MiniMax-H3-Image vs GPT Image 2.5 : les deux acceptent 16 références, et c’est là que la similitude s’arrête.

The number sixteen appears on both spec sheets, and it means two different things. MiniMax-H3-Image accepts up to sixteen reference images in a single edit, addressed by upload order as <Picture 1> through <Picture 16>, with the request body capped by nothing except a 32,000-character prompt. GPT Image 2.5 — the Sunburst and Flare pair that O​penAI shipped on 8 September 2026 — accepts up to sixteen input images too, and its documentation is explicit about what happens when you send more than one: markup and masks apply to the first image, and everything after it is a reference. Sixteen slots against sixteen slots, one of which is the whole control surface and the other of which is a parameter you will probably never fill.

Cette coïncidence est ce qui rend le plus utile la mise côte à côte de ces deux modèles, car tout le reste chez eux est asymétrique d’une manière facile à énoncer et difficile à surestimer. GPT Image 2.5 est le deuxième et le quatrième meilleur modèle d’image au monde sur le tableau texte-image d’Artificial Analysis, avec treize mille votes à l’aveugle derrière chaque classement. MiniMax-H3-Image n’a aucun classement — ses poids sont arrivés sur Hugging Face le 10 novembre 2026 à 14 h 50 UTC, un jour avant la rédaction de ce texte, et aucune arène n’a eu le temps de l’évaluer. Il ne s’agit donc pas d’une comparaison entre deux candidats sur un pied d’égalité. C’est la comparaison d’un modèle mesuré et d’un modèle non mesuré, et la question utile est de savoir ce que le modèle non mesuré offre qui justifierait de le vérifier.

À quoi ressemblent réellement les deux appels

O​penAI's side is two model ids doing one job between them. gpt-image-2.5-sunburst is positioned for detailed compositions and precise editing; gpt-image-2.5-flare is the fast everyday variant. Both share the same snapshot date, the same endpoint surface and the same rate, and the split is latency against precision rather than capability against capability. There is no bare gpt-image-2.5 alias — you pick a variant. Generation goes to v1/images/generations, edits to v1/images/edits as multipart form data, and Batch is supported at half the output rate. Quality is a dial with six settings — low, medium, high, xhigh, max and auto, with auto the default.

M​iniMax's side is one model with two service tiers. MiniMax-H3-Image is a 33.1B dense diffusion transformer — 50 layers, hidden size 5,376, 56 attention heads, FFN width 14,336, 3D multimodal RoPE — distilled to six sampling steps with no classifier-free guidance. The served API enforces that: num_inference_steps must be 6 and guidance_scale must be 1, or you get an HTTP 400, and negative prompts are refused. Highspeed is the same weights at a higher per-token rate. There is no quality dial, no step count to raise, no second variant with different behaviour. You send a prompt and up to sixteen pictures and you get one image back, in a fixed number of passes.

Read those two paragraphs next to each other and the design philosophies separate cleanly. O​penAI gives you knobs and expects you to find the setting that fits the job. M​iniMax gives you one setting and expects the model to be good enough at it. The first is a tool; the second is an appliance.

C’est sur la taille que l’écart est le plus large, et ce n’est pas de peu.

GPT Image 2.5 tops out at 3840×2160 — 8.29 megapixels — with dimensions required to be multiples of 16, an aspect ratio between 1:3 and 3:1, and anything above 2560×1440 flagged as experimental in O​penAI's own documentation. The recommended presets are 1024×1024, 1536×1024 and 1024×1536, and the custom-size path allows a pixel budget from 655,360 up to that 8,294,400 ceiling.

MiniMax-H3-Image's ceiling is roughly double that, and its floor is higher than O​penAI's ceiling-to-floor gap. The card claims about 16 megapixels at every aspect ratio — 4096×4096 at 1:1, 4736×3552 at 4:3, 5024×3360 at 3:2, 5472×3072 at 16:9, 6272×2688 at 21:9 — with the API capping output area at 20 megapixels and the practical working range described as 4 to 20 MP. There is no upscaler in the path; the model regenerates detail rather than enlarging it.

