MiniMax-H3-Image vs. Nano Banana 2.1: casi el mismo precio, ni de lejos la misma evidencia

Dos modelos de imagen, ambos de alrededor de tres centavos por imagen, y la decisión entre MiniMax-H3-Image y Nano Banana 2.1 no se decide por el precio. A 1024×1024, el recién llegado de pesos abiertos cuesta $0.02179 por generación y Nano Banana 2.1 de G​oogle cuesta $0.0336 —una diferencia de alrededor de un centavo. A 4096×4096, la brecha se amplía a $0.06879 frente a $0.113. Así que el económico es realmente más barato, entre un tercio y la mitad. Lo que no se puede comprar a ningún precio en este momento es una razón para creer en la afirmación de calidad del barato, porque nadie fuera de M​iniMax la ha medido. Nano Banana 2.1 ocupa el cuarto puesto en ambas clasificaciones de imágenes de Artificial Analysis, con miles de muestras respaldando cada posición. MiniMax-H3-Image no aparece en ninguna de las dos clasificaciones, en ninguna posición, con ningún recuento de muestras. Esa asimetría constituye toda la comparación, y ninguna cantidad de cálculos de hojas de especificaciones puede cerrarla.

Vale la pena concretar las fechas antes de seguir, porque los dos modelos no están en la misma fase de vida. Nano Banana 2.1 está disponible de forma general desde el 6 de octubre de 2026 como gemini-nano-banana-2.1, y reemplazó a gemini-3.1-flash-image, que G​oogle dejó obsoleto con fecha de apagado el 29 de octubre de 2026 — así que, si estabas usando el modelo anterior, ya tuviste que cambiar. Los pesos de MiniMax-H3-Image llegaron a Hugging Face el 10 de noviembre de 2026 a las 14:50 UTC, con una escueta ficha en las notas de la versión de la API de M​iniMax fechadas el mismo día y sin ninguna publicación de blog que la acompañara. Un modelo tiene un mes de tráfico en producción; el otro lleva un día disponible para descargar. Júzgalo en consecuencia.

Lo que cada uno realmente te entrega

Nano Banana 2.1 es un derivado de Gemini 3.6 Flash que se vende únicamente a través de la API de Google. Tres niveles de resolución —1K, 2K y 4K, sin opción de 512 píxeles— con relaciones de aspecto del conjunto habitual, un contexto de entrada de 131.072 tokens y 32.768 tokens de salida. Acepta hasta 14 imágenes de referencia en una sola solicitud, que Google divide en 10 referencias de objetos y 4 referencias de personajes, y puede basar una generación en resultados de Google Search o Image Search. La función Thinking está activada por defecto en el nivel medio, con los niveles mínimo y alto disponibles, y no se puede desactivar a través de la API de ninguna manera. Cada salida lleva una marca de agua SynthID.

MiniMax-H3-Image es un transformer de difusión denso de 33,1B con un codificador CNN y un decodificador ViT de 24 capas para su VAE, distribuido bajo la licencia comunitaria propia de MiniMax. Tanto texto a imagen como edición se ejecutan mediante un mismo par de endpoints; las ediciones toman de 1 a 16 imágenes de referencia direccionadas posicionalmente como <Imagen 1> hasta <Imagen 16> en el orden de carga, y el modelo está destilado a seis pasos de muestreo sin guía libre de clasificador —la API servida devuelve HTTP 400 si pasas algo distinto de num_inference_steps=6 y guidance_scale=1. El área de salida está limitada a 20.000.000 de píxeles a través de la API, con niveles de área de 1K, 2K y 4K, y 4K como predeterminado; la ficha afirma aproximadamente 16 megapíxeles en cada relación de aspecto. No se indica en ningún lugar del repositorio ni de la licencia que haya fundamentación por búsqueda, presupuesto de pensamiento ni esquema de marcas de agua.

