Une carte de titre générée intitulée « MiniMax-H3-Image : trois affirmations, trois pistes documentaires », avec le sous-titre « ce que l’article de lancement affirmait » et trois cartes arrondies : « 0,87 seconde mesurée, mais sur une toile de 2 048 pixels à 0,88 seconde sur quatre H200 », « La prise en charge de Vera Rubin est une recette de modèle vidéo, ouverte puis fermée sans fusion le même jour » et « Éditeur à poids ouverts numéro un — tient, à 1 138 Elo : douzième au classement général dans une bande de rangs allant de huit à dix-sept ». Le pied de page indique « Latence selon la recette vLLM-Omni H200 ; chiffres du classement issus d’Artificial Analysis, 13 novembre 2026. » Le véritable logo OrcaRouter est intégré dans la bande ajoutée en bas à droite.
Engineering & Research

MiniMax-H3-Image : ce que l'annonce de lancement promettait, et ce que vLLM-Omni a réellement livré

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

Trois affirmations sont arrivées ensemble avec MiniMax-H3-Image, et il vaut la peine de les séparer car elles s’appuient sur des quantités de documents très différentes. Le modèle est un transformateur de diffusion à flux unique de 33,1B qui génère et édite des images à environ seize mégapixels, distillé en six étapes d’échantillonnage sans guidage sans classifieur, et ses poids ont été publiés sur Hugging Face le 10 novembre 2026 à 14:50 UTC. La publication l’annonçant indiquait que le modèle était le modèle à poids ouverts numéro un pour l’édition d’images sur Artificial Analysis, que la prise en charge de NVIDIA Vera Rubin pour MiniMax-H3-Image était en cours d’ajout à vLLM-Omni, et que la génération native en 4K s’exécutait en 0,87 seconde. La première tient, mais uniquement au sein d’une cohorte à poids ouverts et seulement dans une bande de confiance large de dix rangs ; la deuxième décrit un dossier qui cible un autre modèle et a été clos sans fusion ; la troisième est un nombre réellement mesuré rattaché à un canevas d’un quart de la taille que sa phrase laisse entendre.

Rien de tout cela ne rend le modèle moins bon. Cela rend l’annonce plus difficile à exploiter, car un lecteur qui prendrait ces trois éléments au pied de la lettre planifierait un pipeline 4K autour d’un chiffre de latence qui correspond à une configuration de 4 mégapixels.

Le nombre de 0,87 seconde figure dans le dépôt, et il est rattaché à un canevas de 2048 pixels.

La recette propre à vLLM-Omni pour MiniMax-H3-Image comporte un tableau des latences mesurées sur huit configurations de GPU, et le chiffre qui résiste à la confrontation avec l’article de lancement est le suivant : sur quatre H200 avec le parallélisme de séquence Ulysses réparti sur les quatre, une requête texte-image en 2048×2048 prend 0,88 seconde, et une édition en 2048×2048 prend 1,35 seconde. Il s’agit des médianes de trois requêtes après un seul échauffement, avec une concurrence de 1, à graine fixe, mesurées de bout en bout côté client.

La même ligne mesure la plus grande requête essayée par les auteurs — 4736×3552, soit 16,8 mégapixels et, dans le tableau, l’élément le plus proche d’une plaque 4K — à 3,84 secondes. Ainsi, la version honnête de l’affirmation sur la vitesse est qu’une image de 4 mégapixels prend environ neuf dixièmes de seconde sur un nœud à quatre GPU, et que l’image de 16 mégapixels pour laquelle le modèle est conçu prend environ quatre secondes. Le chiffre de 0,87 se situe dans le bruit de mesure de celui de 0,88 ; c’est le canevas qui a changé, pas le modèle.

