MiniMax-H3-Image לעומת MiniMax-H3: האחד הוא מודל וידאו, והשני הוא החיתוך שלו לתמונה נייחת
- AnthropicחדשAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 לכל 1M טוקנים · 107 tok/s
- orcaחדשOrca: OrcaC2 1.02026-11-07235 tok/s
- OrcaחדשOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 לכל 1M טוקנים · 119 tok/s
- OrcaחדשOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 לכל 1M טוקנים · 220 tok/s
- OrcaחדשOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 לכל 1M טוקנים · 39 tok/s
- OrcaחדשOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 לכל 1M טוקנים · 123 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 59 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 96 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 40 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447אינטליגנציה
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 113 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 102 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 41 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 508 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228אינטליגנציה
הדבר הכי כן ב-MiniMax-H3-Image הוא רשימת הקבצים שלו. שישים ושישה גיגה-בייט של שנאי דיפוזיה, 2.34 GB של VAE, שנים-עשר מגה-בייט של ראשי דגימה לכל צעד — ואין שום מקודד טקסט בשום מקום במאגר. המקודד לא חסר. הוא מושאל: model_index.json מגיע אל MiniMax-H3, מודל הווידאו האומני-מודלי בגודל 33B ש-MiniMax פרסמה בקוד פתוח ב-31 ביולי 2026, וטוען את text_encoder/ משם, 66.7 GB של Qwen3-VL, ללא שינוי. אם MiniMax-H3 כבר נמצא בדיסק שלך, המודל לתמונות לא עולה דבר נוסף כדי לקודד איתו פרומפט. אם לא, הפריים הסטטי הראשון שלך עולה 135 GB של הורדות, והמודל השני בהשוואה הזו עושה עבודה אמיתית עבור הראשון.
שורת הקונפיגורציה האחת הזו היא היחס בין שני המודלים, והיא מסבירה את רוב ההבדלים המעשיים ביניהם. MiniMax-H3-Image הוא MiniMax-H3 שהוסר ממנו ענף האודיו, שראש הפלט שלו כוון מחדש מלטנט של וידאו ללטנט של תמונה, ושכל כולו זוקק לשש צעדי דגימה. שום דבר בצד הטקסט לא השתנה. ה-DiT אף קורא את אותם מצבים חבויים של השכבה ה-50 מאותו מקודד, וזו הסיבה שתיקיות ה-tokenizer וה-processor זהות לחלוטין, ושאותו מודל תמונות יורש את הטיפול בהנחיות בשפה האנגלית של H3 בלי שורת אימון חדשה בנתיב הזה.
מה שהופך את זה לראוי לכתיבה עכשיו הוא אופן השחרור ולא תוכנו. MiniMax לא פרסמה פוסט בבלוג עבור מודל התמונות. בבלוג ובאינדקס החדשות של החברה אין שום דבר על מודל התמונות — הפריט החדש ביותר שם הוא הפוסט של M3.1 Flash מ-19 באוקטובר — ודפי המודלים עדיין מציגים בראשם את H3 כמערכת וידאו. ההתייחסות היחידה מצד הספק שמצאנו היא כרטיס מתוארך ל-10 בנובמבר 2026 ברשימת שחרורי המודלים בתיעוד ה-API, ובו נכתב “מודל תמונות מוביל עם משקלים פתוחים. מרעיונות לעולמות חדשים” — משפט ללא מפרט, ללא בנצ'מרק וללא תאריך משל עצמו. מאגר ה-Hugging Face נוצר ב-3 בנובמבר, והמשקלים נחתו ב-10 בנובמבר בשעה 14:50 UTC. בתוך שעה הגיעו שתי גרסאות של README ומדריך פריסה של vLLM-Omni. זו השקה שקטה: הארטיפקטים אמיתיים וניתנים להורדה, ההכרזה לא. כל מה שלהלן נקרא מן המאגר, קובץ הרישיון והתיעוד של MiniMax עצמה, וכאשר מספר הוא טענה של הספק שלא שוחזרה, אנו מציינים זאת.