• Sortie maximale — GPT Image 2.5 : 3840×2160, 8,29 MP. MiniMax-H3-Image : environ 16 MP, jusqu'à 20 MP via l'API.

• Sortie minimale utile — GPT Image 2.5 : 655 360 pixels, une vignette de 768 pixels est donc une requête prise en charge. MiniMax-H3-Image : environ 4 Mpx, sans palier pour les petites images.

• Reference images — both up to 16; O​penAI types the first as the edit target and treats the rest as references, M​iniMax orders all sixteen positionally with no typing.

• Contrôle de la qualité — GPT Image 2.5 : six réglages de qualité plus auto. MiniMax-H3-Image : aucun ; six étapes, sans guidage, imposé.

• Format de sortie — GPT Image 2.5 : PNG par défaut, JPEG et WebP disponibles, compression 0–100, fond transparent via background: "transparent". MiniMax-H3-Image : un PNG dans data[0].b64_json.

L’une de ces différences détermine plus de déploiements que les autres. Si votre livrable est une plaque 4K, GPT Image 2.5 ne peut pas la produire — pas même à une qualité inférieure, pas même en modifiant un réglage. Il s’arrête à 8,29 mégapixels et le reste est de l’upscaling. Ce n’est pas une critique du modèle ; c’est une affirmation sur ce à quoi sert le produit. Mais cela signifie que les deux modèles cessent de se concurrencer dès que votre besoin dépasse 8,3 MP, et aucun score Elo mesuré, aussi élevé soit-il, ne comble cet écart.

Les deux comptabilisent les jetons, et un seul publie ce qu’un jeton permet d’acheter.

O​penAI bills GPT Image 2.5 by tokens: $5 per million text input tokens ($1.25 cached), $8 per million image input tokens ($2 cached), and $30 per million image output tokens, halved to $15 on the Batch API. Text output is not charged because the model returns images rather than prose. Those rates are unchanged from GPT Image 2, which is worth knowing if you priced the previous generation.

The number that matters and does not appear in O​penAI's rate card is how many output tokens an image costs, and O​penAI does not publish it — per-image consumption was not documented at launch and is still not documented per size. The only per-image figure in circulation is Artificial Analysis's derived $210.72 per thousand images, which is about $0.21 a frame at 1024×1024 with default settings. That is a third-party derivation from measured usage, not an O​penAI price, and it should be treated as an estimate that moves with quality setting and resolution.

M​iniMax publishes the resolved number directly, because its output rate is low enough that the arithmetic is simple: $2.30 per million input text tokens, $1.50 per million input image tokens, $3.80 per million output image tokens. The vendor's own worked examples give $0.02179 for a 1K image, $0.02333 at 2K and $0.06879 at 4K — the last of which is $0.03439 while a 50% discount holds, and that discount expires on 17 November 2026 at 16:00 UTC and applies only when the delivered image is at least 16,600,000 pixels.

Put the two side by side and the shape of the trade is stark. At 1024×1024, roughly $0.21 against $0.02179 — about ten to one. At the sizes each model is designed for, the comparison gets harder to make honestly, because GPT Image 2.5 at 8.29 MP and MiniMax-H3-Image at 16 MP are not the same product. What can be said without hedging is that if you are generating at 1K in volume, M​iniMax's price is an order of magnitude lower and its quality is unmeasured; that is the entire bet, stated plainly.

Two billing details on the M​iniMax side are easy to miss. Input images are billed per token at $1.50 per million, so references are not free — going from one to three references lifts a 2K edit from $0.02658 to $0.04177 in the vendor's own example. And the API charges for a request that times out, so a client-side retry policy turns one generation into two or three billed generations. O​penAI's documented behaviour is the opposite for failed and moderated requests, which it does not charge for.

La base de données probantes est déséquilibrée, et les deux moitiés de cela comptent.