Ce qui en fait davantage qu’une simple critique sur les arrondis, c’est que les requêtes inférieures à 2048×2048 ne s’exécutent pas réellement à leur taille nominale. Le chemin de service génère tout élément plus petit sur un canevas d’au moins 2048×2048 au même rapport d’aspect, puis réduit l’échelle avec Lanczos sur l’appareil. C’est pourquoi 1024×1024 coûte 0,77 seconde et 2048×2048 coûte 0,88 — il s’agit de la même quantité de travail, avec une quantité différente de redimensionnement ensuite. La recette expose le seuil minimal sous la forme de min_generation_area, réglable de 32² à 4096² pixels, de sorte qu’un déploiement qui a réellement besoin de vignettes peu coûteuses doit choisir explicitement de les activer.

Le reste du tableau est la partie utile pour quiconque dimensionne du matériel :

• Quatre H200, Ulysses SP 4 — 81,3 Gio de pic par GPU, 0,88 s pour une image 2048², 3,84 s à 4736×3552, 1,35 s pour une édition 2048².

Quatre H200, DiT avec parallélisme tensoriel 4 — 36,2 GiB par GPU, 1,00 s et 4,01 s, et les modifications restent à 38,3 dB PSNR près de la référence en parallélisme de séquence.

• Quatre H200, TP 2 × SP 2 — 52,2 GiB par GPU, 1,09 s et 4,07 s, 37,1 dB par rapport à la même référence.

• Deux H200, Ulysses SP 2 — 94,6 GiB par GPU, 1,48 s et 6,82 s. C’est la configuration qui nécessite presque toute la carte.

• Un H200 avec l’encodeur de texte déporté — 73,4 GiB, 3,18 s et 12,39 s pour les deux mêmes tailles.

• Un H200 avec déchargement couche par couche à la fois du DiT et de l'encodeur de texte — 14,7 GiB, 8,30 s et 12,85 s.

Les deux dernières lignes sont les plus intéressantes sur le plan commercial, car elles représentent ce qu'une seule carte louée vous permet d'obtenir. À 14,7 GiB, le modèle tient confortablement et met huit secondes pour quelque chose qu'un nœud à quatre GPU fait en moins d'une seconde — un rapport d'environ neuf pour un en latence pour un rapport d'environ quatre pour un en matériel. Les profils d'offload sont limités par les copies hôte-vers-périphérique, si bien que leur latence augmente à peine avec la taille de l'image : l'écart entre une requête 2048² et une requête de 16,8 MP sur le chemin DLO mono-GPU est de 8,30 secondes contre 12,85. Si votre charge de travail concerne de grandes images et que vous disposez d'une seule carte, l'offload n'est pas la catastrophe que la latence brute laisse suggérer.

A generated single-column scoreboard titled 'MiniMax-H3-Image — what one node buys you', with six rows: '4 x H200, sequence parallel: 81.3 GiB per GPU, 0.88 s at 2048 square'; '4 x H200, tensor parallel: 36.2 GiB per GPU, 1.00 s at 2048 square'; '4 x H200, TP2 x SP2: 52.2 GiB per GPU, 1.09 s at 2048 square'; '2 x H200, sequence parallel: 94.6 GiB per GPU, 1.48 s at 2048 square'; '1 x H200, text encoder offloaded: 73.4 GiB, 3.18 s'; '1 x H200, layer-wise offload: 14.7 GiB per GPU, 8.30 s'. The footer reads 'Every figure from the official vLLM-Omni H200 recipe; a 16.8 megapixel request takes 3.84 s on the four-GPU sequence-parallel layout.' The OrcaRouter logo is composited in the added strip at bottom-right.

Pourquoi la première image coûte plus cher que ne le suggèrent les poids du modèle

Le checkpoint que les gens téléchargent n'est pas ce qui s'exécute. Le dépôt de 68.65 GB contient le transformer de diffusion BF16, mais le servir exige aussi l'encodeur textuel Qwen3-VL complet extrait de MiniMax-H3 — un second artefact d'environ 66.7 GB — plus un VAE de 0.58B, et le nombre de paramètres propre à la recette additionne les trois pour atteindre 67B. C'est le nombre qui sous-tend le chiffre de 73.4 GiB sur un seul GPU avec l'encodeur textuel résident, et la configuration résidente à deux GPU nécessitant 94.6 GiB par carte.

