MiniMax-H3-Image vs MiniMax-H3: uno es un modelo de vídeo y el otro es su versión de fotograma fijo

Lo más honesto de MiniMax-H3-Image es su listado de archivos. Sesenta y seis gigabytes de transformador de difusión, 2,34 GB de VAE, doce megabytes de cabezas de muestreo por paso —y ningún codificador de texto en ninguna parte del repositorio. El codificador no falta. Está prestado: model_index.json accede a MiniMax-H3, el modelo de vídeo omnimodal de 33B que M​iniMax publicó como código abierto el 31 de julio de 2026, y carga text_encoder/ desde allí, 66,7 GB de Qwen3-VL, sin cambios. Si MiniMax-H3 ya está en tu disco, codificar un prompt con el modelo de imagen no cuesta nada extra. Si no lo está, tu primer fotograma fijo cuesta 135 GB de descargas, y el segundo modelo de esta comparación está haciendo un trabajo real para el primero.

Esa única línea de configuración es la relación entre los dos modelos, y explica la mayor parte de las diferencias prácticas entre ellos. MiniMax-H3-Image es MiniMax-H3 con la rama de audio eliminada, la cabeza de salida reorientada de un vídeo latente a una imagen latente, y todo el conjunto destilado hasta reducirse a seis pasos de muestreo. Nada del lado del texto cambió. El DiT incluso lee los mismos estados ocultos de la capa 50 del mismo codificador, por lo que las carpetas del tokenizador y del procesador son idénticas byte a byte y por lo que el modelo de imagen hereda el manejo de prompts en inglés de H3 sin una sola línea de entrenamiento nuevo en esa ruta.

Lo que hace que esto merezca escribirse ahora es la forma del lanzamiento, más que su contenido. M​iniMax no ha publicado una entrada de blog para el modelo de imagen. El blog y el índice de noticias de la compañía no contienen nada sobre el modelo de imagen —el elemento más reciente allí es la entrada de M3.1 Flash del 19 de octubre—, y las páginas de modelos todavía presentan a H3 como un sistema de vídeo. El único reconocimiento por parte del proveedor que pudimos encontrar es una tarjeta fechada el 10 de noviembre de 2026 en la lista de lanzamientos de modelos de la documentación de la API, que dice «Un modelo de imagen de pesos abiertos líder. De las ideas a nuevos mundos» —una frase sin especificación, sin benchmark y sin fecha propia. El repositorio de Hugging Face se creó el 3 de noviembre, y los pesos llegaron el 10 de noviembre a las 14:50 UTC. Dos revisiones del README y una guía de despliegue de vLLM-Omni se publicaron en la hora siguiente. Eso es un lanzamiento silencioso: los artefactos son reales y descargables, el anuncio no. Todo lo que sigue se extrae del repositorio, del archivo de licencia y de la propia documentación de M​iniMax, y cuando una cifra es una afirmación no reproducida del propio proveedor, lo señalamos.

Los dos modelos, en los términos en los que cada uno se vende realmente.

MiniMax-H3 es un generador omnimodal de propósito general. Toma texto, imágenes, vídeo y audio como un único contexto empaquetado y genera entre 4 y 15 segundos de vídeo a 24 fotogramas por segundo con audio estéreo nativo de 32 kHz, a 768p de forma nativa, con una pasada de regeneración independiente —H3-Regenerate-2K— que vuelve a introducir el resultado y el contexto original en el modelo para alcanzar 2K. Hay dos variantes de entrada relevantes: H3-Base-FL2VA acepta cero, una o dos imágenes como primer o último fotograma, y H3-Base-Ref2VA acepta hasta 9 imágenes, 3 clips de vídeo y 3 clips de audio, con un máximo de 12 archivos en total. Un preprocesador alojado llamado H3-Context-IR analiza la entrada mixta y la reescribe en una forma estructurada, y M​iniMax indica explícitamente que no forma parte de la versión abierta porque depende de varios modelos alojados.

MiniMax-H3-Image toma texto y hasta 16 imágenes de referencia y genera una imagen. El transformer de difusión tiene 33,1 mil millones de parámetros: un diseño denso de flujo único, 50 capas, tamaño oculto de 5376, 56 cabezas de atención, ancho de FFN de 14 336, RoPE multimodal 3D, pesos BF16 con embedding, capas de paso de tiempo y de salida en FP32. El VAE de imagen es un codificador CNN con un decodificador ViT de 24 capas, submuestreo espacial de 16× y 24 canales latentes; el DiT divide ese latente en parches de 2×2, por lo que un token del transformer cubre un bloque de 32×32 píxeles. El área de salida llega hasta 20 megapíxeles a través de la API, y la principal promesa de la tarjeta es de aproximadamente 16 megapíxeles en cada relación de aspecto: desde 4096×4096 en 1:1 hasta 6272×2688 en 21:9, sin un escalador.

Lee esos dos párrafos uno al lado del otro y la bifurcación salta a la vista. El modelo de vídeo dedica su capacidad al tiempo y a una segunda modalidad. El modelo de imagen la dedica al espacio. Mismo tronco, distinto objetivo.

