MiniMax-H3-Image vs GPT Image 2.6: qué puedes cambiar realmente en cada solicitud

La mayoría de las comparaciones de modelos de imagen dedican su espacio a las puntuaciones. Esta lo dedica a los controles, porque MiniMax-H3-Image y G​PT Image 2.6 Sunburst no compiten por el mismo ajuste. MiniMax-H3-Image es un transformador de difusión de pesos abiertos con 33.1B de parámetros, publicado el 10 de noviembre de 2026, que ejecuta un muestreador fijo de seis pasos sin escala de guía, acepta hasta dieciséis imágenes de referencia y genera hasta dieciséis megapíxeles de forma nativa. G​PT Image 2.6 Sunburst —y su hermano más rápido G​PT Image 2.6 Flare, ambos lanzados el 4 de noviembre de 2026— es un modelo cerrado alojado cuyos avances recientes se centran sobre todo en lo que puedes darle y en lo que devuelve: reutilización de imágenes de referencia, ediciones guiadas por marcado y salida en GIF y SVG. Si tu cuello de botella es controlar una cadena larga de ediciones, una de estas es obviamente la correcta. Si tu cuello de botella es la resolución o la factura, la otra lo es.

Ambos merecen tomarse en serio. Simplemente fallan en direcciones distintas, y los modos de fallo se pueden leer únicamente a partir de las superficies de control.

El muestreador es un dial por un lado y una constante por el otro.

MiniMax-H3-Image no te da casi nada que ajustar y lo impone en el límite de la API. El checkpoint está destilado con CFG hasta seis evaluaciones de función, lo que significa que los dos parámetros habituales del trabajo de difusión —el número de pasos y la escala de guía— se han colapsado en los pesos. Llámalo con num_inference_steps establecido en cualquier valor distinto de seis y la solicitud se devuelve como HTTP 400. Establece guidance_scale en cualquier valor distinto de uno y se rechaza de la misma manera. Envía un negative_prompt y se rechaza directamente, porque no hay una segunda pasada hacia adelante sobre la que pueda actuar.

Eso suena restrictivo y es en gran medida una simplificación. Seis pasos son rápidos, deterministas dada una semilla e imposibles de configurar mal — no existe el fallo de «subí los pasos y empeoró». Lo que pierdes es la capacidad de intercambiar calidad por latencia dentro del modelo, y cualquier truco de prompt negativo que hayas acumulado.

GPT Image 2.6 mantiene su propia y pequeña superficie de control en lugar de las perillas del muestreador: un parámetro de complejidad cuyo valor predeterminado es alto, que es lo más parecido que tiene cualquiera de los dos modelos a un interruptor de «pensar más». Sus adiciones documentadas para 2.6 se refieren a las entradas y salidas, no al muestreo: imágenes de referencia que se mantienen a lo largo de las ediciones posteriores para que dejes de volver a subirlas, anotaciones dibujadas sobre una imagen de referencia para dirigir una edición, y dos formatos de salida que la generación anterior no ofrecía.

• Recuento de pasos — MiniMax-H3-Image fijado en seis, se rechaza en caso contrario; G​PT Image 2.6 no tiene control de pasos expuesto.

• Guía — MiniMax-H3-Image fija guidance_scale a uno; G​PT Image 2.6 expone complexity (por defecto alto) en su lugar.

• Prompts negativos: MiniMax-H3-Image los rechaza con un 400; no es una superficie documentada en G​PT Image 2.6.

• Presupuesto de prompt — MiniMax-H3-Image trunca a 4.096 tokens; el límite máximo de prompt de GPT Image 2.6 no se publica en sus páginas de modelo.

