MiniMax-H3-Image vs GPT Image 2.5: ambos aceptan 16 referencias, y ahí es donde termina la similitud

The number sixteen appears on both spec sheets, and it means two different things. MiniMax-H3-Image accepts up to sixteen reference images in a single edit, addressed by upload order as <Picture 1> through <Picture 16>, with the request body capped by nothing except a 32,000-character prompt. GPT Image 2.5 — the Sunburst and Flare pair that O​penAI shipped on 8 September 2026 — accepts up to sixteen input images too, and its documentation is explicit about what happens when you send more than one: markup and masks apply to the first image, and everything after it is a reference. Sixteen slots against sixteen slots, one of which is the whole control surface and the other of which is a parameter you will probably never fill.

Esa coincidencia es lo más útil de poner estos dos modelos uno al lado del otro, porque todo lo demás en ellos es asimétrico de una manera que es fácil de enunciar y difícil de exagerar. GPT Image 2.5 es el segundo y el cuarto mejor modelo de imagen del mundo en la clasificación de texto a imagen de Artificial Analysis, con trece mil votos a ciegas detrás de cada posición. MiniMax-H3-Image no tiene ninguna posición —sus pesos llegaron a Hugging Face el 10 de noviembre de 2026 a las 14:50 UTC, un día antes de que se escribiera esto, y ninguna arena ha tenido tiempo de puntuarlo. Así que esto no es una comparación de dos candidatos en igualdad de condiciones. Es una comparación entre un modelo medido y uno sin medir, y la pregunta útil es qué ofrece el que no está medido que justificaría averiguarlo.

Cómo se ven realmente las dos llamadas

O​penAI's side is two model ids doing one job between them. gpt-image-2.5-sunburst is positioned for detailed compositions and precise editing; gpt-image-2.5-flare is the fast everyday variant. Both share the same snapshot date, the same endpoint surface and the same rate, and the split is latency against precision rather than capability against capability. There is no bare gpt-image-2.5 alias — you pick a variant. Generation goes to v1/images/generations, edits to v1/images/edits as multipart form data, and Batch is supported at half the output rate. Quality is a dial with six settings — low, medium, high, xhigh, max and auto, with auto the default.

M​iniMax's side is one model with two service tiers. MiniMax-H3-Image is a 33.1B dense diffusion transformer — 50 layers, hidden size 5,376, 56 attention heads, FFN width 14,336, 3D multimodal RoPE — distilled to six sampling steps with no classifier-free guidance. The served API enforces that: num_inference_steps must be 6 and guidance_scale must be 1, or you get an HTTP 400, and negative prompts are refused. Highspeed is the same weights at a higher per-token rate. There is no quality dial, no step count to raise, no second variant with different behaviour. You send a prompt and up to sixteen pictures and you get one image back, in a fixed number of passes.

Read those two paragraphs next to each other and the design philosophies separate cleanly. O​penAI gives you knobs and expects you to find the setting that fits the job. M​iniMax gives you one setting and expects the model to be good enough at it. The first is a tool; the second is an appliance.

El tamaño es donde la brecha es más amplia, y no está ni cerca.

GPT Image 2.5 tops out at 3840×2160 — 8.29 megapixels — with dimensions required to be multiples of 16, an aspect ratio between 1:3 and 3:1, and anything above 2560×1440 flagged as experimental in O​penAI's own documentation. The recommended presets are 1024×1024, 1536×1024 and 1024×1536, and the custom-size path allows a pixel budget from 655,360 up to that 8,294,400 ceiling.

MiniMax-H3-Image's ceiling is roughly double that, and its floor is higher than O​penAI's ceiling-to-floor gap. The card claims about 16 megapixels at every aspect ratio — 4096×4096 at 1:1, 4736×3552 at 4:3, 5024×3360 at 3:2, 5472×3072 at 16:9, 6272×2688 at 21:9 — with the API capping output area at 20 megapixels and the practical working range described as 4 to 20 MP. There is no upscaler in the path; the model regenerates detail rather than enlarging it.