Sur le classement texte-image d’Artificial Analysis, GPT Image 2.5 Sunburst occupe la deuxième place avec un Elo de 1228 sur 13 370 échantillons, et Flare la quatrième avec 1209 sur 12 695. Sur le classement d’édition, le même duo se classe troisième et cinquième — 1199 sur 18 617 échantillons pour Sunburst, 1181 sur 19 498 pour Flare. Ces chiffres sont des estimations ponctuelles assorties d’intervalles de confiance de plusieurs dizaines de points d’Elo, ce qui signifie que Sunburst et Flare ne se distinguent pas de manière significative l’un de l’autre en texte-image et que tous deux se situent nettement au-dessus de tout ce qui figure sous le cinquième rang.

Il convient également de noter que GPT Image 2.5 n’est plus le meilleur de sa propre famille. Les variantes 2.6 — Sunburst et Flare — occupent désormais la première et la troisième place du classement texte-image, ainsi que la première et la deuxième place de l’édition, au même tarif de $210.72 par millier d’images. Ainsi, un lecteur qui choisit entre MiniMax-H3-Image et GPT Image 2.5 choisit entre un nouvel arrivant non mesuré et la génération précédente d’une gamme mesurée, alors que la génération actuelle de cette gamme se trouve à un identifiant de modèle près, au même prix. Toute personne qui choisit 2.5 pour le score devrait examiner à quoi ce score se rapporte réellement.

MiniMax-H3-Image n’a obtenu de score sur aucun des deux classements et n’a aucun tableau d’évaluation fourni par le fournisseur — pas de GenEval, pas de DPG-Bench, pas de chiffres de préférence humaine. L’affirmation de la fiche est qualitative : « le meilleur suivi d’instructions parmi les modèles open source », sans tableau comparatif joint. La grille de présentation est la seule preuve de résultat qui existe, et une grille de présentation est un artefact soigneusement sélectionné. Rien de tout cela n’est suspect pour un modèle qui n’était public que depuis un jour au moment de la rédaction. Cela signifie toutefois que chaque argument avancé en sa faveur dans cet article repose sur le prix, la résolution ou l’architecture, et aucun sur une qualité mesurée.

Budget de prompt, et ce qu’un modèle peut garder en tête

GPT Image 2.5 accepts a normal O​penAI prompt and, per O​penAI's documentation, up to sixteen input images; the practical constraint on complex edits is not a character count but the mechanics of the request — the mask must match the first image in size and carry an alpha channel, and the annotation layer for markup edits must match the first image's dimensions exactly. There is no published token ceiling for image prompts in the model's documentation, which means the ceiling you plan against is the API's, not the model's.

MiniMax-H3-Image publishes a specific and modest budget: 32,000 characters on the served API, of which only about the first 4,096 tokens take effect, and the local SGLang path truncates at 4,096 tokens outright. For a model whose pitch is instruction following, four thousand tokens is tight — a detailed brief with sixteen reference images referenced by position eats a large fraction of it. M​iniMax's answer is a companion model: MiniMax-H3-Image-PE, a 27B prompt expander that rewrites a short request into a long caption plus an aspect-ratio recommendation and emits it as JSON. It fits in about 19 GiB of VRAM. Its editing path is described as prompt-only, so it helps text-to-image today and not much else.

That asymmetry is worth naming because it changes what “prompt following” means for each. O​penAI's model takes the prompt you wrote. M​iniMax's takes the prompt you wrote, or a prompt another model rewrote for it, and either way it has less room to hold the instruction. If your workflow depends on long, structured briefs with many named references, that is a real constraint and it will show up before quality ever does.

Licence, rétention et le coût de la fermeture

GPT Image 2.5 is closed. There are no weights, no self-hosting, no checkpoint to pin, and the commercial terms are an API contract. What O​penAI's developer documentation does state is that API data is not used for training unless you opt in, that the images endpoints are listed as not used for training, and that the models are Zero Data Retention compatible. Ownership and commercial-use terms live in separate policies, not in the developer docs.

MiniMax-H3-Image est ouvert, et sa licence est plus restrictive que le mot ne le suggère. L'accord de licence communautaire MiniMax-H3-Image exclut par définition l'Union européenne, le Royaume-Uni, la République de Corée et les États-Unis ; il exige une autorisation écrite distincte au-delà d'un million de dollars américains de chiffre d'affaires annualisé ; il exige la même chose pour tout service hébergé, sans seuil de chiffre d'affaires ; il exige que le nom du modèle soit affiché de manière bien visible sur les interfaces commerciales ; et il interdit d'utiliser les sorties pour entraîner ou améliorer d'autres modèles. La page Hugging Face présente tout cela comme licence : autre.