Dieciséis ranuras de referencia es el control más amplio que ofrece cualquiera de los dos modelos

La mayor diferencia funcional es la cantidad de contexto que se puede poner delante de la edición. MiniMax-H3-Image acepta hasta dieciséis imágenes de referencia en una sola solicitud, y la ficha del modelo presenta el modo de edición como si trabajara con una fidelidad aproximadamente igual a la de la generación: el port de vLLM-Omni reporta 0,985 de SSIM y unos 35 dB de PSNR frente a su propia referencia en una sola GPU en una edición de 2048², lo que es una comprobación de autoconsistencia más que una puntuación de calidad, pero sí significa que la ruta paralelizada no está degradando silenciosamente tu resultado.

Dieciséis referencias suponen un orden de control distinto del de «una imagen más una frase». La fotografía de producto con seis ángulos, una hoja de estilo, una hoja de personaje y una guía de marca pueden ir todas a la vez. El precio de esa amplitud es que la ingeniería de prompts se convierte en ingeniería de contexto: con dieciséis imágenes en juego, el texto tiene que decir cuál rige qué atributo, y el modelo no tiene forma de preguntar.

La respuesta de GPT Image 2.6 al mismo problema es memoria en lugar de ancho. Las imágenes de referencia persisten entre las ediciones de seguimiento dentro de una sesión, por lo que un retoque de varios turnos no vuelve a subir el original cada vez, y la ruta de edición guiada por marcas te permite señalar una región en lugar de describirla. Para el trabajo iterativo sobre una sola imagen, esa es una mejor interfaz que dieciséis ranuras estáticas. Para una composición de una sola pasada creada a partir de una docena de recursos, no lo es.

Lo que vuelve a salir

La lista de formatos de salida es donde G​PT Image 2.6 se adelanta a todos los modelos de imagen de pesos abiertos, incluido este. La versión 2.6 añadió salida de GIF animado y salida SVG junto a los formatos ráster habituales. Un resultado SVG importa más de lo que parece: es la diferencia entre un modelo de imagen que usas para esbozar el concepto de un logotipo y uno que puedes entregar a un front-end. MiniMax-H3-Image devuelve PNG —su ruta de servicio se valida mediante comparación de PNG idénticos bit a bit— y nada en la canalización de vLLM-Omni ni en la ficha del modelo sugiere salida vectorial o de animación.

La resolución va en la dirección opuesta, y no está ni cerca. MiniMax-H3-Image genera hasta dieciséis megapíxeles de forma nativa, en cada relación de aspecto, desde cuadrada hasta ultraancha, sin upscaler de por medio: 4096×4096 y 6272×2688 son ambas salidas nativas. El rango de trabajo es de aproximadamente cuatro a veinte megapíxeles, con la calidad alcanzando su punto máximo cerca del extremo superior. Las páginas del modelo de G​PT Image 2.6 documentan formatos y manejo de referencias, pero no publican una cantidad máxima de píxeles, así que el argumento de la resolución en este enfrentamiento es que M​iniMax publica un número frente a que O​penAI no publica ninguno, en lugar de una comparación directa medida.

• Salida nativa — MiniMax-H3-Image de hasta 16 MP en cualquier proporción, sin escalador; GPT Image 2.6 no documenta ningún máximo.

• Formatos — MiniMax-H3-Image devuelve PNG; G​PT Image 2.6 añade GIF y SVG.

• Relaciones de aspecto — MiniMax-H3-Image acepta cualquier par de ancho y alto; el conjunto de G​PT Image 2.6 no se publica en la página de cada modelo.

• Entrada de edición — MiniMax-H3-Image admite hasta 16 imágenes de referencia por solicitud; G​PT Image 2.6 mantiene las referencias entre turnos y acepta marcas dibujadas.

La factura, basada en los propios ejemplos prácticos de cada proveedor.

Ambos proveedores miden las imágenes como tokens, lo que hace que los precios de etiqueta parezcan comparables y que los costes por imagen no se parezcan en nada. M​iniMax publica ejemplos resueltos en su página de precios, así que esto es aritmética con sus propias cifras y no una derivación:

• MiniMax-H3-Image 1024×1024, texto a imagen — $0.02179 por imagen, frente a $3.80 por millón de tokens de salida.