• Salida máxima — GPT Image 2.5: 3840×2160, 8,29 MP. MiniMax-H3-Image: unos 16 MP, hasta 20 MP mediante la API.

• Salida mínima útil — GPT Image 2.5: 655.360 píxeles, por lo que una miniatura de 768 píxeles es una solicitud compatible. MiniMax-H3-Image: aproximadamente 4 MP, sin nivel para imágenes pequeñas.

• Reference images — both up to 16; O​penAI types the first as the edit target and treats the rest as references, M​iniMax orders all sixteen positionally with no typing.

• Control de calidad — GPT Image 2.5: seis ajustes de calidad más automático. MiniMax-H3-Image: ninguno; seis pasos, sin guía, forzado.

• Formato de salida — GPT Image 2.5: PNG por defecto, JPEG y WebP disponibles, compresión 0–100, fondo transparente mediante background: "transparent". MiniMax-H3-Image: un PNG en data[0].b64_json.

Una de estas diferencias decide más implementaciones que las demás. Si tu entregable es una imagen 4K, GPT Image 2.5 no puede generarla: ni con una calidad inferior, ni cambiando algún ajuste. Se detiene en 8,29 megapíxeles y el resto es reescalado. No es una crítica al modelo; es una afirmación sobre para qué sirve el producto. Pero sí significa que los dos modelos dejan de competir en el momento en que tu requisito supera los 8,3 MP, y ninguna cifra de Elo medida cierra esa brecha.

Ambos miden tokens, y solo uno publica lo que se puede comprar con un token.

O​penAI bills GPT Image 2.5 by tokens: $5 per million text input tokens ($1.25 cached), $8 per million image input tokens ($2 cached), and $30 per million image output tokens, halved to $15 on the Batch API. Text output is not charged because the model returns images rather than prose. Those rates are unchanged from GPT Image 2, which is worth knowing if you priced the previous generation.

The number that matters and does not appear in O​penAI's rate card is how many output tokens an image costs, and O​penAI does not publish it — per-image consumption was not documented at launch and is still not documented per size. The only per-image figure in circulation is Artificial Analysis's derived $210.72 per thousand images, which is about $0.21 a frame at 1024×1024 with default settings. That is a third-party derivation from measured usage, not an O​penAI price, and it should be treated as an estimate that moves with quality setting and resolution.

M​iniMax publishes the resolved number directly, because its output rate is low enough that the arithmetic is simple: $2.30 per million input text tokens, $1.50 per million input image tokens, $3.80 per million output image tokens. The vendor's own worked examples give $0.02179 for a 1K image, $0.02333 at 2K and $0.06879 at 4K — the last of which is $0.03439 while a 50% discount holds, and that discount expires on 17 November 2026 at 16:00 UTC and applies only when the delivered image is at least 16,600,000 pixels.

Put the two side by side and the shape of the trade is stark. At 1024×1024, roughly $0.21 against $0.02179 — about ten to one. At the sizes each model is designed for, the comparison gets harder to make honestly, because GPT Image 2.5 at 8.29 MP and MiniMax-H3-Image at 16 MP are not the same product. What can be said without hedging is that if you are generating at 1K in volume, M​iniMax's price is an order of magnitude lower and its quality is unmeasured; that is the entire bet, stated plainly.

Two billing details on the M​iniMax side are easy to miss. Input images are billed per token at $1.50 per million, so references are not free — going from one to three references lifts a 2K edit from $0.02658 to $0.04177 in the vendor's own example. And the API charges for a request that times out, so a client-side retry policy turns one generation into two or three billed generations. O​penAI's documented behaviour is the opposite for failed and moderated requests, which it does not charge for.

La base de evidencia está desequilibrada, y ambas mitades de eso importan.

