MiniMax-H3-Image-PE: MiniMax השיקה מרחיב פרומפטים בנפח 27B עבור מודל התמונות שלה ולא סיפרה לאף אחד

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.

מה באמת נמצא במאגר, ומה חותמות הזמן אומרות

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.

מה זה עושה, בדיוק

שני תהליכי עבודה נמצאים במאגר, והם אינם אותו דבר. זה הדבר החשוב ביותר להבין לפני שמורידים 18 GB.

• Text-to-image PE — אתה מקבל הכול: את המשקלים שעברו כוונון עדין, את הנחיית המערכת, את הנחיית המשימה, את פרמטרי הבקשה, ולקוח עובד. המסלול הזה שלם וניתן להרצה כבר היום.

• PE לעריכת תמונות — מקבלים פרומפט ודוגמה להרכבת הודעות. ללא משקלים. הכרטיס אומר זאת במפורש: "PE לעריכת תמונות עדיין בפיתוח; מהדורה זו מספקת רק את הפרומפט שלו." מצופה מכם להריץ את הפרומפט הזה דרך מודל שפה-חזות (vision-language) לבחירתכם.

מסלול טקסט-לתמונה לוקח את ההוראה שלך, מרחיב אותה ומחזיר JSON המוגבל על ידי סכימה בדיוק לשני מפתחות. הפלט עבור פרומפט בדיקה — "חתול טאבי כתום ישן על אדן חלון מואר שמש" — הוא משפט יחיד על תמונות חמות ואור אחר צהריים רך, בתוספת היחס "3:2". הסכימה נוקשה, כאשר additionalProperties מוגדר כ-false, ושדה היחס הוא enum של עשרה ערכים: 1:1, 5:4, 4:3, 3:2, 16:9, 21:9, 4:5, 3:4, 2:3, 9:16. אין יחס בטקסט חופשי, אין אסימון "auto" בפלט, ואין דרך למודל להשיב בשום דבר מלבד אחת מאותן עשר מחרוזות. זו בחירת עיצוב מכוונת והיא ממופה ישירות לטבלת הגדלים שפורסמה של מודל האב, שמפרטת בדיוק את היחסים האלה עם ממדי פיקסלים מ-4096×4096 ב-1:1 ועד 6272×2688 ב-21:9.

החלטת יחס הממדים אינה עניין של תחושה. הנחיית המשימה שפורסמה מקדישה כמה מאות מילים לסדר קדימות נוקשה: קנבס סופי מפורש גובר ראשון, אחר כך התוצר המבוקש (פוסטר הוא אנכי, כותרת שקופית היא אופקית, אווטאר הוא מרובע), אחר כך ההרכב הראשי של הנושא, ולבסוף הקשר אופציונלי — עם אזהרה מפורשת ש"חדר גנרי, פארק, יער, שמיים או רקע קולנועי לא צריכים להפוך נושא ממוקד לאופקי." ההנחיה גם אוסרת להמציא פלטפורמה: אין לך רשות להניח שמדובר באינסטגרם. והיא מבחינה בין סצנה מתוארת לבין תוצר תקשורתי — לוח בקרה, פוסטר, אריזה, דיאגרמה טכנית או קומפוזיט מרובה פאנלים נבנים כארכיטקטורת מידע ולא כסצנה שמכילה את האובייקטים המבוקשים. למי שראה מודל תמונות הופך "שקופית תוצאות רבעוניות" לתצלום של חדר ישיבות, ההבחנה הזו היא החלק המעניין בשחרור הזה.

למה להשקיע 27B פרמטרים על כיתוב

התשובה נמצאת בתיעוד של מודל האב, והיא מעניינת יותר מאשר מרחיב הפרומפט עצמו. MiniMax-H3-Image הוא טרנספורמר דיפוזיה צפוף חד-זרימי עם 33.1B פרמטרים, 50 שכבות, גודל חבוי 5376, 56 ראשי קשב, הקורא מצבים חבויים מהשכבה ה-50 של מקודד טקסט מלא Qwen3-VL שנורש ללא שינוי מ-MiniMax-H3. מקודד הטקסט הזה הוא 66.7 GB ואינו נמצא במאגר התמונות — מורידים אותו בנפרד ממאגר מודל הווידאו. הצ'קפוינט מזוקק לשישה צעדי דגימה ללא הנחיית classifier-free, וה-API אוכף זאת: כל num_inference_steps שאינו 6 וכל guidance_scale שאינו 1 מחזיר HTTP 400, ו-negative_prompt נדחה לחלוטין. אין שום כפתור לסובב.

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.

הרישיון הוא החלק שבאמת יעצור אנשים

‏-MiniMax-H3-Image-PE אינו ברישיון נפרד. הכרטיס מציין שהוא "מהווה חלק מ-MiniMax-H3-Image ולפיכך כפוף ל"הסכם רישיון הקהילה של MiniMax-H3-Image, וקובץ הרישיון כולל שורת תאריך בנוסח "תאריך שחרור/תאריך רישיון: 10 בנובמבר 2026." יש לקרוא זאת היטב, משום שפירוש הדבר שתאריך הרישיון של מרחיב הפרומפטים ותאריך הפרסום של מודל התמונות האב מרוחקים זה מזה שמונה ימים, בעוד הרישיון עצמו הוא מסמך אחד החולש על שניהם.

