MiniMax-H3-Image-PE : MiniMax a livré un expandeur de prompts de 27 milliards de paramètres pour son modèle d'image sans prévenir personne

There is no launch post for MiniMax-H3-Image-PE. There is no entry on M​iniMax's news feed, no blog, no changelog line, no social post — on 2026-11-11 the company's news index lists H3, M3.1 Flash, Speech 2.8 and Music 3.0, and nothing about images at all. What exists instead is a Hugging Face repository whose first commit is timestamped 2026-11-10 at 14:38 UTC, a model card that never states a release date, and a license file dated November 10, 2026. That is the whole announcement. MiniMax-H3-Image-PE is a prompt-expansion model — a caption writer — built to feed its sibling MiniMax-H3-Image, the open-weights 33.1B image generator M​iniMax published on 2026-11-03. The image model got eight days of quiet; its prompt expander has had one. Everything below that carries a number comes from those two repositories, the license text, or M​iniMax's own API documentation, and where something is not knowable from those sources it is marked as such rather than guessed. MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter as of 2026-11-11, so this is a self-hosted evaluation. the catalogue The rest of the catalogue is one key away when you want to compare the expansion against a text model you already trust.

The short version, for anyone deciding whether to care: this model does not draw anything. You give it a sentence, it gives you back a long English description of the image you meant plus a recommended aspect ratio, wrapped in a two-key JSON object. A 27B model exists to write that paragraph because MiniMax-H3-Image is unusually fussy about its input — the parent card says it "expects a detailed English description of the whole image" and truncates anything past 4096 tokens. If you have ever typed six words into an image model and gotten six words' worth of thinking back, that gap is what this repository is trying to close, and on 2026-11-10 M​iniMax open-sourced its side of the fix.

Que contient réellement le dépôt, et que disent les horodatages ?

The repository is MiniMaxAI/MiniMax-H3-Image-PE on Hugging Face. Its creation timestamp is 2026-11-08 15:35 UTC; its first commit — unhelpfully titled "Init MiniMaxAI/MiniMax-H3-Image-PE" — landed two days later, on 2026-11-10 at 14:38 UTC, authored by M​iniMax staff accounts ryanlee-dev and 500kg. A second commit followed 38 minutes later adding a Diffusers usage section, and that one is a pull request merged from Hugging Face's own multimodalart, which tells you the diffusers integration was contributed from outside M​iniMax rather than shipped by it. Three pull requests were opened against the repo on its first day, all closed or merged. None of them is an announcement.

What is inside is a checkpoint in four safetensors shards totalling roughly 17.9 GB, a tokenizer, a chat template, a quantisation config, and — the part that matters more than the weights — a prompt/ directory containing the actual system prompt, task prompt and request parameters M​iniMax uses. There is also a single client script, scripts/expand_prompt.py. The repository declares 27.4B parameters in total across two tensor types: about 25.6B stored as U8 and 1.76B left in BF16. That split is explained by the quantisation config, which records NVFP4 with a group size of 16 and lists the modules held out of quantisation — the embedding table and the convolution and gating projections inside each linear-attention block.

The base model is stated plainly on the card and in the metadata: Qwen3.8-27B, the Apache 2.0 vision-language model Q​wen published on 2026-08-05. So the architecture is Q​wen's, the weights are M​iniMax's fine-tune, and the packaging — NVFP4 rather than BF16 — is M​iniMax optimising for deployment rather than for redistribution fidelity. The card says the FP4 weights occupy about 19 GiB of GPU memory and that GPUs with native FP4 support run the NVFP4 weights directly while others fall back to bitsandbytes.

Ce qu'il fait, précisément

Deux workflows coexistent dans le dépôt, et ce n'est pas la même chose. C'est la chose la plus importante à comprendre avant de télécharger 18 Go.

• Text-to-image PE — vous obtenez tout : les poids affinés, le prompt système, le prompt de tâche, les paramètres de requête et un client fonctionnel. Cette voie est complète et exécutable dès aujourd'hui.