En la clasificación de texto a imagen de Artificial Analysis, GPT Image 2.5 Sunburst ocupa el segundo puesto con 1228 de Elo en 13.370 muestras, y Flare el cuarto con 1209 en 12.695. En la clasificación de edición, el mismo par ocupa el tercer y el quinto puesto: 1199 en 18.617 muestras para Sunburst y 1181 en 19.498 para Flare. Esas cifras son estimaciones puntuales con intervalos de confianza del orden de decenas de Elo, lo que equivale a decir que Sunburst y Flare no están separados de forma significativa entre sí en texto a imagen, y que ambos están significativamente por encima de todo lo que queda por debajo del quinto puesto.

También cabe señalar que GPT Image 2.5 ya no es lo más alto de su propia familia. Las variantes 2.6 —Sunburst y Flare— ocupan ahora el primer y el tercer puesto en la tabla de texto a imagen y el primero y el segundo en edición, al mismo precio de 210,72 $ por cada mil imágenes. Así que un lector que elige entre MiniMax-H3-Image y GPT Image 2.5 está eligiendo entre un recién llegado sin evaluar y la generación anterior de una línea evaluada, mientras que la generación actual de esa línea está a solo un id de modelo de distancia, al mismo precio. Quien elija 2.5 por la puntuación debería fijarse en con qué se compara realmente esa puntuación.

MiniMax-H3-Image no tiene puntuación en ninguna de las dos clasificaciones ni tabla de evaluación del proveedor: ni GenEval, ni DPG-Bench, ni cifras de preferencia humana. La afirmación de la ficha es cualitativa: «el mejor seguimiento de instrucciones entre los modelos de código abierto», sin tabla comparativa adjunta. La cuadrícula de demostración es la única evidencia de resultados que existe, y una cuadrícula de demostración es un artefacto curado. Nada de esto resulta sospechoso para un modelo que llevaba un día siendo público cuando se escribió. Sí significa que todos los argumentos a su favor en este artículo son argumentos basados en el precio, en la resolución o en la arquitectura, y ninguno es un argumento basado en la calidad medida.

Presupuesto de prompt, y qué puede retener un modelo en su cabeza

GPT Image 2.5 accepts a normal O​penAI prompt and, per O​penAI's documentation, up to sixteen input images; the practical constraint on complex edits is not a character count but the mechanics of the request — the mask must match the first image in size and carry an alpha channel, and the annotation layer for markup edits must match the first image's dimensions exactly. There is no published token ceiling for image prompts in the model's documentation, which means the ceiling you plan against is the API's, not the model's.

MiniMax-H3-Image publishes a specific and modest budget: 32,000 characters on the served API, of which only about the first 4,096 tokens take effect, and the local SGLang path truncates at 4,096 tokens outright. For a model whose pitch is instruction following, four thousand tokens is tight — a detailed brief with sixteen reference images referenced by position eats a large fraction of it. M​iniMax's answer is a companion model: MiniMax-H3-Image-PE, a 27B prompt expander that rewrites a short request into a long caption plus an aspect-ratio recommendation and emits it as JSON. It fits in about 19 GiB of VRAM. Its editing path is described as prompt-only, so it helps text-to-image today and not much else.

That asymmetry is worth naming because it changes what “prompt following” means for each. O​penAI's model takes the prompt you wrote. M​iniMax's takes the prompt you wrote, or a prompt another model rewrote for it, and either way it has less room to hold the instruction. If your workflow depends on long, structured briefs with many named references, that is a real constraint and it will show up before quality ever does.

Licencia, retención y el coste de estar cerrado

GPT Image 2.5 is closed. There are no weights, no self-hosting, no checkpoint to pin, and the commercial terms are an API contract. What O​penAI's developer documentation does state is that API data is not used for training unless you opt in, that the images endpoints are listed as not used for training, and that the models are Zero Data Retention compatible. Ownership and commercial-use terms live in separate policies, not in the developer docs.

