MiniMax-H3-Image vs GPT Image 2.6 : ce que vous pouvez réellement modifier dans chaque requête

La plupart des comparaisons de modèles d’image consacrent leur place aux scores. Celle-ci la consacre aux réglages, car MiniMax-H3-Image et G​PT Image 2.6 Sunburst ne se disputent pas le même curseur. MiniMax-H3-Image est un transformateur de diffusion à poids ouverts de 33,1 milliards de paramètres, publié le 10 novembre 2026, qui exécute un échantillonneur fixe à six étapes, sans échelle de guidage, accepte jusqu’à seize images de référence et génère nativement jusqu’à seize mégapixels. G​PT Image 2.6 Sunburst — et son frère plus rapide G​PT Image 2.6 Flare, tous deux sortis le 4 novembre 2026 — est un modèle fermé hébergé dont les récents progrès concernent surtout ce qu’on peut lui confier et ce qu’il renvoie : images de référence réutilisées, retouches guidées par balisage, sortie GIF et SVG. Si votre goulot d’étranglement est le contrôle d’une longue chaîne de retouches, l’un de ces modèles est manifestement le bon. Si c’est une résolution ou une facture, c’est l’autre.

Les deux méritent d’être pris au sérieux. Ils échouent simplement dans des directions différentes, et leurs modes de défaillance sont lisibles à partir des seules surfaces de contrôle.

Le sampler est un bouton rotatif d’un côté et une constante de l’autre.

MiniMax-H3-Image ne vous laisse presque rien à régler, et le fait respecter au niveau de l’API. Le checkpoint est distillé par CFG jusqu’à six évaluations de fonction, ce qui signifie que les deux réglages habituels du travail de diffusion — le nombre d’étapes et l’échelle de guidage — ont été intégrés aux poids. Appelez-le avec num_inference_steps défini sur autre chose que six et la requête revient en HTTP 400. Définissez guidance_scale sur autre chose que un et elle est rejetée de la même manière. Envoyez un negative_prompt et il est refusé d’emblée, car il n’y a pas de second passage avant sur lequel il puisse agir.

Cela semble restrictif et relève surtout d'une simplification. Six étapes, c'est rapide, déterministe avec une graine donnée, et impossible à mal configurer — on n'a pas l'échec du type « j'ai augmenté le nombre d'étapes et ça a empiré ». Ce que vous perdez, c'est la possibilité d'arbitrer entre qualité et latence au sein du modèle, ainsi que toutes les astuces de prompt négatif que vous avez accumulées.

G​PT Image 2.6 conserve sa propre petite surface de contrôle à la place des boutons d’échantillonnage : un paramètre de complexité dont la valeur par défaut est élevée, ce qui s’approche le plus, dans l’un ou l’autre modèle, d’un interrupteur « réfléchir davantage ». Ses ajouts documentés pour la version 2.6 concernent les entrées et les sorties, pas l’échantillonnage — des images de référence qui persistent entre les modifications ultérieures afin que vous n’ayez plus à les téléverser à nouveau, des annotations dessinées sur une image de référence pour orienter une modification, et deux formats de sortie que la génération précédente ne proposait pas.

• Nombre d'étapes — MiniMax-H3-Image est fixé à six, toute autre valeur étant rejetée ; G​PT Image 2.6 n’expose aucun contrôle du nombre d’étapes.

• Guidage — MiniMax-H3-Image fixe guidance_scale à un ; GPT Image 2.6 expose plutôt complexity (élevé par défaut).

• Prompts négatifs — refusés avec un 400 par MiniMax-H3-Image ; pas une surface documentée sur G​PT Image 2.6.

• Budget de prompt — MiniMax-H3-Image tronque à 4 096 tokens ; le plafond de prompt de G​PT Image 2.6 n’est pas publié sur ses pages de modèle.

Seize emplacements de référence constituent le contrôle le plus étendu que propose chacun des deux modèles.

