MiniMax-H3-Image לעומת GPT Image 2.5: שתיהן מקבלות 16 תמונות ייחוס, ושם הדמיון נגמר

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.

הצירוף המקרי הזה הוא הדבר השימושי ביותר בהצבת שני המודלים הללו זה לצד זה, מפני שכל השאר בהם א-סימטרי באופן שקל להצהיר עליו וקשה להפריז בו. GPT Image 2.5 הוא מודל התמונה השני והרביעי בטיבו בעולם בלוח הטקסט-לתמונה של Artificial Analysis, עם שלושה עשר אלף הצבעות עיוורות מאחורי כל מיקום. ל-MiniMax-H3-Image אין מיקום כלל — המשקולות שלה נחתו ב-Hugging Face ב-10 בנובמבר 2026 בשעה 14:50 UTC, יום אחד לפני כתיבת השורות האלה, ואף זירה לא הספיקה לדרג אותה. לפיכך זה אינו השוואה בין שני מועמדים על בסיס שווה. זו השוואה בין מודל שנמדד למודל שלא נמדד, והשאלה השימושית היא מה מציע המודל שלא נמדד שיצדיק לברר.

איך שתי הקריאות באמת נראות

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.

בגודל הפער הוא הרחב ביותר, וזה אפילו לא קרוב.

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.

• פלט מרבי — {{1}}GPT Image 2.5{{/1}}: 3840×2160, 8.29 MP. {{2}}MiniMax-H3-Image{{/2}}: כ-16 MP, עד 20 MP דרך ה-API.

• פלט שימושי מינימלי — GPT Image 2.5: 655,360 פיקסלים, כך שתמונה ממוזערת בגודל 768 פיקסלים היא בקשה נתמכת. MiniMax-H3-Image: כ-4 MP, ללא שכבת תמונות קטנות.

• 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.

• בקרת איכות — GPT Image 2.5: שש הגדרות איכות בתוספת אוטומטי. MiniMax-H3-Image: אין; שישה שלבים, ללא הנחיה, כפוי.

• פורמט פלט — GPT Image 2.5: PNG כברירת מחדל, JPEG ו-WebP זמינים, דחיסה 0–100, רקע שקוף באמצעות background: "transparent". MiniMax-H3-Image: PNG בתוך data[0].b64_json.

אחד מההבדלים האלה מכריע יותר פריסות מאשר האחרים. אם התוצר שלך הוא פלט 4K, GPT Image 2.5 לא יכול ליצור אותו — לא באיכות נמוכה יותר, לא עם שינוי הגדרה. הוא עוצר ב-8.29 מגה־פיקסל והשאר הוא הגדלה. זו לא ביקורת על המודל; זו הצהרה על מה שהמוצר נועד. אבל זה כן אומר ששני המודלים מפסיקים להתחרות ברגע שהדרישה שלך חוצה 8.3 MP, ושום כמות של Elo מדוד לא סוגרת את הפער הזה.

שניהם מודדים טוקנים, ורק אחד מפרסם מה טוקן קונה

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.

בסיס הראיות אינו מאוזן, ושתי הבחינות של זה חשובות

בלוח הטקסט-לתמונה של Artificial Analysis, ‏GPT Image 2.5 Sunburst נמצא במקום השני עם Elo 1228 על פני 13,370 דגימות, ו-Flare במקום הרביעי עם 1209 על פני 12,695. בלוח העריכה, אותו זוג נמצא במקומות השלישי והחמישי — 1199 על פני 18,617 דגימות עבור Sunburst, ו-1181 על פני 19,498 עבור Flare. המספרים האלה הם אומדני נקודה עם רווחי סמך בסדר גודל של עשרות Elo, כלומר Sunburst ו-Flare אינם מופרדים זה מזה באופן משמעותי בטקסט-לתמונה, ושניהם נמצאים באופן משמעותי מעל כל מה שמתחת למקום החמישי.

ראוי לציין גם ש-GPT Image 2.5 אינו עוד בראש המשפחה של עצמו. גרסאות ה-2.6 — Sunburst ו-Flare — מחזיקות כעת במקום הראשון והשלישי בלוח הטקסט-לתמונה ובמקום הראשון והשני בעריכה, באותו מחיר של $210.72 לאלף תמונות. לכן קורא שבוחר בין MiniMax-H3-Image ל-GPT Image 2.5 בוחר בין מצטרף חדש שטרם נמדד לבין הדור הקודם של סדרה שנמדדה, בעוד שהדור הנוכחי של אותה סדרה נמצא במרחק מזהה מודל אחד בלבד ובאותו מחיר. כל מי שבוחר ב-2.5 בגלל הניקוד צריך לבחון ביחס למה הניקוד נמדד בפועל.