• Édition d’images PE — vous recevez un prompt et un exemple d’assemblage de message. Aucun poids. La fiche le dit clairement : « L’édition d’images PE est encore en cours de développement ; cette version ne fournit que son prompt. » Vous êtes censé exécuter ce prompt via un modèle vision-langage de votre choix.

Le parcours texte-vers-image prend votre instruction, la développe et renvoie un JSON contraint par un schéma à exactement deux clés. La sortie pour une invite de test — « Un chat tigré orange dormant sur un rebord de fenêtre ensoleillé » — est une phrase unique sur des photographies chaleureuses et une douce lumière d’après-midi, plus le ratio « 3:2 ». Le schéma est strict, avec additionalProperties défini sur false, et le champ ratio est une énumération de dix valeurs : 1:1, 5:4, 4:3, 3:2, 16:9, 21:9, 4:5, 3:4, 2:3, 9:16. Il n’y a pas de ratio en texte libre, pas de jeton « auto » dans la sortie, et aucun moyen pour le modèle de répondre autre chose que l’une de ces dix chaînes. C’est un choix de conception délibéré et il correspond directement à la table de tailles publiée du modèle parent, qui liste exactement ces ratios avec des dimensions en pixels allant de 4096×4096 en 1:1 jusqu’à 6272×2688 en 21:9.

Le choix du ratio n’est pas une question de ressenti. Le prompt de tâche publié consacre plusieurs centaines de mots à un ordre de priorité strict : un canevas final explicite l’emporte en premier, puis le livrable demandé (une affiche est verticale, un en-tête de diapositive est horizontal, un avatar est carré), puis la composition principale du sujet, puis le contexte facultatif — avec un avertissement explicite selon lequel « une pièce, un parc, une forêt, un ciel ou un arrière-plan cinématographique génériques ne doivent pas faire basculer un sujet ciblé en horizontal ». Le prompt interdit également d’inventer une plateforme : vous n’êtes pas autorisé à présumer Instagram. Et il distingue une scène représentée d’un artefact de communication — un tableau de bord, une affiche, un emballage, un schéma technique ou une composition à plusieurs panneaux est construit comme une architecture de l’information plutôt que comme une scène contenant les objets demandés. Pour quiconque a vu un modèle d’image transformer « une diapositive de résultats trimestriels » en photographie d’une salle de réunion, cette distinction est l’aspect intéressant de cette version.

Pourquoi dépenser 27 milliards de paramètres pour une légende

La réponse se trouve dans la documentation du modèle parent, et elle est plus intéressante que l'expandeur de prompt lui-même. MiniMax-H3-Image est un transformateur de diffusion dense à flux unique de 33,1 B, 50 couches, taille cachée 5376, 56 têtes d'attention, lisant les états cachés de la 50e couche d'un encodeur de texte Qwen3-VL complet hérité inchangé de MiniMax-H3. Cet encodeur de texte fait 66,7 Go et ne se trouve pas dans le dépôt de l'image — vous le téléchargez séparément depuis le dépôt du modèle vidéo. Le checkpoint est distillé en six étapes d'échantillonnage sans guidage sans classificateur, et l'API l'impose : tout num_inference_steps autre que 6 et tout guidance_scale autre que 1 renvoie HTTP 400, et negative_prompt est rejeté d'emblée. Il n'y a aucun réglage à ajuster.

When there is no dial, the prompt is the control surface. That is the design logic connecting the two repositories: a six-step distilled sampler with no negative prompt has very little room to interpret a short instruction, so M​iniMax moved the interpretation into a separate model that can think before it writes. The hosted equivalent is an API endpoint called H3-Image-Context-IR, which does the same job server-side — accepts up to 32,000 characters of prompt and one to sixteen reference images, returns a revised prompt and a chosen ratio, and bills by converting the expansion model's input, output and thinking tokens into text tokens. MiniMax-H3-Image-PE is that endpoint's local escape hatch, and the parent card recommends exactly that usage: run the PE, save its expanded_caption into the generation call, and skip paying for enhancement twice.

