MiniMax-H3-Image : 16 mégapixels en 10 secondes est une affirmation, pas encore une mesure

Dix secondes pour une image de seize mégapixels ne constituent pas une affirmation de qualité. C’est une affirmation sur la façon dont un modèle est planifié, et c’est le seul aspect du lancement de MiniMax-H3-Image qu’un utilisateur peut vérifier en un après-midi. MiniMax a annoncé le modèle le 10 novembre 2026 avec un court article qui met en avant exactement ce chiffre : une sortie 4K, environ seize millions de pixels, jusqu’à seize images de référence, en dix secondes, avec des poids ouverts et l’API propre du fournisseur, MiniMax Code et Hailuo comme voies d’accès. Ce que l’annonce ne contient pas, c’est une seule mesure de latence, un seul benchmark de qualité, ou un lien vers un billet de blog expliquant comment tout cela a été obtenu. Les octets sont bien réels — 68,65 Go sur Hugging Face, plus un encodeur de texte emprunté à un second dépôt — et la liste de prix l’est aussi. Les dix secondes sont une promesse. Voici sur quoi repose cette promesse, ce qu’elle coûte, et ce qu’il vous faudrait exécuter pour savoir si elle tient sur votre propre matériel.

Cela vaut la peine d’énoncer les dates clairement, car le déploiement a été inhabituel. Le dépôt Hugging Face de MiniMax-H3-Image a été créé le 3 novembre 2026 et est resté vide. Les poids sont arrivés le 10 novembre à 14 h 50 UTC. Le même jour, la documentation de l’API de MiniMax s’est enrichie d’une carte de notes de version intitulée « MiniMax H3 Image » avec la phrase « Un modèle d’image à poids ouverts de premier plan. Des idées aux nouveaux mondes » — une phrase sans aucune spécification — et le blog ainsi que l’index d’actualités de l’entreprise ne mentionnent toujours absolument rien sur le modèle d’image. Le modèle a donc été livré discrètement, puis annoncé, dans cet ordre, ce qui est l’inverse du déroulement de la plupart des lancements et la raison pour laquelle l’annonce ressemble à un texte marketing accolé à un checkpoint déjà téléchargeable.

D’où dix secondes pourraient plausiblement provenir

L'essentiel de l'explication se trouve dans la liste des fichiers plutôt que dans l'article. MiniMax-H3-Image est un transformer de diffusion dense de 33,1 B — 50 couches, taille cachée de 5 376, 56 têtes d'attention, largeur FFN de 14 336, RoPE multimodale 3D — et il est distillé pour six étapes d'échantillonnage sans aucune guidance sans classifieur. Ce n'est pas un réglage par défaut que l'appelant peut ajuster. L'API servie rejette tout sauf num_inference_steps=6 et guidance_scale=1 avec un HTTP 400, et les invites négatives sont purement et simplement refusées. Un fichier séparé de 12 Mo, pdd_fused_heads.safetensors, contient des têtes de sortie par étape qui remplacent la couche de sortie du transformer, avec le calendrier dans pdd_config.json.

C’est parce qu’il y a six passes non guidées que le chiffre de dix secondes n’est pas absurde. Un échantillonneur guidé à 30 étapes sur seize mégapixels est un traitement par lots ; six étapes sur la même surface constituent une requête. Que l’on atteigne dix secondes dépend entièrement de l’accélérateur, de la configuration de parallélisme de séquence et de la résolution que vous demandez réellement, et aucune de ces trois choses ne figure dans l’annonce. La fiche modèle de MiniMax elle-même n’indique nulle part de temps de génération. Le chiffre n’existe qu’à un seul endroit : l’article de lancement.

Ce que la fiche précise, plus en détail que la publication, c’est la géométrie. La sortie atteint environ 16 mégapixels pour chaque rapport d’aspect — 4096×4096 en 1:1, 4736×3552 en 4:3, 5024×3360 en 3:2, 5472×3072 en 16:9, 6272×2688 en 21:9 — sans upscaler distinct dans la chaîne. L’API plafonne la surface de sortie à 20 mégapixels, et la fiche décrit la plage de travail pratique comme allant d’environ 4 à 20 mégapixels. L’édition prend en charge jusqu’à 16 images de référence, désignées par leur position dans le prompt sous la forme <Picture 1> à <Picture 16> dans l’ordre de téléversement. Les prompts peuvent atteindre 32 000 caractères sur l’API exposée, mais seuls les 4 096 premiers tokens environ ont un effet.

Les affirmations, à côté des preuves qui existent pour elles

• Résolution — « 16 millions de pixels » et 4K : indiqué dans la publication et repris dans le tableau des tailles de la fiche. Non mesuré indépendamment, mais ce point est trivialement vérifiable en générant une image et en lisant ses dimensions.

• Vitesse — « tout en 10 secondes » : rapporté par le fournisseur, sans matériel précisé et sans mesure tierce publiée au 11 novembre 2026. La fiche ne donne aucun chiffre du tout.

