MiniMax-H3-Image vs MiniMax-H3 : l'un est un modèle vidéo, l'autre en est la déclinaison en image fixe

Ce qu’il y a de plus honnête dans MiniMax-H3-Image, c’est sa liste de fichiers. Soixante-six gigaoctets de transformer de diffusion, 2,34 Go de VAE, douze mégaoctets de têtes d’échantillonnage par étape — et aucun encodeur de texte nulle part dans le dépôt. L’encodeur ne manque pas. Il est emprunté : model_index.json puise dans MiniMax-H3, le modèle vidéo omni-modal de 33B que MiniMax a rendu open source le 31 juillet 2026, et charge text_encoder/ depuis celui-ci, 66,7 Go de Qwen3-VL, inchangés. Si MiniMax-H3 est déjà sur votre disque, le modèle d’image ne coûte rien de plus pour encoder un prompt. Si ce n’est pas le cas, votre première image fixe coûte 135 Go de téléchargements, et le deuxième modèle de cette comparaison fait un vrai travail pour le premier.

Cette seule ligne de configuration constitue la relation entre les deux modèles, et elle explique la plupart des différences pratiques entre eux. MiniMax-H3-Image est MiniMax-H3 avec la branche audio supprimée, la tête de sortie reciblée d’une vidéo latente vers une image latente, et l’ensemble distillé jusqu’à six étapes d’échantillonnage. Rien n’a changé du côté du texte. Le DiT lit même les mêmes états cachés de 50e couche sur le même encodeur, ce qui explique pourquoi les dossiers tokenizer et processor sont identiques octet pour octet et pourquoi le modèle image hérite de la gestion des prompts en anglais de H3 sans une ligne d’entraînement supplémentaire sur ce chemin.

Ce qui rend le sujet digne d’être traité aujourd’hui, c’est la manière de la sortie plutôt que son contenu. MiniMax n’a publié aucun billet de blog pour le modèle d’image. Le blog et l’index d’actualités de l’entreprise ne contiennent rien sur le modèle d’image — l’élément le plus récent y est l’article M3.1 Flash du 19 octobre — et les pages des modèles mettent toujours H3 en avant comme système vidéo. La seule reconnaissance côté fournisseur que nous ayons pu trouver est une fiche datée du 10 novembre 2026 dans la liste des versions de modèles de la documentation API, indiquant « Un modèle d’image open-weight de premier plan. Des idées à de nouveaux mondes » — une phrase sans spécification, sans benchmark ni date propre. Le dépôt Hugging Face a été créé le 3 novembre, et les poids sont arrivés le 10 novembre à 14:50 UTC. Deux révisions du README et un guide de déploiement vLLM-Omni ont suivi dans l’heure. C’est une sortie discrète : les artefacts sont réels et téléchargeables, l’annonce ne l’est pas. Tout ce qui suit est tiré du dépôt, du fichier de licence et de la documentation de MiniMax lui-même, et lorsqu’un chiffre est une affirmation du fournisseur que nous n’avons pas reproduite, nous le signalons.

Les deux modèles, dans les conditions auxquelles chacun est réellement vendu

MiniMax-H3 est un générateur omni-modal polyvalent. Il prend du texte, des images, de la vidéo et de l’audio comme un contexte unique regroupé et produit de 4 à 15 secondes de vidéo à 24 images par seconde avec un audio stéréo natif à 32 kHz, en 768p natif, avec une passe de régénération distincte — H3-Regenerate-2K — qui réinjecte le résultat et le contexte d’origine dans le modèle pour atteindre la 2K. Deux variantes d’entrée sont importantes : H3-Base-FL2VA accepte zéro, une ou deux images comme première/dernière images, et H3-Base-Ref2VA accepte jusqu’à 9 images, 3 clips vidéo et 3 clips audio, avec un maximum de 12 fichiers au total. Un préprocesseur hébergé appelé H3-Context-IR analyse l’entrée mixte et la réécrit sous une forme structurée, et MiniMax précise explicitement qu’il ne fait pas partie de la version open source, car il dépend de plusieurs modèles hébergés.