The request parameters released with the PE are worth reading as a statement of intent rather than as tuning advice. Temperature 1.0, top_p 0.95, top_k 20, a 4096-token budget that includes thinking, and reasoning_effort set to "xhigh", with thinking enabled and preserved. M​iniMax is running its caption writer in maximum-deliberation mode and constraining only the final serialisation, not the reasoning. Serving that means SGLang 0.5.23 or newer with XGrammar 0.2.7 or newer, the q​wen3 reasoning parser, and constrained JSON decoding — or the Diffusers modular-blocks route the card documents. One caveat on that second route: the blocks repository the card points at, diffusers/minimax-h3-image-pe-blocks, returned HTTP 401 when checked on 2026-11-11, so it was not publicly readable at the time of writing. The card's Diffusers section may well be ahead of the artifact it depends on.

La licence est ce qui va réellement empêcher les gens.

MiniMax-H3-Image-PE n’est pas concédé sous licence séparément. La fiche indique qu’il « fait partie de MiniMax-H3-Image et est donc soumis » au MiniMax-H3-Image Community License Agreement, et le fichier de licence comporte une ligne de date indiquant « date de publication/date de licence : 10 novembre 2026 ». Lisez cela attentivement, car cela signifie que la date de licence de l’extension de prompt et la date de publication du modèle d’image parent sont séparées de huit jours, tandis que la licence elle-même est un seul document régissant les deux.

Trois clauses comptent plus que les autres, et aucune d’elles ne correspond à l’histoire habituelle des « poids ouverts » :

• Territoire — la concession ne s'applique qu'au sein du « Territoire applicable », défini comme le monde entier à l'exclusion de l'Union européenne, du Royaume-Uni, de la République de Corée et des États-Unis d'Amérique. Il s'agit d'une exclusion territoriale, et non d'une restriction d'utilisation, et elle est énoncée dans les définitions plutôt qu'enfouie dans une annexe.

• Échelle commerciale — La section IV exige une autorisation écrite préalable distincte si votre chiffre d'affaires annualisé, ou celui de vos sociétés affiliées, dépasse 1 million USD, ou si vous fournissez de quelque manière que ce soit un service hébergé à des tiers. La seconde condition ne prévoit aucun seuil de chiffre d'affaires.

• Attribution de l’interface — la même section exige que vous affichiez de manière bien visible « MiniMax-H3-Image » sur l’interface utilisateur de tout produit ou service commercial utilisant les œuvres.

Il existe aussi une condition de redistribution exigeant un fichier NOTICE avec une mention de copyright spécifique, ainsi qu’une obligation de la section V de maintenir des garde-fous contre les sorties en infraction, avec un mécanisme de signalement et le devoir d’agir sur les signalements de bonne foi. Rien de tout cela n’est inhabituel pour une licence communautaire en 2026. C’est l’exclusion territoriale qui déterminera, pour beaucoup d’équipes, si le téléchargement de 18 Go vaut même la peine d’être lancé — et c’est la clause la plus susceptible de passer inaperçue, car la page du modèle sur Hugging Face ne la fait apparaître que comme « other » avec un lien.

Ce qui n’est pas encore connaissable

Être clair sur la limite est plus utile que de la combler.

• Aucun chiffre de référence. Aucune des deux cartes ne publie le moindre score. La maison mère ne formule que des affirmations qualitatives — « le meilleur respect des instructions parmi les modèles open source », « l’état de l’art » — et aucune évaluation indépendante de MiniMax-H3-Image, ni de son extenseur de prompt, n’a été trouvée au 11 novembre 2026. Il n’y a ni Elo, ni taux de victoire basé sur les préférences, ni comparaison de la qualité d’expansion avec le point de terminaison Context-IR hébergé.