La conséquence est un problème d’arithmétique le jour du lancement. Un modèle d’image de 16 mégapixels dont les poids arrivent sous la forme de deux gros téléchargements et dont le déploiement rapide le moins coûteux nécessite quatre GPU de centre de données n’est pas un projet de week-end, et les frameworks qui revendiquent une prise en charge dès le premier jour revendiquent celle du pipeline, pas celle de votre bureau. La recette précise explicitement quel matériel a réellement été mesuré et lequel a seulement été configuré : le H200, le RTX PRO 6000 Blackwell à deux et quatre cartes, ainsi que les MI325X et MI350X sont marqués comme vérifiés, tandis que les recettes H100, B200 et B300 sont uniquement de configuration. La recette distincte pour un seul RTX 4090 existe et est étiquetée comme un déploiement communautaire plutôt que comme un déploiement qualifié par le fournisseur.

L'affirmation de Vera Rubin pointe vers le modèle vidéo, et la pull request a été fermée.

Voici l’affirmation qui a nécessité le plus de recherches, car le travail est réel et sa forme n’est pas celle décrite dans la publication. Il existe une pull request dans vLLM-Omni portant le numéro 10108, ouverte le 10 novembre 2026 à 11:10 UTC, intitulée « [Doc] Add MiniMax-H3 Rubin recipe and inference results ». Elle apporte 1 972 lignes réparties sur quatre fichiers, documente une recette hors ligne sur quatre GPU sur du matériel NVIDIA VR NVL72 avec 286 524 MiB par carte sur un hôte aarch64, et rapporte des mesures authentiques : une requête texte-vers-vidéo de 1344×768, de cinq secondes, à 24 FPS a pris 19,811 secondes en médiane avec l’attention TRTLLM et l’exécution eager, contre 110,039 secondes avec SDPA. Les variantes première/dernière image clé et référence mixte ont donné 21,535 et 21,461 secondes.

Chacune de ces tâches est une tâche vidéo. T2VA, FL2VA et Ref2VA sont les noms de tâches de MiniMax-H3, et non ceux de MiniMax-H3-Image, et la description de la pull request elle-même indique que le guide MiniMax-H3 existant ne disposait pas d'un environnement Rubin qualifié. L'index des recettes du dépôt le confirme : MiniMax-H3-Image dispose de recettes pour H200, H100, B200, B300, RTX PRO 6000, MI325X et MI350X, Intel Arc Pro B70, Ascend Atlas, RTX 4090 et MUSA, et rien pour Rubin.

Puis la pull request a été fermée. Elle avait été ouverte à 11:10 UTC le 10 novembre et fermée à 12:05 le même jour, sans être fusionnée, après que le réviseur automatique a demandé à l'auteur un commentaire d'auto-révision. Son auteur a été franc sur les limites dans la description elle-même : le démarrage HTTP a échoué avec les nightlies vLLM testées, la recette consigne ces échecs plutôt que de revendiquer la prise en charge HTTP, et l'inférence sur une révision de base plus récente était listée sous « non exécuté ». Un listage du répertoire main effectué aujourd'hui ne contient aucune recette Rubin pour l'un ou l'autre des modèles M​iniMax.

Donc, l’affirmation exacte est qu’un contributeur a rédigé et mesuré une recette Rubin pour MiniMax-H3 — le modèle vidéo — et que le brouillon n’a pas abouti. Si le support arrive, il arrivera sous la forme d’un fichier fusionné sous l’index des recettes, et c’est cela qu’il faut surveiller, plutôt qu’une publication sur les réseaux sociaux. Les frameworks du premier jour de MiniMax-H3-Image, en revanche, sont ceux qui ont des commits de fusion derrière eux : la pull request de prise en charge du modèle de vLLM-Omni a été fusionnée le 11 novembre à 07:32 UTC, et la pull request de recette associée a été fusionnée le 10 novembre à 14:53 — soit environ dix-sept heures plus tôt, ce qui montre avec quelle légèreté l’expression « premier jour » est appliquée à la documentation.

A headless-Chromium screenshot of the vllm-project/vllm-omni pull request #10108, '[Doc] Add MiniMax-H3 Rubin recipe and inference results', opened by Lishunyang12, showing one commit, 4 files changed and +1,972 lines, and a visible contributor-intent questionnaire whose answers describe documenting a Rubin recipe with measured inference results. The pull request is closed and unmerged.