• MiniMax-H3-Image 2048×2048 — 0,02333 $ por imagen. Duplicar los píxeles cuesta medio centavo, porque la cantidad de tokens crece mucho más despacio que el área en este extremo del rango.

• MiniMax-H3-Image 4096×4096 — 0,06879 $ por imagen, reducido a 0,03439 $ con una oferta por tiempo limitado del 50 % 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.

• Edición de MiniMax-H3-Image, una referencia a 1024×1024 — $0.02654 por imagen, con imágenes de entrada facturadas a $1.50 por millón de tokens y texto de entrada a $2.30.

• G​PT Image 2.6 — tokens de salida a $30 por millón. Con la cantidad de tokens que la propia documentación de O​penAI implica para un resultado de 1024×1024, eso se sitúa cerca de 21 centavos por imagen, aproximadamente diez veces la cifra de M​iniMax para el mismo tamaño nominal.

Las velocidades también difieren, y aquí es donde los dos productos dejan de ser intercambiables. Según las cifras que M​iniMax publicó con el lanzamiento del 4 de noviembre, G​PT Image 2.6 Flare ejecuta una solicitud de texto a imagen con una mediana de unos 30 segundos, frente a aproximadamente 55 de la generación anterior, y una edición en unos 32 segundos, frente a aproximadamente 58. Sunburst es el nivel más lento y de mayor fidelidad, y se volvió aún más lento: alrededor de 135 segundos frente a 113. La latencia propia de MiniMax-H3-Image solo se puede medir donde lo alojas: 0,88 segundos para una imagen de 2048² en cuatro H200, 1,35 segundos para una edición de 2048², según la receta oficial. Esos no son el mismo tipo de cifra —latencia de un nodo autoalojado frente a una mediana de un endpoint gestionado que incluye la cola—, y ponerlas en una misma frase como si lo fueran sería deshonesto. Lo que la comparación dice legítimamente es que una solicitud alojada de 2.6 tarda decenas de segundos y una solicitud local de H3-Image tarda menos de dos, siempre que ya tengas las cuatro GPU.

Qué cubre la evidencia pública y qué no

Artificial Analysis evalúa a ambos con las mismas dos tablas, lo que convierte esto en uno de los pocos puntos del enfrentamiento en los que los dos lados son directamente comparables en lugar de discutirse a partir de hojas de especificaciones. En AA-Image-Editing v2.1, GPT Image 2.6 Sunburst se sitúa en 1.210 Elo con aproximadamente 6.400 muestras, Flare en 1.206 con unas 6.700, y MiniMax-H3-Image en 1.138 en una banda de clasificación de ocho a diecisiete con alrededor de 3.200 muestras. En AA-Image-T2I v2.1 la diferencia se amplía: Sunburst en 1.261 en primera posición con 5.282 muestras frente a MiniMax-H3-Image en 1.066, clasificado en vigésimo tercer lugar. Misma reserva de votos, misma escala Elo, aproximadamente setenta puntos de diferencia en edición y casi doscientos en generación.

Si se lee con honestidad, dice dos cosas a la vez. MiniMax-H3-Image es el modelo de pesos abiertos mejor clasificado en la tabla de edición —por delante de Fibo 2.0, con 1.085, y de Qwen-Image-2.1, con 1.084—, así que su afirmación de calidad ya no es una aserción; es un número medido. Pero el número está unos setenta Elo por debajo de G​PT Image 2.6 Sunburst, y su intervalo abarca diez puestos, mientras que la banda de los tres primeros de Sunburst no. En el eje que ambos modelos comparten de forma más evidente, G​PT Image 2.6 gana, y gana por más margen en la tabla donde H3-Image es más débil. El argumento de la resolución de 16 megapíxeles y el precio de dos centavos siguen siendo válidos por sí solos; simplemente no son argumentos de calidad.