Las listas de capacidades divergen de una forma que se corresponde claramente con el público al que está dirigido cada producto. Google apostó por la orquestación: referencias, recuperación, un presupuesto de razonamiento y marcas de procedencia. MiniMax apostó por la resolución y el control: dieciséis ranuras de referencia, un límite de 20 megapíxeles y un muestreador fijo de seis pasos que puedes replicar exactamente en tu propio hardware.

La escalera de precios, con la ventana de descuento detallada.

Nano Banana 2.1 se factura a $30 por millón de tokens de imagen de salida, lo que la propia documentación de Google desglosa en $0.0336 por imagen de 1K, $0.0504 por 2K y $0.113 por 4K. Las imágenes de entrada se facturan a $1.50 por millón de tokens y el texto de salida a $7.50 por millón. Existe un nivel por lotes a la mitad de esas tarifas de salida para trabajos que puedan esperar, y Artificial Analysis indica que la tarifa efectiva para 1K es de $33.60 por mil imágenes — el mismo número expresado en volumen.

MiniMax-H3-Image se factura de la misma manera en principio y de forma muy diferente en el resultado. Nivel estándar: $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. Desglosado con los propios ejemplos del proveedor:

• Texto a imagen 1K — Nano Banana 2.1 $0.0336 vs MiniMax-H3-Image $0.02179.

• 2K texto a imagen — $0.0504 vs $0.02333.

• Texto a imagen en 4K — $0.113 frente a $0.06879, o $0.03439 con el descuento del 50% por tiempo limitado de M​iniMax.

• Editar con una referencia — G​oogle no publica un precio de edición por imagen en estos niveles; M​iniMax cobra $0.02654 por 1K, $0.02658 por 2K y $0.07312 por 4K.

• Editar con tres referencias — $0.03563 por 1K, $0.04177 por 2K, $0.07914 por 4K en M​iniMax.

Dos detalles en esa escalera son fáciles de pasar por alto y cambian la aritmética. Primero, el descuento de {{1}}MiniMax{{/1}} solo se aplica cuando la imagen entregada tiene al menos 16.600.000 píxeles, y expira el 17 de noviembre de 2026 a las 16:00 UTC — seis días después de que se publicaran los pesos. Si calculas el precio de un pipeline con la cifra de 4K con descuento, estás calculando el precio sobre una promoción. Segundo, la escalera de {{2}}MiniMax{{/2}} es inusualmente plana: dieciséis veces los píxeles por poco más de tres veces el dinero, porque el medidor son los tokens y el recuento de tokens no escala con el área como sugiere el precio de etiqueta. La escalera de {{3}}Google{{/3}} se acerca más a lo proporcional. En 4K, la resolución para la que se construyó el modelo de pesos abiertos, esa planitud es donde reside el ahorro real.

Lo que hace que una capa de enrutamiento se gane su lugar aquí es que no tengas que preocuparte por cuál de esos dos medidores estás.OrcaRouter traslada el precio de lista del proveedor con un 0 % de margen, lo que significa que un cambio de precio de un proveedor —incluida una promoción como la de M​iniMax y también su vencimiento— está vigente de nuestro lado el mismo día, en lugar de esperar una migración de facturación. Ninguno de los modelos de esta comparación está en nuestro catálogo: MiniMax-H3-Image tiene una semana de vida y no cuenta con una ruta alojada, y a Nano Banana 2.1 se llega mediante la propia API de G​oogle. Lo que sí ofrecemos de ese linaje es la generación anterior, google/gemini-3.1-flash-image-preview, junto con las rutas de imagen de O​penAI y una ruta de vídeo para el H3 de M​iniMax. La razón para decirlo sin rodeos es que un artículo que compara un checkpoint de pesos abiertos sin medir con uno cerrado y puntuado no debería pretender que el nuevo checkpoint está a una sola pulsación de tecla.

Solo un lado de esto tiene un marcador.