La principale différence fonctionnelle est la quantité de contexte que vous pouvez placer avant l’édition. MiniMax-H3-Image accepte jusqu’à seize images de référence dans une seule requête, et la fiche du modèle présente le mode édition comme fonctionnant à une fidélité à peu près équivalente à celle de la génération — le portage vLLM-Omni rapporte 0,985 de SSIM et environ 35 dB de PSNR par rapport à sa propre référence mono-GPU sur une édition en 2048², ce qui constitue une vérification d’auto-cohérence plutôt qu’un score de qualité, mais cela signifie bien que la voie parallélisée ne dégrade pas discrètement votre sortie.

Seize références, c’est un tout autre niveau de contrôle que « une image plus une phrase ». La photographie produit sous six angles, une feuille de style, une fiche de personnage et une charte de marque peuvent tous être fournis en une seule fois. Le prix de cette ampleur, c’est que l’ingénierie de prompt devient de l’ingénierie de contexte : avec seize images en jeu, le texte doit préciser laquelle régit quel attribut, et le modèle n’a aucun moyen de poser la question.

La réponse de G​PT Image 2.6 au même problème réside dans la mémoire plutôt que dans la largeur. Les images de référence persistent entre les modifications ultérieures au sein d’une session, de sorte qu’une retouche multi-tours ne recharge pas l’original à chaque fois, et le parcours de modification guidé par annotations permet de pointer une région au lieu de la décrire. Pour un travail itératif sur une seule image, c’est une meilleure interface que seize emplacements statiques. Pour un composite en une seule passe construit à partir d’une douzaine de ressources, ce n’est pas le cas.

Ce qui ressort

C'est sur la liste des formats de sortie que G​PT Image 2.6 distance tous les modèles d'image à poids ouverts, y compris celui-ci. La version 2.6 a ajouté la sortie GIF animé et la sortie SVG aux côtés des formats raster habituels. Un résultat SVG compte plus qu'il n'y paraît : c'est la différence entre un modèle d'image avec lequel on ébauche un concept de logo et un autre que l'on peut transmettre à un front-end. MiniMax-H3-Image renvoie du PNG — son chemin de service est validé par une comparaison de PNG bit à bit identiques — et rien dans le pipeline vLLM-Omni ni dans la fiche modèle ne suggère une sortie vectorielle ou animée.

Pour la résolution, c’est l’inverse, et l’écart n’est pas mince. MiniMax-H3-Image génère nativement jusqu’à seize mégapixels, dans tous les rapports d’aspect, du carré à l’ultra-large, sans upscaler dans la chaîne de traitement — 4096×4096 et 6272×2688 sont tous deux des sorties natives. La plage utile s’étend d’environ quatre à vingt mégapixels, la qualité atteignant son maximum près du haut de cette plage. Les pages du modèle G​PT Image 2.6 documentent les formats et la gestion des références, mais ne publient pas de nombre maximal de pixels ; l’argument de la résolution dans cette confrontation se résume donc à un chiffre publié par M​iniMax face à l’absence de chiffre publié par O​penAI, plutôt qu’à une comparaison directe mesurée.

• Sortie native — MiniMax-H3-Image jusqu’à 16 MP à n’importe quel ratio, sans upscaler ; G​PT Image 2.6 ne documente aucun maximum.

• Formats — MiniMax-H3-Image renvoie des PNG ; G​PT Image 2.6 ajoute les formats GIF et SVG.

• Ratios d'image — MiniMax-H3-Image accepte toute paire de largeur et de hauteur ; l'ensemble de G​PT Image 2.6 n'est pas publié sur la page du modèle.

• Entrée d’édition — MiniMax-H3-Image accepte jusqu’à 16 images de référence par requête ; G​PT Image 2.6 conserve les références d’un tour à l’autre et accepte les annotations dessinées.

La facture, d’après les propres exemples détaillés de chaque fournisseur

Les deux fournisseurs comptabilisent les images en tokens, ce qui donne des prix affichés comparables en apparence et des coûts par image qui n’ont rien à voir. M​iniMax publie des exemples de calcul détaillés sur sa page de tarifs ; il s’agit donc d’arithmétique sur ses propres chiffres, et non d’une dérivation :

• MiniMax-H3-Image 1024×1024, génération d'images à partir de texte — 0,02179 $ par image, contre 3,80 $ par million de jetons de sortie.