שלושה סעיפים חשובים יותר מהשאר, ואף אחד מהם אינו הסיפור הרגיל של "משקלים פתוחים":

• טריטוריה — ההענקה חלה רק בתוך "הטריטוריה החלה", המוגדרת כעולם כולו למעט האיחוד האירופי, הממלכה המאוחדת, הרפובליקה של קוריאה וארצות הברית של אמריקה. זו החרגה טריטוריאלית, לא הגבלת שימוש, והיא מוצהרת בהגדרות ולא קבורה בנספח.

• היקף מסחרי — סעיף IV מחייב אישור מוקדם בכתב בנפרד אם ההכנסה השנתית שלך, או של חברות קשורות אליך, עולה על 1 מיליון דולר, או אם אתה מספק שירות באירוח לצדדים שלישיים בכלל. לתנאי השני אין סף הכנסה.

• ייחוס בממשק — אותו סעיף מחייב אותך להציג באופן בולט "MiniMax-H3-Image" בממשק המשתמש של כל מוצר או שירות מסחרי המשתמש ביצירות.

קיים גם תנאי להפצה מחדש המחייב קובץ NOTICE עם שורת זכויות יוצרים ספציפית, וכן חובה בסעיף V לשמור על אמצעי הגנה מפני פלטים מפרים עם מנגנון דיווח וחובה לפעול לפי דיווחים בתום לב. שום דבר מזה אינו חריג לרישיון קהילתי ב-2026. ההחרגה הטריטוריאלית היא זו שתכריע, עבור צוותים רבים, אם ההורדה של 18 GB בכלל שווה להתחיל — והיא הסעיף שסביר ביותר לפספס, משום שדף המודל של Hugging Face מציג אותו רק כ"אחר" עם קישור.

מה שעדיין אינו ניתן לדעת

עדיף להיות ברור לגבי הגבול מאשר למלא אותו.

• ללא מספרי בנצ'מרק. אף אחד מהכרטיסים אינו מפרסם ציון בודד. החברה האם מציגה רק טענות איכותניות — "היכולת החזקה ביותר לבצע הוראות מבין מודלי קוד פתוח", "המתקדם ביותר בתחום" — ולא נמצאה הערכה בלתי תלויה של MiniMax-H3-Image, או של מרחיב הפרומפטים שלו, נכון ל-2026-11-11. אין Elo, אין שיעור ניצחונות בהעדפה, ואין השוואת איכות הרחבה מול נקודת הקצה המתארחת של Context-IR.

• אין ראיות שמסלול העריכה עובד. הנחיית העריכה מהורהרת וספציפית באופן יוצא דופן — היא דורשת מהקורא לספק את יחס W:H המוקטן של כל תמונת ייחוס, מורה למודל שלעולם לא להעריך את יחס המקור מתוך תצוגה מקדימה, ומנחה אותו לבנות את היעד המיועד במקום להעמיד פנים שראה תוצאה נסתרת. אבל לא מסופקות עבורה משקולות, כך שאיש לא מדד אם VLM כללי מציית לה באותה מידה שהכיוונון העדין ככל הנראה היה מציית.

• 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.

• מספרי ההורדות קטנים מכדי לקרוא. MiniMax-H3-Image הציג 667 הורדות ו-136 לייקים ב-2026-11-11, שמונה ימים לאחר הפרסום. מודל ה-PE הציג 0 הורדות ו-7 לייקים. במאגר בן יום אחד, זהו רצפה, לא פסק דין — אבל זה כן אומר שאיש עדיין לא פרסם דוח שטח.

איפה זה משתלב אם אתה באמת בונה משהו

השאלה המעשית אינה "האם זה מודל טוב" — איש עדיין לא יכול לענות על כך — אלא "למה זה מחייב אותי אם אאמץ אותו". שלושה דברים, באופן קונקרטי. אתה מתחייב להריץ שני מודלים במקום אחד: מרחיב בנפח 18 GB בתוספת צ'ק-פוינט תמונה בנפח 68.65 GB בתוספת מקודד טקסט בנפח 66.7 GB שסביר שכבר יש לך אם אתה מריץ MiniMax-H3. אתה מתחייב לתקציב פענוח קבוע של 4096 אסימונים כולל חשיבה, אשר בזמן קצוב של בקשה שהתיעוד של ה-API קובע כ-600 שניות אינו השהיה שאפשר להסתיר מאחורי ממשק משתמש אינטראקטיבי בלי להיזהר. ואתה מתחייב לרישיון שהיקףו הטריטוריאלי אינו כולל ארבעה שווקים מרכזיים.

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.

מה לראות

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.