• Suivi du prompt — « suivi précis du prompt » : une affirmation qualitative. La formulation plus forte de la fiche est « le suivi des instructions le plus performant parmi les modèles open source », ce qui est une comparaison sans tableau à l’appui.

• Édition — « jusqu’à 16 images de référence » : confirmé dans la fiche et la documentation de l’API, et contredit sur un détail par la recette du premier jour de vLLM-Omni, qui documente jusqu’à 9 images par requête sur son chemin. Considérez 16 comme le plafond du modèle et 9 comme ce que la recette du framework met en pratique.

• Open weight — vrai, et déterminant d’une manière que le billet n’explique pas : les poids sont ouverts sous une licence assortie de conditions territoriales et de revenus, et non sous une licence approuvée par l’OSI. Plus de détails ci-dessous.

Ce que ça coûte, et une remise à laquelle il reste six jours.

Les conditions commerciales sont l'aspect le plus concret de cette sortie. La facturation repose sur les tokens, selon un tarif de sortie d'image : 2,30 $ par million de tokens de texte en entrée, 1,50 $ par million de tokens d'image en entrée, et 3,80 $ par million de tokens d'image en sortie sur le niveau standard. Les exemples chiffrés de MiniMax eux-mêmes aboutissent à une grille étonnamment plate, car le compteur est exprimé en tokens et le nombre de tokens n'évolue pas avec la surface comme l'intuition le suggère :

• Image générée à partir de texte en 1K — 0,02179 $ par image.
• Image générée à partir de texte en 2K — 0,02333 $.
• Image générée à partir de texte en 4K — 0,06879 $ au tarif catalogue, 0,03439 $ pendant la remise en cours.
• Retouche en 1K avec une référence — 0,02654 $ ; en 2K — 0,02658 $ ; en 4K — 0,07312 $, remisé à 0,03656 $.
• Retouche en 1K avec trois références — 0,03563 $ ; en 2K — 0,04177 $ ; en 4K — 0,07914 $, remisé à 0,03957 $.

Seize fois plus de pixels pour un peu plus de trois fois le prix : c’est le rapport à retenir, car c’est là que le modèle se différencie véritablement : en 4K, le checkpoint à poids ouverts représente environ un huitième d’une image FLUX 3 Image 4K et environ un cinquième d’une image Nano Banana 2.1 4K au prix catalogue.

La remise est réelle et elle est temporaire. La réduction de 50 % ne s’applique que lorsque l’image livrée fait au moins 16 600 000 pixels, couvre l’intégralité du total de la demande et expire le 17 novembre 2026 à 16:00 UTC — six jours après la mise en ligne des poids. Quiconque établit le budget d’un pipeline sur 0,03439 $ établit un budget sur une promotion. Fixez le prix à 0,06879 $ et considérez la remise comme une marge.

Il existe un second palier, plus rapide. MiniMax-H3-Image-Highspeed prend des paramètres et des limites identiques et facture 7,60 $ par million de jetons d’image en sortie : 0,03529 $ en 1K, 0,03622 $ en 2K, 0,13001 $ en 4K, avant que la même remise ne le réduise de moitié à 0,06501 $. Si la promesse des dix secondes est la raison pour laquelle cela vous intéresse, Highspeed est la variante qui doit être vraie pour que cela ait de l’importance — et MiniMax ne publie aucune différence de latence entre les deux.

« Open weight » désigne ici une licence que vous devez lire

Les poids sont {{1}}téléchargeables{{/1}} et l’architecture est documentée, ce qui est plus que ce que proposent la plupart des modèles d’image de pointe. C’est au niveau de la licence que le mot « open » cesse de faire le travail qu’on en attend. {{2}}MiniMax-H3-Image{{/2}} est distribué sous la {{3}}MiniMax-H3-Image Community License Agreement{{/3}}, et les conditions qui déterminent les déploiements ne sont pas des notes de bas de page :

• Territoire. La définition du territoire exclu figurant dans la licence couvre l’Union européenne, le Royaume-Uni, la République de Corée et les États-Unis, soit une large part du marché d’un modèle d’image commercial.

• Envergure. Une autorisation écrite préalable distincte est requise au-delà d’un million de dollars américains de chiffre d’affaires annualisé.

• Hébergement. La même exigence d’autorisation s’applique à l’offre du modèle en tant que service hébergé, sans aucun seuil de chiffre d’affaires — une clause qui vise directement le modèle de revente d’API.

• Attribution. Les interfaces commerciales utilisant le modèle doivent afficher « MiniMax-H3-Image » de manière bien visible.

• En aval. Les sorties ne peuvent pas être utilisées pour entraîner ou améliorer d’autres modèles.

La page Hugging Face l’affiche sous la forme d’une seule ligne indiquant license: other, ce qui est techniquement exact et pratiquement inutile. Si vous évaluez le modèle pour un produit plutôt que pour un notebook, le fichier de licence est la première chose à lire et peut-être la raison de s’arrêter.