ל-MiniMax-H3-Image אין ציון באף אחד משני הלוחות ואין טבלת הערכה של הספק — לא GenEval, לא DPG-Bench, ולא נתוני העדפת אנוש. הטענה בכרטיס המודל היא איכותנית: "היענות ההוראות החזקה ביותר מבין מודלים בקוד פתוח", בלי טבלת השוואה מצורפת. רשת התצוגה היא הראיה היחידה לפלט שקיימת, ורשת תצוגה היא תוצר אצור. שום דבר מזה אינו חשוד עבור מודל שהיה פומבי יום אחד כשזה נכתב. זה כן אומר שכל טיעון בעדו במאמר הזה הוא טיעון ממחיר, מרזולוציה או מארכיטקטורה, ואף אחד מהם אינו טיעון מאיכות מדודה.

תקציב פרומפט, ומה מודל יכול להחזיק בראשו

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.

רישיון, שימור והעלות של להיות סגור

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 פתוח, והרישיון שלו מגביל יותר ממה שהמילה מרמזת. הסכם רישיון הקהילה של MiniMax-H3-Image מחריג בהגדרתו את האיחוד האירופי, הממלכה המאוחדת, הרפובליקה של קוריאה וארצות הברית; דורש אישור בכתב נפרד כאשר ההכנסה השנתית עולה על מיליון דולר אמריקאי; דורש זאת עבור כל שירות מתארח, ללא סף הכנסה; דורש הצגה בולטת של שם המודל בממשקים מסחריים; ואוסר להשתמש בפלטים כדי לאמן או לשפר מודלים אחרים. עמוד Hugging Face מציג את כל זה בתור רישיון: אחר.

אז המסגור הרגיל מתהפך כאן. למודל הסגור יש תנאים פשוטים יותר ונעילה חלשה יותר — אפשר לעזוב, רק אי אפשר לקחת את המשקלים. למודל הפתוח יש תנאים קשים יותר ונעילה חזקה יותר, משום שרישיון שמחריג ארבעה שווקים מרכזיים הוא מגבלה על העסק שלך שאין כמות של משקלים להורדה שמפצה עליה. אם מסלול באחסון עצמי הוא הסיבה שאתה מסתכל על MiniMax-H3-Image, קרא את הרישיון לפני כרטיס המודל.

כשהבלתי־מדוד הוא הבחירה הנכונה

יש שלושה מקרים שבהם MiniMax-H3-Image הוא הבחירה המובנת מאליה למרות שאין לו לוח תוצאות, ואף אחד מהם אינו "מכיוון שזה זול יותר".

הראשון הוא רזולוציה. אם נדרשים ליותר מ-8.29 מגה-פיקסלים מיצירה אחת, GPT Image 2.5 מחוץ לתחרות וההשוואה תמה. שישה-עשר מגה-פיקסלים ב-$0.06879 לעומת הגדלה של פריים בגודל 8.29 מגה-פיקסל זה לא תחרות צמודה.

השנייה היא שחזוריות. שישה שלבים, ללא guidance, לוח זמנים מפורסם בpdd_config.json, ומשקלים שאפשר להוריד. אם בעוד שנה תזדקק לאותו פלט מאותו קלט על החומרה שלך, GPT Image 2.5 לא יכול להציע זאת ואילו MiniMax-H3-Image יכול, בכפוף לרישיון.

השלישי הוא נפח בגדלים קטנים. במחיר של $0.02179 לעומת כ-$0.21 ב-1K, צינור שמייצר מאה אלף תמונות ממוזערות בחודש עומד מול פער שנמדד בעשרות אלפי דולרים. זה מספיק כסף כדי להצדיק הרצת השוואה עיוורת משלך במשך שבוע, וזו הדרך היחידה שבה אחד מהמספרים האלה הופך להחלטה.

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.

מה יהפוך את זה להשוואה אמיתית

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.

עד ששניהם קיימים, ההחלטה נקייה באופן יוצא דופן: לרכוש את המודל הנמדד לעבודה שצריכה לצאת לאור ברזולוציה בינונית, ולהתייחס ל-MiniMax-H3-Image כמועמד למשימות ש-GPT Image 2.5 לא יכול לבצע מבחינה מבנית — שישה עשר מגה-פיקסל, שחזור מדויק, או היקף שבו פער המחירים של עשרה לאחד מכסה את עלות ההערכה פי כמה.