Donc le cadrage habituel s’inverse ici. Le modèle fermé a les conditions les plus simples et le verrouillage le plus faible — vous pouvez partir, vous ne pouvez simplement pas emporter les poids. Le modèle ouvert a les conditions les plus dures et le verrouillage le plus fort, car une licence qui exclut quatre grands marchés est une contrainte pour votre activité qu’aucune quantité de poids téléchargeables ne saurait compenser. Si c’est la possibilité d’auto-hébergement qui vous amène à examiner MiniMax-H3-Image, lisez la licence avant la fiche du modèle.

Quand l’immesuré est le bon choix

Il existe trois cas où MiniMax-H3-Image est le choix évident malgré l’absence de classement, et aucun d’entre eux n’est « parce que c’est moins cher ».

Le premier point, c'est la résolution. Si vous avez besoin de plus de 8,29 mégapixels à partir d'une seule génération, GPT Image 2.5 est hors course et la comparaison s'arrête là. Seize mégapixels à 0,06879 $ contre l'agrandissement d'une image de 8,29 MP, le match n'est pas serré.

Le second point est la reproductibilité. Six étapes, aucune indication, un calendrier publié dans pdd_config.json, et des poids que vous pouvez télécharger. Si vous avez besoin du même résultat à partir de la même entrée sur votre propre matériel dans un an, GPT Image 2.5 ne peut pas vous l'offrir, tandis que MiniMax-H3-Image le peut, sous réserve de la licence.

Le troisième point, c'est le volume aux petites tailles. À 0,02179 $ contre environ 0,21 $ à 1K, un pipeline qui génère cent mille vignettes par mois fait face à un écart qui se chiffre en dizaines de milliers de dollars. C'est assez d'argent pour justifier de mener votre propre comparaison à l'aveugle pendant une semaine, ce qui est la seule manière pour que l'un ou l'autre de ces chiffres se transforme en décision.

Everything else points the other way. If you need a model that will not surprise you, GPT Image 2.5 has two board placements with thirteen thousand votes each and six weeks of paying traffic behind them; MiniMax-H3-Image has a day. If you need a quality dial, O​penAI has six settings and M​iniMax has none. If you need a small image, O​penAI goes down to 655,360 pixels and M​iniMax does not go below about 4 MP. And if you need the current best in that family rather than the previous generation, the 2.6 variants are the same price.

OrcaRouter routes both GPT Image 2.5 variants — gpt-image-2.5-sunburst and gpt-image-2.5-flare — under one key, at provider list price with 0% markup passed through, so a cut or a retirement on O​penAI's side is reflected the day it happens rather than the next time you migrate a billing integration. We do not serve MiniMax-H3-Image; it has no route on our catalogue, and the honest path to it today is M​iniMax's own API or the 135 GB of downloads. What we can do in a comparison like this is keep the measured side cheap to test and easy to fail over from, which is the part of the decision that does not depend on an arena score.

Qu’est-ce qui en ferait une véritable comparaison ?

Two things, and both are weeks rather than months away. The first is a MiniMax-H3-Image entry on an image arena with a few thousand samples, which will either confirm the price is a bargain or show it as what it currently is — an untested discount. The second is a per-image token figure from O​penAI at 2K and 4K, because the $0.21 estimate is a 1K number and the whole price argument shifts if the 4K multiplier is not what people assume.

Tant que les deux n’existent pas, la décision est étonnamment simple : acheter le modèle mesuré pour les travaux qui doivent être livrés en résolution modérée, et considérer MiniMax-H3-Image comme un candidat pour les tâches que GPT Image 2.5 ne peut structurellement pas accomplir — seize mégapixels, une reproductibilité exacte, ou un volume où l’écart de prix de dix pour un couvre plusieurs fois le coût de l’évaluation.