Lo que ninguno de los dos tableros te dice es cuánto del margen de G​PT Image 2.6 sobrevive cuando la tarea es la que aborda este artículo: una cadena larga de edición con muchas referencias y un muestreador fijo. El Elo es un agregado de la preferencia humana sobre prompts desconocidos, y un modelo puede ir setenta puntos por delante en ese agregado y aun así perder en un flujo de trabajo concreto. La única forma de averiguarlo es probar tus propios prompts en ambos, que es la recomendación al final de este texto en lugar de una evasiva en mitad de él.

Ejecutarlos en paralelo sin un segundo contrato

La complicación práctica es que ninguno de los dos modelos está a una sola llamada de API de distancia para la mayoría de los equipos. La vía desde el primer día de MiniMax-H3-Image es el autoalojamiento —un ensamblaje total de 67B formado por un transformer de 33.1B, un codificador de texto Qwen3-VL de 33.4B reutilizado sin cambios del modelo de vídeo y un VAE de 0.58B—, y su punto óptimo de 16 megapíxeles requiere cuatro GPU de centro de datos a plena velocidad. También está disponible a través de la propia API del proveedor y de varias plataformas de terceros con la tarifa por token indicada anteriormente. GPT Image 2.6 es exclusivo de OpenAI.

Si quieres comparar A/B los dos con tus propios prompts, la descripción honesta de la capa de enrutamiento es esta: OrcaRouter todavía no incluye MiniMax-H3-Image, y tampoco incluye G​PT Image 2.6 Sunburst ni Flare. Lo que sí incluye es el par anterior de G​PT Image — gpt-image-2.5-sunburst y gpt-image-2.5-flare — junto con gpt-image-2 y gpt-image-1.5, todos al precio de lista del proveedor, sin ningún margen añadido por encima. Eso te da una prueba intermedia útil: monta el arnés contra 2.5 con una sola clave, confirma que tu evaluación realmente distingue entre la fidelidad de Sunburst y la velocidad de Flare, y solo entonces decide si el delta de 2.6 o un modelo autoalojado de pesos abiertos es lo que necesitas. La fusión de modelos es la otra opción que vale la pena conocer aquí — un panel de modelos que responden al mismo prompt de imagen te da una variedad de resultados por prompt sin que tengas que escribir tres clientes.

El caso inverso ya está cubierto, por cierto: minimax/minimax-h3, el modelo de vídeo del que se construyen el DiT y el codificador de texto MiniMax-H3-Image, ya es enrutable hoy. Si tu motivo para fijarte en el modelo de imagen es que ya ejecutas vídeo H3, la familia ya responde con una sola clave.

¿Cuál elegir?

Elige MiniMax-H3-Image cuando la restricción sean los píxeles, las referencias o el coste unitario: una salida nativa de 16 megapíxeles, dieciséis imágenes de entrada y aproximadamente dos centavos por una generación de 1024². Elige G​PT Image 2.6 cuando la restricción sea la forma de la salida o la fluidez de un ciclo de edición: SVG y GIF a la salida, referencias persistentes y anotaciones dibujadas a la entrada, y una ventaja de setenta puntos Elo en la tabla de edición con un intervalo de los tres primeros detrás.

No optes por ninguno con confianza si lo que en realidad necesitabas era una puntuación para tus prompts. Ambos modelos ya tienen puntuaciones públicas, y ambas puntuaciones son agregados sobre los prompts de otra persona; la comparación que decide tu caso es la que ejecutas tú mismo, con un costo asociado a cada lado. Lo que te aporta la tabla de clasificación es un prior: GPT Image 2.6 va por delante, y en texto a imagen va por delante por un margen suficiente como para que debas esperar verlo. Lo que no puede aportarte es la respuesta para una composición de producto con dieciséis referencias a cuatro megapíxeles, porque nadie ha publicado esa comparación y las tablas Elo no la miden.