MiniMax-H3-Image prend en entrée du texte et jusqu'à 16 images de référence, et produit une image. Le transformer de diffusion compte 33,1 milliards de paramètres — une conception dense à flux unique, 50 couches, une taille cachée de 5 376, 56 têtes d'attention, une largeur FFN de 14 336, un RoPE multimodal 3D, des poids en BF16 avec embedding, couche de pas de temps et couche de sortie en FP32. Le VAE d'image est un encodeur CNN doté d'un décodeur ViT de 24 couches, d'un sous-échantillonnage spatial 16× et de 24 canaux latents ; le DiT découpe ce latent en patchs 2×2, de sorte qu'un token du transformer couvre un bloc de 32×32 pixels. La surface de sortie atteint 20 mégapixels via l'API, et la promesse phare de la fiche technique est d'environ 16 mégapixels pour chaque ratio d'aspect — de 4096×4096 en 1:1 jusqu'à 6272×2688 en 21:9, sans upscaler.

Lisez ces deux paragraphes côte à côte et la bifurcation est évidente. Le modèle vidéo consacre sa capacité au temps et à une seconde modalité. Le modèle d'image la consacre à l'espace. Même tronc, objectif différent.

Six étapes et pas de guidage sans classifieur, c’est ça la vraie ingénierie.

Ce qui, dans MiniMax-H3-Image, ne relève pas de la simple soustraction, c’est la distillation, et elle est imposée plutôt que recommandée. Le checkpoint exécute six étapes d’échantillonnage — six NFE — sans aucun recours au guidage sans classifieur. L’API exposée ne les traite pas comme des valeurs par défaut : num_inference_steps doit être omis ou valoir 6, guidance_scale doit être omis ou valoir 1, et toute autre valeur renvoie HTTP 400. Les prompts négatifs sont rejetés d’emblée. Un fichier séparé, pdd_fused_heads.safetensors, porte des têtes de sortie par étape qui remplacent la couche de sortie du transformer, avec le calendrier dans pdd_config.json ; soit 12 Mo sur un total de 68,65 Go, accomplissant une part disproportionnée du travail.

C’est la différence entre un modèle que l’on peut placer derrière une surface interactive et un modèle que l’on ne peut pas. Un modèle de diffusion guidé en 30 étapes à 16 mégapixels est un traitement par lots. Six étapes non guidées à la même résolution constituent une requête. La formulation de M​iniMax elle-même — « des images de 16 mégapixels à un coût computationnel pratique » — est une affirmation sur les FLOPs par pixel, et le calendrier en six étapes est la manière dont cette affirmation est concrétisée. Quant à savoir si elle tient au niveau de qualité que suggèrent les images de démonstration, c’est une question à laquelle aucun tiers n’a répondu ; il n’existe aucune entrée Artificial Analysis pour MiniMax-H3-Image dans l’un ou l’autre des classements d’images au 10 novembre 2026, et aucun tableau d’évaluation du fournisseur dans la fiche.

Pour le serving local, l’écosystème de frameworks est étonnamment complet pour un modèle aussi jeune. SGLang est la voie de référence, avec un guide de recettes documenté ; vLLM-Omni publie une recette avec des configurations par matériel et des latences mesurées, citant NVIDIA H200, RTX PRO 6000 Blackwell et AMD Instinct MI350X ; diffusers et ComfyUI intègrent tous deux la prise en charge. Le parallélisme de séquence est un flag — --ulysses-degree sur SGLang, --usp sur vLLM-Omni — et un seul GPU suffit pour démarrer. Le véritable coût mémoire est l’encodeur de texte, et c’est celui du modèle vidéo, ce qui est tout l’enjeu de cette comparaison.

Deux mètres, et aucun des deux n’est un compteur de tokens que l’on peut évaluer à l’œil.