שני המודלים, במונחים שכל אחד מהם למעשה משווק בהם
MiniMax-H3 הוא מחולל אומני-מודאלי למטרות כלליות. הוא מקבל טקסט, תמונות, וידאו ואודיו כהקשר ארוז אחד ומפיק 4 עד 15 שניות של וידאו בקצב של 24 פריימים לשנייה עם אודיו סטריאו מקורי ב-32 קילו-הרץ, ברזולוציית 768p באופן מקורי, עם מעבר רגנרציה נפרד — H3-Regenerate-2K — שמזין את התוצאה ואת ההקשר המקורי בחזרה דרך המודל כדי להגיע ל-2K. שתי גרסאות קלט חשובות: H3-Base-FL2VA מקבל אפס תמונות, תמונה אחת או שתיים כפריימים ראשון/אחרון, ו-H3-Base-Ref2VA מקבל עד 9 תמונות, 3 קליפי וידאו ו-3 קליפי אודיו, עם תקרה של 12 קבצים בסך הכול. קדם-מעבד מתארח בשם H3-Context-IR מנתח את הקלט המעורב וכותב אותו מחדש לצורה מובנית, ו-MiniMax מבהיר במפורש שהוא אינו חלק מהמהדורה הפתוחה מכיוון שהוא תלוי במספר מודלים מתארחים.
MiniMax-H3-Image מקבל טקסט ועד 16 תמונות ייחוס ומפיק תמונה אחת. טרנספורמר הדיפוזיה הוא בעל 33.1B פרמטרים — עיצוב צפוף חד-זרימי, 50 שכבות, גודל מוסתר 5,376, 56 ראשי קשב, רוחב FFN 14,336, RoPE רב-מודלי תלת-ממדי, משקולות BF16 עם הטמעת FP32, שכבות timestep ופלט. ה-VAE של התמונה הוא מקודד CNN עם מפענח ViT בן 24 שכבות, דגימה מרחבית מטה פי 16 ו-24 ערוצי latent; ה-DiT מחלק את ה-latent הזה לטלאים בגודל 2×2, כך שטוקן טרנספורמר אחד מכסה בלוק של 32×32 פיקסלים. שטח הפלט מגיע ל-20 מגהפיקסלים דרך ה-API, וההצהרה המובילה של הכרטיס היא כ-16 מגהפיקסלים בכל יחס גובה-רוחב — 4096×4096 ב-1:1 ועד 6272×2688 ב-21:9, ללא משפר רזולוציה.
קרא את שתי הפסקאות זו לצד זו, וההסתעפות ברורה. מודל הווידאו מקצה את הקיבולת שלו לזמן ולמודאליות שנייה. מודל התמונה מקצה אותה למרחב. אותו גזע, מטרה שונה.
שישה צעדים ובלי הנחיה נטולת מסווג — זו ההנדסה האמיתית.
החלק ב-MiniMax-H3-Image שאינו רק חיסור הוא הזיקוק, והוא נאכף ולא מומלץ בלבד. נקודת הבדיקה מריצה שישה צעדי דגימה — שישה NFE — ללא כל הנחיה חפה ממסווג. ה-API המוגש אינו מתייחס לאלה כברירות מחדל: num_inference_steps חייב להיות מושמט או 6, guidance_scale חייב להיות מושמט או 1, וכל ערך אחר מחזיר HTTP 400. פרומפטים שליליים נדחים על הסף. קובץ נפרד, pdd_fused_heads.safetensors, מכיל ראשי פלט לכל צעד שמחליפים את שכבת הפלט של ה-transformer, עם לוח הזמנים שב-pdd_config.json; מדובר ב-12 MB מתוך 68.65 GB בסך הכול, שעושים חלק לא פרופורציונלי מן העבודה.
זהו ההבדל בין מודל שאפשר להציב מאחורי משטח אינטראקטיבי לבין מודל שאי אפשר. מודל דיפוזיה מונחה בעל 30 צעדים ברזולוציית 16 מגה־פיקסל הוא משימת אצווה. שישה צעדים לא־מונחים באותה רזולוציה הם בקשה. הניסוח של MiniMax עצמה — "תמונות של 16 מגה־פיקסל בעלות חישובית מעשית" — הוא טענה בדבר FLOPs לפיקסל, ומסלול ששת הצעדים הוא האופן שבו הטענה ממומשת. האם זה מחזיק ברמת האיכות שתמונות התצוגה מרמזות עליה היא שאלה שאף צד שלישי לא השיב עליה; אין רשומה של Artificial Analysis עבור MiniMax-H3-Image באף אחד משני לוחות התמונות נכון ל-10 בנובמבר 2026, ואין טבלת הערכה של הספק בכרטיס המודל.