Seis pasos y sin guía libre de clasificador es la verdadera ingeniería

La parte de MiniMax-H3-Image que no es solo sustracción es la destilación, y se aplica de forma obligatoria en lugar de recomendada. El checkpoint ejecuta seis pasos de muestreo —seis NFE— sin guía libre de clasificador en absoluto. La API servida no los trata como valores predeterminados: num_inference_steps debe omitirse o ser 6, guidance_scale debe omitirse o ser 1, y cualquier otro valor devuelve HTTP 400. Los prompts negativos se rechazan de plano. Un archivo aparte, 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; son 12 MB de los 68.65 GB totales que realizan una cantidad desproporcionada del trabajo.

Esta es la diferencia entre un modelo que se puede poner detrás de una superficie interactiva y uno que no. Un modelo de difusión guiado de 30 pasos a 16 megapíxeles es un trabajo por lotes. Seis pasos sin guía a la misma resolución son una solicitud. La propia formulación de M​iniMax —«imágenes de 16 megapíxeles a un coste computacional práctico»— es una afirmación sobre FLOPs por píxel, y el programa de seis pasos es la forma en que se concreta esa afirmación. Si se sostiene al nivel de calidad que sugieren las imágenes de muestra es una pregunta que ningún tercero ha respondido; no hay ninguna entrada de Artificial Analysis para MiniMax-H3-Image en ninguno de los dos tableros de imágenes a fecha de 10 de noviembre de 2026, y no hay tabla de evaluación del proveedor en la ficha.

Para servir en local, el ecosistema de frameworks es inusualmente completo para un modelo tan joven. SGLang es la ruta de referencia con un cookbook documentado; vLLM-Omni publica una receta con configuraciones por hardware y latencia medida, en la que se nombran NVIDIA H200, RTX PRO 6000 Blackwell y AMD Instinct MI350X; tanto diffusers como ComfyUI incluyen soporte. El paralelismo de secuencia es un flag — --ulysses-degree en SGLang, --usp en vLLM-Omni — y una sola GPU basta para empezar. El codificador de texto es el verdadero coste de memoria, y es el codificador de texto del modelo de vídeo, que es el punto de toda esta comparación.

Dos medidores, y ninguno es un contador de tokens que puedas estimar a ojo.

MiniMax factura estos dos modelos en unidades incompatibles, que es la trampa en cualquier pregunta de «cuál es más barato». H3 se mide en segundos de salida generada, por resolución: 0,08 $ por segundo a 768P, 0,13 $ por segundo a 2K, y el material de entrada se mide aparte: las primeras cinco imágenes de referencia son gratis y 0,04 $ cada una a partir de ahí en el modelo base, la entrada de audio es gratis, el vídeo de referencia se factura según su propia duración a la resolución de salida. Un clip de 10 segundos en 2K cuesta 1,30 $ de salida antes de cualquier referencia.

MiniMax-H3-Image se factura en tokens según una tarifa de salida de imágenes. En el nivel estándar, la tarjeta publicada indica 2,30 USD por millón de tokens de texto de entrada, 1,50 USD por millón de tokens de imagen de entrada y 3,80 USD por millón de tokens de imagen de salida, y los propios ejemplos prácticos del proveedor lo concretan en:

• 1K (1024×1024) texto a imagen — $0.02179 por imagen.

• 2K (2048×2048) texto a imagen — $0.02333 por imagen.

• 4K (4096×4096) texto a imagen — $0.06879 por imagen, anunciado a $0.03439 con un descuento del 50% por tiempo limitado.

• Edición en 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.

La forma de esa escalera es lo interesante. Dieciséis veces los píxeles cuestan un poco más de tres veces el dinero, porque el medidor son tokens y el recuento de tokens no escala linealmente con el área como sugiere la intuición. La variante de alta velocidad, MiniMax-H3-Image-Highspeed, acepta parámetros y límites idénticos y cobra 7,60 USD por millón de tokens de imagen de salida — 0,03529 USD a 1K, 0,13001 USD a 4K antes del mismo descuento. El descuento se aplica cuando la imagen entregada tiene al menos 16.600.000 píxeles y está vigente hasta el 17 de noviembre de 2026 a las 16:00 UTC, que es el único dato comercial con fecha de todo el lanzamiento.

Pon los dos medidores uno al lado del otro y la disyuntiva adquiere un precio. Un segundo de vídeo en 768P cuesta $0.08; la imagen fija más barata de M​iniMax cuesta unos $0.022. Un clip de cuatro segundos —el más corto que producirá H3— cuesta aproximadamente lo mismo que quince imágenes de 1K. Eso no es un argumento a favor de ninguno de los dos modelos. Es la razón por la que “cuál es más barato” no tiene respuesta hasta que dices qué estás produciendo.

Dónde muerde el fork en un despliegue real

Tres asimetrías importan más que la cuestión del benchmark.