L’affirmation concernant l’arène est vraie et bien plus limitée qu’elle n’en a l’air.

Artificial Analysis exploite deux classements pertinents, un classement text-to-image d’image-arena et un classement d’édition d’images, tous deux avec des scores Elo, des intervalles de confiance et des nombres d’échantillons, et MiniMax-H3-Image figure dans les deux. Sur le classement d’édition, AA-Image-Editing v2.1, il se situe à 1 138 Elo à la douzième place, dans une fourchette de places allant de la huitième à la dix-septième, sur environ 3 200 échantillons, à 26,54 $ pour mille images. Sa variante plus rapide, MiniMax-H3-Image Highspeed, est une place derrière à 1 134, dans une fourchette de la neuvième à la vingtième place. Le commentaire du classement lui-même met le modèle en avant comme l’entrée à poids ouverts la mieux classée, devant Fibo 2.0 à 1 085 et Qwen-Image-2.1 à 1 084. Ainsi, l’affirmation de l’article de lancement est exacte telle qu’elle est formulée — numéro un parmi les modèles à poids ouverts pour l’édition d’images — et le chiffre qui la sous-tend est un chiffre réel, issu des votes et vérifiable publiquement.

A headless-Chromium screenshot of Artificial Analysis's AA-Image-Editing v2.1 leaderboard in English, headed 'Ranks image models on editing an image from a text instruction, by Elo from pairwise human preference votes'. The leading rows read GPT Image 2.6 Sunburst (max) at 1,210 over about 6,300 samples, GPT Image 2.6 Flare at 1,206, GPT Image 2.5 Sunburst at 1,201, MAI-Image-2.7-Preview at 1,198 and GPT Image 2.5 Flare at 1,184. Further down the same list, MiniMax-H3-Image sits at 1,138 in an 8-17 rank band over 3,187 samples at $26.54 per 1,000 images, dated November 2026, with MiniMax-H3-Image Highspeed at 1,134 in a 9-20 band over 3,083 samples at $45.25 per 1,000 images, and the open-weights callout marks it as the highest-placed open-weight entry.

Ce que la phrase omet, c’est la taille de l’écart et la largeur de l’intervalle. Le leader de ce classement est GPT Image 2.6 Sunburst avec 1 210 Elo sur environ 6 400 échantillons, GPT Image 2.6 Flare à 1 206 et GPT Image 2.5 Sunburst à 1 201 — soit environ soixante-dix points Elo au-dessus de MiniMax-H3-Image, ce qui, en termes d’Elo, constitue une séparation substantielle et probablement durable plutôt qu’un bruit. La bande de la huitième à la dix-septième place constitue l’autre moitié de l’histoire : avec cet effectif d’échantillons, le modèle pourrait plausiblement être huitième ou dix-septième, et sa propre variante Highspeed se situe dans le même chevauchement. « Meilleur modèle à poids ouverts pour l’édition » et « proche du meilleur modèle d’édition » sont des affirmations différentes, et seule la première est étayée.

C’est en génération d’images à partir de texte que l’affirmation devient plus fragile. Sur AA-Image-T2I v2.1, le modèle se classe vingt-troisième avec 1 066 Elo, Highspeed étant vingt-deuxième avec 1 070, face à Sunburst 2.6, premier avec 1 261 sur 5 282 échantillons. Cela représente un écart de deux cents points Elo, et la même avance parmi les modèles à poids ouverts s’applique — Qwen-Image-2.1 avec 1 046 et FLUX 3 Image Klein avec 1 042 sont derrière lui —, mais « meilleur modèle à poids ouverts pour l’édition d’images » ne doit pas être interprété comme une affirmation générale sur la qualité d’image. La force du modèle en édition est réelle, et sa force en génération se situe dans le milieu du peloton.