• Aucune preuve que le parcours d’édition fonctionne. Le prompt d’édition est réfléchi et d’une spécificité inhabituelle — il exige que l’appelant fournisse le ratio L:H réduit de chaque image de référence, indique au modèle de ne jamais estimer le ratio source à partir d’un aperçu et lui demande de construire la cible visée plutôt que de prétendre avoir vu un résultat masqué. Mais aucun poids n’est fourni avec, donc personne n’a mesuré si un VLM général y obéit aussi bien que le ferait vraisemblablement le modèle affiné.

• No announcement, therefore no stated intent. Whether this is a permanent commitment or a byproduct of the image launch is not stated anywhere. The repository has no roadmap, no model index entry, and no discussion from M​iniMax explaining why the expander was split out rather than folded into the image checkpoint.

• Les chiffres de téléchargement sont trop petits pour être lus. MiniMax-H3-Image affichait 667 téléchargements et 136 likes le 2026-11-11, huit jours après sa publication. Le modèle PE affichait 0 téléchargement et 7 likes. Sur un dépôt vieux d’un jour, c’est un plancher, pas un verdict — mais cela signifie que personne n’a encore publié de rapport de terrain.

Où cela s’inscrit si vous construisez réellement quelque chose

La question pratique n’est pas « ce modèle est-il bon » — personne ne peut encore y répondre — mais « à quoi son adoption m’engage ». Trois choses, concrètement. Vous vous engagez à exécuter deux modèles au lieu d’un : un expandeur de 18 Go, plus un checkpoint d’image de 68,65 Go, plus un encodeur de texte de 66,7 Go que vous possédez probablement déjà si vous utilisez MiniMax-H3. Vous vous engagez à un budget de décodage fixe de 4096 tokens, raisonnement compris, ce qui, avec un délai d’expiration des requêtes que la documentation de l’API fixe à 600 secondes, n’est pas une latence que vous pouvez dissimuler derrière une interface interactive sans précaution. Et vous vous engagez à une licence dont la portée territoriale exclut quatre grands marchés.

The mitigation for the first two is the same one that applies to any model you have not measured yourself: put it behind a routing layer rather than into a hardcoded call path. This is the case routing is built for — the expander is a text-generation model behind an OpenAI-compatible /v1/chat/completions endpoint, so it can sit alongside everything else on one key, and a routing rule can send long or structured prompts to it while a shorter path handles the rest. If the expansion turns out to degrade a particular workload, failover moves that traffic without a redeploy. That is also the honest way to evaluate an unproven model: run it on a slice, keep the old path warm, and let the comparison decide. One clarification worth stating plainly, since it is easy to assume otherwise — MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter's catalogue as of 2026-11-11, so this is a self-hosted evaluation, not a call we can make for you. What the catalogue does carry is M​iniMax's H3 video model and the M3.x text line at provider list price with zero markup passed through, which is the same arithmetic that applies the day an image endpoint arrives.

For the third — the territory clause — no amount of engineering helps. If you are in the EU, the UK, Korea or the US, the license does not grant you the rights it grants everyone else, and M​iniMax's own remedy is to contact them for a separate grant "based on robust controls and guardrails." That is a business conversation, and it should happen before the download, not after.

Quoi regarder

Two signals would turn this from a repository into a release. The first is an announcement: a blog post, a model-index entry, a mention on M​iniMax's news feed. Its absence is currently the most informative thing about the launch, and its arrival would clarify whether the PE is meant to be the default local path or a stopgap. The second is the Diffusers blocks repository becoming publicly reachable — right now it returns 401, and until it resolves, the "run it locally through Diffusers" route documented on the card is a claim rather than a path.

In between, the thing to actually read is the task prompt. It is a few hundred lines of plain English describing how to decide what an image is for, and it is the most concrete artefact M​iniMax has published about how it thinks image prompts should work. You can learn more from it in ten minutes than from any benchmark table, and unlike the weights, it costs nothing to read.