Artificial Analysis otorga a Nano Banana 2.1 una puntuación Elo de 1160 en su tabla de texto a imagen, cuarto puesto, con más de 6.055 muestras, y Elo 1137 en su tabla de edición de imágenes, también cuarto, con más de 5.968 muestras. Ambas posiciones conllevan un rango de clasificación de cuarto a sexto según el intervalo que se lea. Son independientes, muestreadas y comparables con todos los demás modelos de la tabla, incluidos los que ya está usando.

MiniMax-H3-Image no aparece en ninguna de las dos tablas. No es que tenga una puntuación baja; no tiene ninguna. La ficha del proveedor lo llama “un modelo de imagen líder de pesos abiertos” y la cuadrícula de demostración del repositorio es la única prueba de calidad de salida que existe, que es justo el tipo de prueba que está diseñada para verse bien. Tampoco hay una tabla de evaluación del proveedor: ni GenEval, ni DPG-Bench, ni cifras de preferencia humana, nada con lo que compararse con la evaluación publicada de un competidor. Dentro de un mes, eso puede haber cambiado. Hoy, el resumen honesto es que el modelo más barato es más barato y el modelo medido está medido, y los dos hechos no están en tensión porque se refieren a cosas distintas.

Hay un coste de segundo orden que el precio por imagen oculta por completo, y es la cifra más grande de este artículo: 68,65 GB de transformador de difusión y VAE en BF16 y FP32, además de un codificador de texto que no está en el repositorio en absoluto. MiniMax-H3-Image carga text_encoder/ del modelo de vídeo MiniMax-H3, 66,7 GB de Qwen3-VL, así que una primera generación local supone una descarga de unos 135 GB repartidos entre dos repositorios. Añade las GPU: la propia guía de servicio de MiniMax para vLLM-Omni nombra H200, RTX PRO 6000 Blackwell y AMD Instinct MI350X, y el paralelismo de secuencia multi-GPU — --ulysses-degree en SGLang, --usp en vLLM-Omni — es la forma documentada de obtener una latencia aceptable a resolución completa. A $0,02179 la imagen de 1K, la API es más barata que la electricidad durante mucho tiempo. Los pesos abiertos son valiosos por el control y por los términos de la licencia, no por la economía unitaria a pequeña escala.

Límites que deciden más despliegues que la calidad

El techo de resolución es el más evidente y no hay punto de comparación. Nano Banana 2.1 se detiene en 4K. MiniMax-H3-Image llega a 20 megapíxeles mediante la API y a unos 16 megapíxeles en los ejemplos de la ficha: 4096×4096 en 1:1, 6272×2688 en 21:9, 5472×3072 en 4K 16:9. Si tu entregable es una plancha a tamaño de impresión o un fondo que se recortará de forma agresiva, el modelo cerrado queda descartado antes de que la calidad entre en la discusión, y los dos modelos de este artículo dejan de competir por completo.

El manejo de referencias es lo inverso. Las 14 referencias de Google están tipadas —10 objetos, 4 personajes— y esa tipificación hace su trabajo: le dice al modelo qué papel desempeña cada imagen. Las 16 de MiniMax son ranuras sin tipo a las que se accede por posición, lo que supone más margen y menos estructura. Si tu flujo de trabajo es «poner a esta persona con esta chaqueta ante este fondo», la tipificación de Google es la característica. Si es «aquí tienes dieciséis fotogramas, mantén la identidad en todos ellos», el techo de MiniMax es la característica. Ninguno es un superconjunto del otro.

El presupuesto de prompt es el tercero. Nano Banana 2.1 tiene 131.072 tokens de contexto de entrada con los que trabajar. MiniMax-H3-Image acepta hasta 32.000 caracteres en la API servida, pero solo los primeros 4.096 tokens, aproximadamente, surten efecto con la mejora de prompts desactivada, y la ruta local de SGLang trunca directamente a 4.096 tokens. Para un modelo cuyo argumento de venta es el seguimiento de instrucciones, ese es un presupuesto ajustado, por lo que MiniMax lanzó un complemento: MiniMax-H3-Image-PE, un fine-tune FP4 de 27B de Qwen3.8-27B que reescribe una solicitud breve en un caption largo más una recomendación de relación de aspecto y lo emite como JSON conforme a un esquema. Cabe en unos 19 GiB de VRAM. Su mitad del lado de edición se describe como solo de prompt y aún está en desarrollo, así que el expansor actualmente ayuda a texto-a-imagen y poco más.