• MiniMax-H3-Image 2048×2048 — 0,02333 $ par image. Doubler le nombre de pixels coûte un demi-centime de plus, car à cette extrémité de la plage, le nombre de tokens augmente bien plus lentement que la surface.

• MiniMax-H3-Image 4096×4096 — 0,06879 $ par image, ramené à 0,03439 $ dans le cadre d'une offre à durée limitée de 50 % valable jusqu'au 17 novembre 2026 à 16:00 UTC et exigeant que l'image livrée comporte au moins 16 600 000 pixels.

• Édition MiniMax-H3-Image, une référence en 1024×1024 — 0,02654 $ par image, avec les images d’entrée facturées à 1,50 $ par million de tokens et le texte d’entrée à 2,30 $.

• G​PT Image 2.6 — jetons de sortie à 30 $ par million. Avec le nombre de jetons que la documentation d’O​penAI elle-même laisse entendre pour un résultat 1024×1024, on arrive à près de 21 cents par image, soit environ dix fois le montant de M​iniMax pour la même taille nominale.

Les vitesses diffèrent aussi, et c’est là que les deux produits cessent d’être interchangeables. D’après les chiffres publiés par MiniMax à l’occasion de la version du 4 novembre, GPT Image 2.6 Flare traite une requête de génération d’image à partir de texte en une médiane d’environ 30 secondes, contre environ 55 pour la génération précédente, et une retouche en environ 32 secondes, contre environ 58. Sunburst est le niveau plus lent et à fidélité supérieure, et il a encore ralenti — environ 135 secondes contre 113. La latence propre de MiniMax-H3-Image n’est mesurable que là où vous l’hébergez : 0,88 seconde pour une image 2048² sur quatre H200, 1,35 seconde pour une retouche 2048², selon la recette officielle. Ce ne sont pas des chiffres de même nature — latence d’un nœud auto-hébergé contre médiane, file d’attente comprise, d’un point de terminaison géré — et les mettre dans une même phrase comme s’ils l’étaient serait malhonnête. Ce que la comparaison dit légitimement, c’est qu’une requête 2.6 hébergée prend des dizaines de secondes et qu’une requête H3-Image locale prend moins de deux secondes, à condition de posséder déjà les quatre GPU.

Ce que les preuves publiques couvrent, et ce qu’elles ne couvrent pas

Artificial Analysis évalue les deux sur les deux mêmes classements, ce qui en fait l’un des rares points de la confrontation où les deux camps sont directement comparables plutôt que débattus à partir de fiches techniques. Sur AA-Image-Editing v2.1, GPT Image 2.6 Sunburst se situe à 1 210 Elo sur environ 6 400 échantillons, Flare à 1 206 sur quelque 6 700, et MiniMax-H3-Image à 1 138 dans une bande de classement allant de huit à dix-sept sur environ 3 200 échantillons. Sur AA-Image-T2I v2.1, l’écart se creuse : Sunburst à 1 261 à la première place sur 5 282 échantillons, contre MiniMax-H3-Image à 1 066, classé vingt-troisième. Même vivier de votes, même échelle Elo, environ soixante-dix points d’écart sur l’édition et près de deux cents sur la génération.

À le lire honnêtement, cela dit deux choses à la fois. MiniMax-H3-Image est le modèle à poids ouverts le mieux classé du classement d’édition — devant Fibo 2.0 à 1 085 et Qwen-Image-2.1 à 1 084 —, si bien que son argument de qualité n’est plus une simple affirmation ; c’est un chiffre mesuré. Mais ce chiffre se situe environ soixante-dix points Elo en dessous de G​PT Image 2.6 Sunburst, et son intervalle s’étend sur dix places, alors que la bande du top trois de Sunburst ne s’étend pas sur autant de places. Sur l’axe que les deux modèles partagent le plus manifestement, G​PT Image 2.6 l’emporte, et il l’emporte avec un écart plus large sur le classement où H3-Image est plus faible. L’argument de la résolution de 16 mégapixels et le prix de deux cents se défendent toujours à eux seuls ; ce ne sont simplement pas des arguments de qualité.