Ce que l’exécution de modèles à poids ouverts vous coûte réellement

68,65 Go de transformer et de VAE, plus un encodeur de texte qui ne se trouve pas dans le dépôt. model_index.json va chercher dans le modèle vidéo MiniMax-H3 et charge text_encoder/ depuis là — 66,7 Go de Qwen3-VL, inchangé. Une première génération locale représente donc un téléchargement d'environ 135 Go répartis sur deux dépôts, et l'encodeur en constitue la moitié la plus importante.

La documentation de prise en charge est exceptionnellement complète pour un checkpoint aussi récent, et elle était disponible dès le premier jour plutôt que d'être publiée au fil du mois suivant. SGLang constitue la voie de référence, avec un guide d'utilisation documenté et une commande mono-GPU ; le parallélisme de séquence est un simple flag (--ulysses-degree sur SGLang, --usp sur vLLM-Omni) ; vLLM-Omni publie des recettes par matériel mentionnant NVIDIA H200, RTX PRO 6000 Blackwell et AMD Instinct MI350X ; diffusers et ComfyUI le prennent tous deux en charge. Les recommandations de déploiement de MiniMax lui-même préconisent le multi-GPU pour obtenir une latence acceptable en pleine résolution, ce qui est la façon la plus proche pour l'éditeur de reconnaître que dix secondes correspondent à une configuration, et non à une constante.

Pour la plupart des équipes, le calcul qui suit est inconfortable. À 0,02179 $ l’image 1K et 0,06879 $ l’image 4K, l’API hébergée reste moins chère que l’électricité et l’amortissement pendant très longtemps. La raison de choisir les 135 Go, c’est le contrôle : un échantillonneur fixe en six étapes que vous pouvez reproduire exactement, une licence sur laquelle vous pouvez raisonner, et aucune dépendance à la file d’attente d’un fournisseur au moment où vous avez besoin de débit.

Trois tests à exécuter avant de commiter

La première est la moins coûteuse : générez dix fois le même prompt 4K via l’API de MiniMax, enregistrez le temps réel par requête et les dimensions en pixels de chaque résultat. Cela valide les deux chiffres clés — les dix secondes et les seize mégapixels — sur votre propre réseau et avec vos propres longueurs de prompt, en moins d’une heure, pour bien moins d’un dollar.

Le second est le test d’identité, et c’est là que seize références justifient leur place ou non. Fournissez huit à seize images d’un même sujet sous des angles variés, demandez une nouvelle scène, et observez si le visage, le tissu et le logo survivent. Les emplacements positionnels sont moins structurés que les références typées — il n’existe aucun moyen d’indiquer au modèle quelle image est le personnage et laquelle est la veste — le test consiste donc à savoir si la position seule suffit à porter cette intention.

Le troisième est celui que personne ne peut faire à votre place : un test A/B contre ce que vous utilisez actuellement, sur vos propres prompts, en aveugle. MiniMax-H3-Image n’a aucune entrée sur les deux classements d’images d’Artificial Analysis au 11 novembre 2026 — pas une entrée faible, aucune — et pas de tableau d’évaluation fournisseur non plus. Pas de GenEval, pas de DPG-Bench, pas de chiffres de préférence humaine. La grille de démonstration sur la fiche du modèle est la seule preuve de qualité de sortie qui existe, et une grille de démonstration est conçue pour être flatteuse. Une semaine de vos propres comparaisons vous en dira plus que l’article de lancement.

Où en est le lancement

Le résumé honnête est que MiniMax-H3-Image est un véritable checkpoint avec un récit de déploiement inhabituellement complet, une grille tarifaire qui se situe très largement en dessous des modèles fermés en 4K, et un chiffre phare que personne à l’extérieur de l’entreprise n’a vérifié. L’affirmation de vitesse est plausible sur le plan architectural — six étapes non guidées relèvent véritablement d’une autre classe de coût qu’un échantillonneur guidé à trente étapes — et la plausibilité ne vaut pas preuve.

Ce qui changerait la donne est précis et probablement à plusieurs semaines : un positionnement indépendant dans un classement d’images avec un nombre d’échantillons associé, un tiers chronométrant le parcours 4K sur du matériel nommé, et un examen de la façon dont seize références positionnelles se comportent sous une véritable pression identitaire. D’ici là, la posture utile est celle d’une piste candidate plutôt que d’un remplacement — faites-la tourner à côté du modèle auquel vous faites confiance, sur un jeu d’invites fixe, et laissez les images décider.

OrcaRouter ne sert pas MiniMax-H3-Image aujourd’hui ; il n’existe aucune route pour ce modèle dans notre catalogue, et prétendre le contraire serait le genre d’affirmation contre lequel cet article argumente. Ce que nous proposons bien, dans la même famille, c’est le modèle vidéo, minimax/minimax-h3, au prix catalogue du fournisseur, avec 0 % de marge, répercuté tel quel — ce qui signifie qu’un changement de prix MiniMax, y compris la remise 4K et son expiration, est appliqué ici le jour même où il survient, et non lors de la prochaine migration de facturation. Si le modèle d’image arrive un jour au catalogue, il y arrivera selon les mêmes conditions. En attendant, cette solution, c’est l’API propre à MiniMax ou vos propres GPU.