Y la licencia, que no tiene contrapartida en el caso de Google porque no hay nada que licenciar. El acuerdo comunitario de MiniMax exige una autorización previa por escrito e independiente cuando los ingresos anualizados superen el millón de dólares estadounidenses o si se ofrecen servicios alojados; además, exige que las palabras “MiniMax-H3-Image” se muestren de forma destacada en cualquier interfaz comercial que lo utilice, limita el uso a un territorio definido y prohíbe utilizar los resultados para entrenar o mejorar otros modelos. Los términos de Google son un contrato de API estándar. “Pesos abiertos” aquí significa una licencia que hay que leer, no una licencia que se pueda ignorar.

Cómo se ven las dos facturas en un mes real

Supongamos que generas 20.000 imágenes al mes a 2K. Nano Banana 2.1 cuesta $1.008 a precio de lista, o $504 en el nivel por lotes si el trabajo puede entrar en cola. MiniMax-H3-Image cuesta $466,60 a precio de lista a través de la API de MiniMax —o, autoalojado, lo que te cuesten de dos a cuatro de esas GPU por las horas implicadas, que para la mayoría de los equipos es más. Supongamos, en cambio, que generas 2.000 imágenes al mes a 4K y la ventana de descuento se ha cerrado: $226 para Google, $137,58 para MiniMax. El ahorro es real y es de tres cifras al mes, no de cinco. Ese es el tamaño correcto del premio, y debería sopesarse frente al coste de ser la primera persona en descubrir dónde falla un modelo no medido.

Esa asimetría aboga por un patrón específico en lugar de un ganador. Dirige la ruta de producción al modelo con el marcador y envía una porción del tráfico al barato para construir tu propia evidencia: un conjunto fijo de prompts, tu propia revisión, un par de semanas de comparación. Este es el caso para el que sirve realmente el failover: un modelo desconocido tratado como una ruta candidata en lugar de un reemplazo, con el que se sabe que funciona detrás cuando un trabajo vuelve mal. El muestreo no guiado de seis pasos a 16 megapíxeles también es una solicitud larga para los estándares de imágenes, y no es idempotente del lado de MiniMax: un timeout del cliente se cobra, y los SDK de OpenAI reintentan dos veces de forma predeterminada a menos que establezcas max_retries=0. Las solicitudes largas que se cobran al agotarse el tiempo de espera son exactamente aquellas para las que quieres una segunda ruta.

La pregunta que resuelve esto en aproximadamente un mes

Ninguno de los dos modelos es la elección equivocada; la elección depende de si puedes permitirte ser tú quien mida. Si el entregable necesita un cuadro de puntuaciones antes de necesitar una decisión, Nano Banana 2.1 es el único lado de esta comparación que lo tiene, y en 4K cuesta $0.113 frente a los $0.06879 de MiniMax: una diferencia sobre la que vas a discutir internamente más de una vez. Si el entregable necesita 16 megapíxeles, las referencias tipadas no importan y la resolución sí, y MiniMax-H3-Image es el único lado que lo ofrece.

Lo que lo resolvería es lo que no ha ocurrido: una posición independiente. MiniMax-H3-Image lleva un día en público, todavía se preguntaba por los términos de su licencia en el hilo de debate del repositorio horas después de que aparecieran los pesos, y su propio expansor de prompts está a medio terminar. Cuando aparezca en Artificial Analysis con un recuento de muestras, la diferencia de precio dejará de ser un argumento indirecto y se convertirá en una disyuntiva real. Hasta entonces, compra el modelo medido para el trabajo que hay que entregar, y trata el barato como un candidato que estás evaluando — no como un reemplazo que ya has decidido.