evaluación independiente de MiniMax-H3-Image ni de su expansor de prompts. No hay Elo, ni tasa de victorias por preferencia, ni comparación de la calidad de expansión frente al endpoint alojado Context-IR.

• No hay pruebas de que la ruta de edición funcione. El prompt de edición es meditado e inusualmente específico: exige que quien llama proporcione la relación W:H reducida de cada imagen de referencia, indica al modelo que nunca estime la relación de la fuente a partir de una vista previa y le instruye a construir el objetivo previsto en lugar de fingir que ha visto un resultado oculto. Pero no se distribuyen pesos para él, así que nadie ha medido si un VLM general lo sigue tan bien como presumiblemente lo haría el ajuste fino.

• No announcement, therefore no stated intent. Whether this is a permanent commitment or a byproduct of the image launch is not stated anywhere. The repository has no roadmap, no model index entry, and no discussion from M​iniMax explaining why the expander was split out rather than folded into the image checkpoint.

Las cifras de descargas son demasiado pequeñas para leerlas. MiniMax-H3-Image mostró 667 descargas y 136 me gusta el 2026-11-11, ocho días después de su publicación. El modelo PE mostró 0 descargas y 7 me gusta. En un repositorio que tiene un día de vida, eso es un mínimo, no un veredicto, pero sí significa que nadie ha publicado todavía un informe de campo.

Dónde encaja esto si de verdad estás construyendo algo

La pregunta práctica no es «¿es este un buen modelo?» —nadie puede responder eso todavía—, sino «¿a qué me compromete adoptarlo?». Tres cosas, en concreto. Te comprometes a ejecutar dos modelos en lugar de uno: un expansor de 18 GB, más un checkpoint de imagen de 68.65 GB, más un codificador de texto de 66.7 GB que probablemente ya tengas si ejecutas MiniMax-H3. Te comprometes a un presupuesto de decodificación fijo de 4096 tokens, incluido el razonamiento, lo cual, con un tiempo de espera de solicitud que la documentación de la API fija en 600 segundos, no es una latencia que puedas ocultar tras una interfaz de usuario interactiva sin cuidado. Y te comprometes a una licencia cuyo ámbito territorial excluye cuatro mercados importantes.

The mitigation for the first two is the same one that applies to any model you have not measured yourself: put it behind a routing layer rather than into a hardcoded call path. This is the case routing is built for — the expander is a text-generation model behind an OpenAI-compatible /v1/chat/completions endpoint, so it can sit alongside everything else on one key, and a routing rule can send long or structured prompts to it while a shorter path handles the rest. If the expansion turns out to degrade a particular workload, failover moves that traffic without a redeploy. That is also the honest way to evaluate an unproven model: run it on a slice, keep the old path warm, and let the comparison decide. One clarification worth stating plainly, since it is easy to assume otherwise — MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter's catalogue as of 2026-11-11, so this is a self-hosted evaluation, not a call we can make for you. What the catalogue does carry is M​iniMax's H3 video model and the M3.x text line at provider list price with zero markup passed through, which is the same arithmetic that applies the day an image endpoint arrives.

En cuanto a la tercera —la cláusula de territorio—, ninguna solución técnica ayuda. Si estás en la UE, el Reino Unido, Corea o EE. UU., la licencia no te concede los derechos que concede a todos los demás, y el propio remedio de M​iniMax es contactarlos para obtener una concesión por separado «basada en controles y salvaguardas sólidos». Esa es una conversación de negocios, y debería tener lugar antes de la descarga, no después.

Qué ver

Dos señales convertirían esto de un repositorio en un lanzamiento. La primera es un anuncio: una entrada de blog, una ficha en el índice de modelos, una mención en el feed de noticias de MiniMax. Su ausencia es, actualmente, lo más revelador del lanzamiento, y su llegada aclararía si el PE está pensado para ser la ruta local predeterminada o un paliativo. La segunda es que el repositorio de bloques de Diffusers pase a ser accesible públicamente; ahora mismo devuelve 401 y, hasta que se resuelva, la ruta «ejecutarlo localmente mediante Diffusers» documentada en la tarjeta es una afirmación en lugar de un camino.

Entre medias, lo que de verdad hay que leer es el prompt de la tarea. Son unos cientos de líneas de inglés sencillo que describen cómo decidir para qué sirve una imagen, y es el artefacto más concreto que M​iniMax ha publicado sobre cómo cree que deberían funcionar los prompts de imagen. En diez minutos se aprende más de él que de cualquier tabla de benchmarks y, a diferencia de los pesos, leerlo no cuesta nada.