עבור הגשה מקומית, סיפור התמיכה במסגרות שלם באופן יוצא דופן עבור מודל כה צעיר. SGLang הוא נתיב הייחוס עם ספר מתכונים מתועד; vLLM-Omni מפרסם מתכון עם תצורות לפי חומרה וזמן השהיה נמדד, תוך ציון NVIDIA H200, RTX PRO 6000 Blackwell ו-AMD Instinct MI350X; גם diffusers וגם ComfyUI כוללים תמיכה. מקביליות רצפים היא דגל — --ulysses-degree ב-SGLang, --usp ב-vLLM-Omni — ו-GPU יחיד מספיק כדי להתחיל. מקודד הטקסט הוא עלות הזיכרון האמיתית, והוא מקודד הטקסט של מודל הווידאו, וזו הנקודה של כל ההשוואה הזו.
שני מדי מדידה, ואף אחד מהם אינו מונה טוקנים שאפשר לאמוד בעין.
MiniMax מחייב את שני המודלים האלה ביחידות שאינן תואמות, וזו המלכודת בכל שאלה מסוג "מה זול יותר". H3 נמדד בשניות של פלט שנוצר, לפי רזולוציה: $0.08 לשנייה ב-768P, $0.13 לשנייה ב-2K, כאשר חומר הקלט נמדד בנוסף — חמש תמונות ההתייחסות הראשונות בחינם ו-$0.04 לכל אחת לאחר מכן במודל הבסיס, קלט אודיו בחינם, וידאו התייחסות מחויב לפי משך הזמן שלו ברזולוציית הפלט. קליפ באורך 10 שניות ב-2K הוא $1.30 של פלט לפני כל חומרי התייחסות.
MiniMax-H3-Image מחויב לפי טוקנים כנגד תעריף פלט תמונה. במסלול הסטנדרטי, כרטיס המחירים המפורסם מציג $2.30 למיליון טוקני טקסט בקלט, $1.50 למיליון טוקני תמונה בקלט ו-$3.80 למיליון טוקני תמונה בפלט, והדוגמאות המחושבות של הספק עצמו מפרשות זאת כך:
• 1K (1024×1024) טקסט לתמונה — $0.02179 לתמונה.
• 2K (2048×2048) טקסט לתמונה — $0.02333 לתמונה.
• 4K (4096×4096) טקסט לתמונה — $0.06879 לכל תמונה, מתומחר ב־$0.03439 במסגרת הנחה של 50% לזמן מוגבל.
עריכת 1K עם רפרנס אחד — $0.02654; 2K — $0.02658; 4K — $0.07312, בהנחה ל-$0.03656.
• עריכת 1K עם שלושה רפרנסים — $0.03563; 2K — $0.04177; 4K — $0.07914, בהנחה ל-$0.03957.
צורת הסולם הזה היא החלק המעניין. פי שישה־עשר פיקסלים עולים קצת יותר מפי שלושה בכסף, כי המדד הוא טוקנים ומספר הטוקנים אינו גדל לינארית עם השטח כפי שהאינטואיציה מרמזת. הגרסה המהירה, MiniMax-H3-Image-Highspeed, מקבלת אותם פרמטרים ומגבלות ומחייבת 7.60 דולר למיליון טוקני תמונת פלט — 0.03529 דולר ב-1K, 0.13001 דולר ב-4K לפני אותה הנחה. ההנחה חלה כאשר התמונה המסופקת היא לפחות 16,600,000 פיקסלים ונמשכת עד 17 בנובמבר 2026 בשעה 16:00 UTC, וזה העובדה המסחרית היחידה עם תאריך בכל הפרסום.