Les termes de qualité employés dans la fiche du modèle sont qualitatifs — meilleur suivi d’instructions parmi les modèles open source, aucun tableau comparatif joint — et la seule preuve de résultats fournie par le fournisseur est une grille de démonstration sélectionnée. C’était normal pour une version publiée depuis trois jours. Cela signifie bien que l’argumentaire en faveur du modèle est désormais un score mesuré assorti d’un intervalle large, plus un argument tiré de la résolution et du prix, plutôt que l’affirmation que le billet de lancement laissait entendre.

Qu’est-ce qui est réellement livré, et comment l’essayer sans miser tout un pipeline dessus

Si l’on dépouille l’annonce, le fond est peu glamour et bien réel. Un modèle d’image de 33,1 milliards de paramètres avec un échantillonneur en six étapes, aucune échelle de guidage à régler, seize emplacements de référence et une sortie native de 16 mégapixels, livré sous licence ouverte ; un pipeline vLLM-Omni qui réutilise le DiT et l’encodeur de texte du modèle vidéo H3 ; une recette officielle H200 avec huit configurations mesurées ; quatre autres recettes matérielles à divers stades de qualification ; un chemin diffusers ; et une intégration ComfyUI. L’API impose l’échantillonneur : une requête avec num_inference_steps différent de six, ou guidance_scale différent de un, ou n’importe quel prompt négatif, renvoie une erreur HTTP 400.

Pour les équipes qui souhaitent l’évaluer plutôt que s’y engager, la configuration pratique consiste en un déploiement avec déport sur un seul GPU de 14,7 GiB — lent, mais suffisamment petit pour tenir à côté de tout ce qui se trouve déjà sur la carte — et en un passage à une disposition en parallélisme de séquence sur quatre GPU seulement lorsque la qualité de sortie justifie le nœud. Le modèle est également accessible via l’API propre à M​iniMax à des tarifs facturés au token, et plusieurs plateformes tierces le proposent ; il ne figure pas au catalogue d’OrcaRouter.

Ce qu'OrcaRouter propose bel et bien, c'est le modèle vidéo sur lequel repose ce checkpoint d'image : minimax/minimax-h3 est routable dès aujourd'hui au prix catalogue du fournisseur, sans aucune marge répercutée par-dessus, ce qui compte si la raison pour laquelle MiniMax-H3-Image vous intéresse est que vous générez déjà de la vidéo sur la même famille et préférez détenir une seule clé plutôt que deux contrats. Le basculement automatique de la même couche de routage est aussi la manière la moins spectaculaire de tester un modèle non mesuré en production — diriger une part du trafic vers lui, garder un repli mesuré derrière, et laisser le routage décider en fonction des erreurs plutôt que d'une position dans un classement qui reste une bande de dix rangs.

Qu'est-ce qui réglerait la question ?

Trois choses, par ordre de ce qu’elles changeraient le plus à la donne. Un intervalle plus resserré sur le tableau de classement d’édition — le modèle est à 1 138, dans une fourchette de la huitième à la dix-septième place sur environ 3 200 échantillons, et davantage de votes en ferait un rang réel plutôt qu’une plage. Une recette Rubin fusionnée pour le modèle d’image — pas celui de vidéo — rendrait l’affirmation sur le matériel vraie au seul endroit qui compte, l’index des recettes. Et une seconde mesure indépendante de la latence en 16 mégapixels permettrait de reformuler le chiffre phare de 0,87 seconde pour ce qu’il est : quatre mégapixels sur quatre H200, à environ neuf dixièmes de seconde, la véritable plaque 4K étant à quatre fois ce chiffre.

D’ici là, le résumé défendable est plus restreint que l’article et plus utile : le modèle est rapide aux tailles que la plupart des gens génèrent réellement, son mode 16 mégapixels est une opération de quatre secondes sur un nœud à quatre GPU plutôt qu’une opération sous la seconde, sa prise en charge des frameworks est réelle pour le matériel qui a des commits de fusion à son actif, et son rang au classement est authentique mais limité — premier parmi les modèles à poids ouverts, douzième au classement général, quelque part entre la huitième et la dix-septième place, et environ soixante-dix points Elo derrière le modèle que l’article laissait entendre qu’il avait battu.