MiniMax-H3-Image es abierto, y su licencia es más restrictiva de lo que sugiere la palabra. El Acuerdo de Licencia Comunitaria de MiniMax-H3-Image excluye por definición a la Unión Europea, el Reino Unido, la República de Corea y los Estados Unidos; exige autorización escrita por separado para ingresos anualizados superiores a un millón de dólares estadounidenses; exige lo mismo para cualquier servicio alojado, sin un mínimo de ingresos; exige que el nombre del modelo aparezca de forma destacada en las interfaces comerciales; y prohíbe usar los resultados para entrenar o mejorar otros modelos. La página de Hugging Face presenta todo esto como licencia: otra.

Así que aquí se invierte el planteamiento habitual. El modelo cerrado tiene las condiciones más sencillas y la menor dependencia: puedes irte, simplemente no puedes llevarte los pesos. El modelo abierto tiene las condiciones más duras y la mayor dependencia, porque una licencia que excluye cuatro mercados principales es una restricción para tu negocio que no se compensa con ninguna cantidad de pesos descargables. Si una ruta autoalojada es la razón por la que estás considerando MiniMax-H3-Image, lee la licencia antes que la ficha del modelo.

Cuando lo no medido es la decisión correcta

Hay tres casos en los que MiniMax-H3-Image es la elección obvia a pesar de no tener tabla de clasificación, y ninguno de ellos es «porque sea más barato».

Lo primero es la resolución. Si necesitas más de 8,29 megapíxeles de una sola generación, GPT Image 2.5 queda descartado y la comparación ha terminado. Dieciséis megapíxeles a $0,06879 frente a ampliar una imagen de 8,29 MP no es una decisión reñida.

El segundo es la reproducibilidad. Seis pasos, sin orientación, una programación publicada en pdd_config.json, y pesos que puedes descargar. Si necesitas el mismo resultado a partir de la misma entrada en tu propio hardware dentro de un año, GPT Image 2.5 no puede ofrecerlo y MiniMax-H3-Image sí, siempre que la licencia lo permita.

El tercero es el volumen en tamaños pequeños. Con $0.02179 frente a aproximadamente $0.21 a 1K, un pipeline que genera cien mil miniaturas al mes está ante una diferencia que se mide en decenas de miles de dólares. Ese es dinero suficiente para justificar ejecutar tu propia comparación a ciegas durante una semana, que es la única forma en que cualquiera de estas dos cifras se convierta en una decisión.

Everything else points the other way. If you need a model that will not surprise you, GPT Image 2.5 has two board placements with thirteen thousand votes each and six weeks of paying traffic behind them; MiniMax-H3-Image has a day. If you need a quality dial, O​penAI has six settings and M​iniMax has none. If you need a small image, O​penAI goes down to 655,360 pixels and M​iniMax does not go below about 4 MP. And if you need the current best in that family rather than the previous generation, the 2.6 variants are the same price.

OrcaRouter routes both GPT Image 2.5 variants — gpt-image-2.5-sunburst and gpt-image-2.5-flare — under one key, at provider list price with 0% markup passed through, so a cut or a retirement on O​penAI's side is reflected the day it happens rather than the next time you migrate a billing integration. We do not serve MiniMax-H3-Image; it has no route on our catalogue, and the honest path to it today is M​iniMax's own API or the 135 GB of downloads. What we can do in a comparison like this is keep the measured side cheap to test and easy to fail over from, which is the part of the decision that does not depend on an arena score.

¿Qué haría que esto fuera una comparación real?

Two things, and both are weeks rather than months away. The first is a MiniMax-H3-Image entry on an image arena with a few thousand samples, which will either confirm the price is a bargain or show it as what it currently is — an untested discount. The second is a per-image token figure from O​penAI at 2K and 4K, because the $0.21 estimate is a 1K number and the whole price argument shifts if the 4K multiplier is not what people assume.

Hasta que existan ambos, la decisión es inusualmente clara: comprar el modelo medido para el trabajo que debe entregarse a resolución moderada, y tratar MiniMax-H3-Image como candidato para los trabajos que GPT Image 2.5 estructuralmente no puede hacer: dieciséis megapíxeles, reproducibilidad exacta o volumen donde la diferencia de precio de diez a uno paga la evaluación varias veces.