{{1}}MiniMax{{/1}} facture ces deux modèles sur des unités incompatibles, ce qui est le piège de toute question du type « lequel est le moins cher ». H3 est facturé en secondes de sortie générée, selon la résolution : 0,08 $ par seconde en 768P, 0,13 $ par seconde en 2K, avec en sus les éléments d’entrée facturés — les cinq premières images de référence gratuites et 0,04 $ chacune ensuite sur le modèle de base, l’entrée audio gratuite, la vidéo de référence facturée selon sa propre durée à la résolution de sortie. Un clip 2K de 10 secondes représente 1,30 $ de sortie avant toute référence.

MiniMax-H3-Image est facturé en tokens selon un tarif de sortie d’image. Sur le niveau standard, la fiche tarifaire publiée indique 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, et les exemples de calcul fournis par le fournisseur lui-même aboutissent à :

• 1K (1024×1024) texte-vers-image — 0,02179 $ par image.

• 2K (2048×2048) texte-vers-image — 0,02333 $ par image.

4K (4096×4096) texte-image — 0,06879 $ par image, affiché à 0,03439 $ dans le cadre d’une remise limitée de 50 %.

• Retouche 1K avec une référence — $0.02654 ; 2K — $0.02658 ; 4K — $0.07312, avec une réduction à $0.03656.

• Retouche 1K avec trois références — 0,03563 $; 2K — 0,04177 $; 4K — 0,07914 $, réduit à 0,03957 $.

La forme de cette grille tarifaire est ce qui est intéressant. Seize fois plus de pixels coûtent un peu plus de trois fois le prix, parce que l’unité de facturation est le token et que le nombre de tokens n’évolue pas linéairement avec la surface comme l’intuition le suggère. La variante haute vitesse, MiniMax-H3-Image-Highspeed, accepte des paramètres et des limites identiques et facture 7,60 $ par million de tokens d’image en sortie — 0,03529 $ en 1K, 0,13001 $ en 4K avant la même remise. La remise s’applique lorsque l’image livrée fait au moins 16 600 000 pixels et court jusqu’au 17 novembre 2026 à 16:00 UTC, ce qui est le seul fait commercial daté de toute l’annonce.

Mettez les deux compteurs côte à côte, et la fourche obtient un prix. Une seconde de vidéo 768P coûte 0,08 $ ; le M​iniMax le moins cher reste à environ 0,022 $. Un clip de quatre secondes — le plus court que produira H3 — coûte à peu près quinze images 1K. Ce n’est un argument pour aucun des deux modèles. C’est la raison pour laquelle « lequel est le moins cher » n’a pas de réponse tant que vous ne dites pas ce que vous produisez.

Là où le fork fait mal dans un déploiement réel

Trois asymétries importent davantage que la question du benchmark.

Le premier point concerne la gestion des entrées. H3-Image accepte jusqu’à 16 images de référence dans une seule édition et les désigne par leur position comme <Picture 1>, <Picture 2>, etc., dans l’ordre de téléversement ; le corps total de la requête est limité à 64 MiB, et le Base64 alourdit un fichier d’environ un tiers, donc une requête de 16 images doit utiliser des URL ou des références de fichiers pré-téléversés plutôt que des données intégrées. Le mode référence de H3 est d’une autre nature — 9 images, 3 vidéos, 3 clips audio, 12 fichiers, le tout regroupé dans une seule séquence avec une structure temporelle. La gestion des références d’aucun des deux modèles n’est un sur-ensemble de celle de l’autre.

Le second point est la longueur du prompt. L'API servie de H3-Image accepte jusqu'à 32 000 caractères, mais lorsque l'amélioration de prompt est désactivée, seuls les 4 096 premiers tokens environ prennent effet ; le chemin SGLang local tronque à 4 096 tokens, point final. Ce n'est pas un budget important pour un modèle dont l'argument de vente est le suivi d'instructions détaillées, et c'est précisément pourquoi l'expandeur de prompt associé existe — MiniMax-H3-Image-PE, un fine-tune FP4 27B de Qwen3.8-27B qui réécrit une demande courte en une longue description accompagnée d'une recommandation de ratio d'aspect, publié le 8 novembre et couvert par la même licence communautaire. Sa composante édition n'a été livrée que sous forme de prompt ; les poids pour l'expansion côté édition sont toujours décrits comme en cours de développement.