Ce qu'aucun des deux classements ne vous dit, c'est quelle part de l'avantage de G​PT Image 2.6 subsiste lorsque la tâche est celle dont traite cet article — une longue chaîne d'édition avec de nombreuses références et un sampler fixe. L'Elo est un agrégat de préférences humaines sur des prompts inconnus, et un modèle peut avoir soixante-dix points d'avance sur cet agrégat tout en perdant sur un flux de travail précis. Le seul moyen de le savoir est de faire passer vos propres prompts dans les deux, ce qui constitue la recommandation formulée à la fin de cet article plutôt qu'une précaution glissée en son milieu.

Les exécuter côte à côte sans un second contrat

La complication pratique est qu’aucun des deux modèles n’est accessible en un seul appel d’API pour la plupart des équipes. La voie d’accès dès le premier jour de MiniMax-H3-Image est l’auto-hébergement — un assemblage total de 67 B composé d’un transformateur de 33,1 B, d’un encodeur de texte Qwen3-VL de 33,4 B réutilisé tel quel depuis le modèle vidéo, et d’un VAE de 0,58 B, son point d’équilibre à 16 mégapixels nécessitant quatre GPU de centre de données à pleine vitesse. Il est également disponible via l’API du fournisseur lui-même et plusieurs plateformes tierces selon la tarification au token indiquée ci-dessus. GPT Image 2.6 est exclusif à OpenAI.

Si vous voulez comparer les deux en A/B sur vos propres prompts, voici la description honnête de la couche de routage : OrcaRouter ne propose pas encore MiniMax-H3-Image, ni GPT Image 2.6 Sunburst ou Flare. Ce qu'il propose, c'est la paire GPT Image précédente — gpt-image-2.5-sunburst et gpt-image-2.5-flare — aux côtés de gpt-image-2 et gpt-image-1.5, le tout au prix catalogue du fournisseur, sans aucune marge répercutée par-dessus. Cela constitue un test intermédiaire utile : montez votre banc d'essai sur la 2.5 via une seule clé, vérifiez que votre évaluation discrimine réellement entre la fidélité de Sunburst et la rapidité de Flare, et décidez seulement ensuite si le delta de la 2.6 ou un modèle open-weight auto-hébergé est ce qu'il vous faut. La fusion de modèles est l'autre option à connaître ici — un panel de modèles répondant au même prompt d'image vous offre un éventail de sorties par prompt sans que vous ayez à écrire trois clients.

Le cas inverse est déjà couvert, d’ailleurs : minimax/minimax-h3, le modèle vidéo dont sont issus le DiT et l’encodeur de texte de MiniMax-H3-Image, est déjà routable aujourd’hui. Si la raison pour laquelle vous vous intéressez au modèle d’image est que vous utilisez déjà la vidéo H3, la famille répond déjà sur une clé.

Lequel choisir

Choisissez MiniMax-H3-Image lorsque la contrainte porte sur les pixels, les références ou le coût unitaire : une sortie native de 16 mégapixels, seize images d’entrée et environ deux centimes pour une génération en 1024². Choisissez G​PT Image 2.6 lorsque la contrainte porte sur la forme de la sortie ou la fluidité d’une boucle d’édition : SVG et GIF en sortie, des références persistantes et des annotations dessinées en entrée, et une avance de soixante-dix points Elo au classement de l’édition, avec un intervalle la situant dans les trois premiers.

Ne choisissez ni l’un ni l’autre en toute confiance si ce dont vous aviez réellement besoin était un score pour vos prompts. Les deux modèles disposent désormais de scores publics, et ces deux scores sont des agrégats calculés sur les prompts de quelqu’un d’autre ; la comparaison qui décidera de votre cas est celle que vous réaliserez vous-même, avec une facture attachée à chacun des deux côtés. Ce que le classement vous apporte, c’est un a priori — G​PT Image 2.6 est en tête, et en text-to-image, son avance est suffisante pour que vous deviez vous attendre à la constater. Ce qu’il ne peut pas vous apporter, c’est la réponse pour un composite produit à seize références en quatre mégapixels, car personne n’a publié cette comparaison et les tableaux Elo ne la mesurent pas.