El primero es la gestión de entrada. H3-Image admite hasta 16 imágenes de referencia en una sola edición y se refiere a ellas por su posición como <Picture 1>, <Picture 2> y así sucesivamente, en el orden de carga; el cuerpo total de la solicitud está limitado a 64 MiB, y Base64 aumenta el tamaño de un archivo en aproximadamente un tercio, por lo que una solicitud de 16 imágenes tiene que usar URLs o referencias a archivos precargados en lugar de datos en línea. El modo de referencia de H3 es un caso completamente distinto: 9 imágenes, 3 videos, 3 clips de audio, 12 archivos, todos empaquetados en una sola secuencia con estructura temporal. La gestión de referencias de ninguno de los dos modelos es un superconjunto de la del otro.

El segundo es la longitud del prompt. La API servida de H3-Image acepta hasta 32.000 caracteres, pero, con la mejora de prompt desactivada, solo surten efecto aproximadamente los primeros 4.096 tokens; la ruta local de SGLang trunca a 4.096 tokens, punto final. Eso no es un presupuesto amplio para un modelo cuyo argumento de venta es el seguimiento detallado de instrucciones, y es la razón por la que existe el expansor de prompt complementario —MiniMax-H3-Image-PE, un ajuste fino FP4 de 27B de Qwen3.8-27B que reescribe una solicitud breve en una descripción larga más una recomendación de relación de aspecto, lanzado el 8 de noviembre y cubierto por la misma licencia comunitaria—. Su mitad de edición se distribuyó solo como prompt; los pesos para la expansión del lado de edición todavía se describen como en desarrollo.

La tercera es la licencia, y es la misma licencia para ambos modelos solo de nombre. El Acuerdo de Licencia Comunitaria de MiniMax-H3-Image exige una autorización previa por escrito independiente de MiniMax si tus ingresos anualizados, o los de tus filiales, superan el millón de dólares estadounidenses, o si prestas servicios alojados a terceros. Exige que muestres “MiniMax-H3-Image” de forma destacada en la interfaz de cualquier producto comercial que lo utilice. Restringe el uso al Territorio Aplicable definido, prohíbe utilizar los resultados para mejorar cualquier otro modelo de IA y no reclama ningún derecho sobre los propios resultados. La licencia del vídeo H3 es un acuerdo aparte con sus propios términos. Si estás construyendo un producto sobre ambos, tienes dos licencias, no una.

Lo que ninguno de los dos modelos hace

MiniMax-H3-Image no puede crear un vídeo. No tiene eje temporal, ni rama de audio, ni parámetro de duración —el VAE de audio simplemente ha desaparecido de la arquitectura, y la salida es una imagen latente por solicitud, hasta diez por llamada a través de la API. MiniMax-H3 no puede crear una imagen fija de 16 megapíxeles. Genera 768p por defecto y alcanza 2K mediante una pasada de regeneración; pedirle un único fotograma de 4096×4096 no es una solicitud admitida. Si tu pipeline necesita una imagen fija principal y un bucle de cinco segundos con diálogo sincronizado del mismo mundo visual, estás llamando a dos modelos y, en la plataforma de MiniMax, estás pagando dos medidores diferentes.

Ambos comparten una cosa que es fácil pasar por alto: no hay prompt negativo. H3-Image rechaza ese campo. La guía de prompts de H3 dirige mediante descripción positiva y mediante Context-IR en lugar de mediante la exclusión. Quien traslade un flujo de trabajo de Stable Diffusion a cualquiera de los dos modelos pierde esa palanca desde el primer día.

Cuál llamar

La división honesta del trabajo se hace por entregable, no por calidad. Si el artefacto es una imagen fija —un render de producto, un fotograma clave, una placa de 16 megapíxeles con texto legible—, el modelo es MiniMax-H3-Image, y el programa de seis pasos significa que puedes permitirte iterar sobre ella. Si el artefacto se mueve, el modelo es H3, y la rama de audio es la razón para preferirlo frente a unir imágenes fijas en una secuencia.

Lo que una capa de enrutamiento cambia aquí es más limitado de lo que parece, y vale la pena decirlo sin rodeos: OrcaRouter no sirve MiniMax-H3-Image. El modelo alcanzó pesos públicos el 10 de noviembre y no tiene ruta en nuestro catálogo, así que si lo quieres hoy, lo consigues desde la propia API de MiniMax o ejecutas tú mismo el checkout de 68,65 GB. Lo que sí ofrecemos es minimax/minimax-h3, el modelo de vídeo, facturado por segundo a precio de lista sin recargo — y la propiedad útil para una canalización de dos modelos es que la misma clave que llama a H3 también llega a los otros aproximadamente 200 modelos de la plataforma.

Lo que hay que observar no es si H3-Image es bueno. Es si MiniMax dice algo al respecto. Un modelo que se distribuye con pesos, una licencia, una tabla de precios y cuatro integraciones de frameworks, pero sin entrada de blog ni benchmark, es un modelo cuyas afirmaciones siguen siendo enteramente del proveedor. La primera posición independiente en un tablero de imágenes, o la primera comparación cara a cara contra un modelo cerrado a la misma resolución, te dirá más que la cuadrícula de demostración. Hasta entonces, el repositorio es el registro, y el repositorio dice: este es H3 con el sonido apagado.