Le troisième est la licence, et ce n’est la même licence pour les deux modèles que de nom. Le contrat de licence communautaire MiniMax-H3-Image exige une autorisation écrite préalable distincte de MiniMax si votre chiffre d’affaires annualisé, ou celui de vos sociétés affiliées, dépasse un million de dollars américains, ou si vous fournissez des services hébergés à des tiers. Il vous oblige à afficher « MiniMax-H3-Image » de manière bien visible sur l’interface de tout produit commercial qui l’utilise. Il limite l’utilisation au Territoire applicable défini, interdit d’utiliser les résultats pour améliorer tout autre modèle d’IA et ne revendique aucun droit sur les résultats eux-mêmes. La licence vidéo H3 est un contrat distinct avec ses propres conditions. Si vous développez un produit reposant sur les deux, vous détenez deux licences, pas une.

Ce qu'aucun des deux modèles ne fait

MiniMax-H3-Image ne peut pas créer de vidéo. Il n’a pas d’axe temporel, pas de branche audio, pas de paramètre de durée — le VAE audio a purement et simplement disparu de l’architecture, et la sortie est une image latente par requête, jusqu’à dix par appel via l’API. MiniMax-H3 ne peut pas produire une image fixe de 16 mégapixels. Il génère du 768p par défaut et atteint la 2K grâce à une passe de régénération ; lui demander une unique image 4096×4096 ne constitue pas une requête prise en charge. Si votre pipeline nécessite un visuel principal fixe et une boucle de cinq secondes avec des dialogues synchronisés issus du même univers visuel, vous appelez deux modèles et, sur la plateforme de M​iniMax, vous payez deux compteurs différents.

Les deux partagent bien une chose facile à manquer : aucun prompt négatif. H3-Image rejette ce champ. Les indications de prompt de H3 orientent par une description positive et via Context-IR plutôt que par l’exclusion. Quiconque transpose un workflow Stable Diffusion vers l’un ou l’autre modèle perd ce levier dès le premier jour.

Lequel appeler ?

La répartition honnête du travail se fait par livrable, non par qualité. Si l’artefact est une image fixe — un rendu produit, une image clé, une plaque de 16 mégapixels contenant du texte lisible — MiniMax-H3-Image est le modèle, et le calendrier en six étapes signifie que vous pouvez vous permettre d’itérer dessus. Si l’artefact est animé, H3 est le modèle, et la branche audio est la raison de le préférer à l’assemblage d’images fixes en une séquence.

Ce qu'une couche de routage change ici est plus limité que cela n'en a l'air, et mérite d'être dit clairement : OrcaRouter ne sert pas MiniMax-H3-Image. Le modèle a rendu ses poids publics le 10 novembre et n'a aucune route dans notre catalogue ; donc, si vous le voulez aujourd'hui, vous devez passer par l'API propre à M​iniMax ou exécuter vous-même le checkout de 68,65 Go. Ce que nous proposons, en revanche, c'est minimax/minimax-h3, le modèle vidéo, facturé à la seconde au prix catalogue, sans marge — et la propriété utile pour un pipeline à deux modèles, c'est que la même clé qui appelle H3 donne aussi accès aux quelque 200 autres modèles de la plateforme.

Ce qu'il faut surveiller, ce n'est pas de savoir si H3-Image est bon. C'est de savoir si M​iniMax en dit quoi que ce soit. Un modèle livré avec des poids, une licence, une grille tarifaire et quatre intégrations de frameworks, mais sans article de blog ni benchmark, est un modèle dont les affirmations restent entièrement celles de l'éditeur. Le premier positionnement indépendant sur un classement d'images, ou le premier face-à-face avec un modèle fermé à la même résolution, vous en apprendra plus que la grille de démonstration. D'ici là, le dépôt fait foi, et le dépôt dit : c'est H3 avec le son coupé.