העמידו את שני המטרים זה לצד זה והמזלג מקבל מחיר. שנייה אחת של וידאו ב-768P עולה $0.08; התמונה הסטטית הזולה ביותר של MiniMax היא כ-$0.022. קליפ של ארבע שניות — הקצר ביותר ש-H3 יפיק — עולה בערך כמו חמש־עשרה תמונות ב-1K. זו אינה טענה בעד אף אחד מהמודלים. זו הסיבה שלשאלה „מה זול יותר” אין תשובה עד שתאמרו מה אתם מייצרים.
איפה המזלג נושך בפריסה אמיתית
שלוש אסימטריות חשובות יותר משאלת הבנצ׳מרק.
הראשון הוא טיפול בקלט. H3-Image מקבל עד 16 תמונות ייחוס בעריכה אחת ומתייחס אליהן לפי מיקומן כ־<תמונה 1>, <תמונה 2> וכן הלאה, לפי סדר ההעלאה; גוף הבקשה הכולל מוגבל ל-64 MiB, ו-Base64 מנפח קובץ בכ-שליש, כך שבקשה עם 16 תמונות חייבת להשתמש בכתובות URL או בהפניות לקבצים שהועלו מראש ולא בנתונים מוטמעים. מצב הייחוס של H3 הוא סיפור אחר לגמרי — 9 תמונות, 3 סרטונים, 3 קטעי אודיו, 12 קבצים, הכול ארוז ברצף אחד עם מבנה זמני. טיפול הייחוס באף אחד מהמודלים אינו מהווה על-קבוצה של זה שבאחר.
השני הוא אורך הפרומפט. ה-API המוגש של H3-Image מקבל עד 32,000 תווים, אך כאשר שיפור הפרומפט מושבת רק כ-4,096 הטוקנים הראשונים נכנסים לתוקף; מסלול SGLang המקומי חותך ב-4,096 טוקנים, וזהו. זה אינו תקציב גדול עבור מודל שנקודת המכירה שלו היא ביצוע הוראות מפורט, ולכן מרחיב הפרומפט הנלווה קיים בכלל — MiniMax-H3-Image-PE, כיוונון עדין FP4 בגודל 27B של Qwen3.8-27B שמנסח מחדש בקשה קצרה לתיאור ארוך בתוספת המלצת יחס גובה-רוחב, שוחרר ב-8 בנובמבר ונכלל באותו רישיון קהילתי. החלק העריכתי שלו הופץ כפרומפט בלבד; המשקלים להרחבה בצד העריכה עדיין מתוארים כבפיתוח.
השלישי הוא הרישיון, והוא אותו רישיון לשני המודלים רק בשם. הסכם רישיון הקהילה של MiniMax-H3-Image מחייב אישור מוקדם בכתב נפרד מ-MiniMax אם ההכנסה השנתית שלך, או של חברות קשורות שלך, עולה על מיליון דולר אמריקאי, או אם אתה מספק שירותים מתארחים לצדדים שלישיים. הוא מחייב אותך להציג את "MiniMax-H3-Image" באופן בולט בממשק של כל מוצר מסחרי שמשתמש בו. הוא מגביל את השימוש לטריטוריה החלה המוגדרת, אוסר להשתמש בפלטים כדי לשפר כל מודל AI אחר, ואינו טוען לזכויות כלשהן על הפלטים עצמם. רישיון הווידאו H3 הוא הסכם בפני עצמו עם תנאים משלו. אם אתה בונה מוצר על שניהם, יש לך שני רישיונות, לא אחד.
מה שאף אחד מהמודלים לא עושה
MiniMax-H3-Image לא יכול ליצור וידאו. אין לו ציר זמן, אין ענף אודיו, אין פרמטר משך — ה-VAE של האודיו פשוט נעלם מהארכיטקטורה, והפלט הוא תמונת לטנט אחת לכל בקשה, עד עשר בקריאה אחת דרך ה-API. MiniMax-H3 לא יכול ליצור תמונה סטטית של 16 מגה-פיקסל. הוא מייצר 768p כברירת מחדל ומגיע ל-2K דרך מעבר יצירה מחדש; בקשה ממנו לפריים בודד בגודל 4096×4096 אינה בקשה נתמכת. אם הצינור שלך זקוק לתמונת גיבור ולקטע לופ של חמש שניות עם דיאלוג מסונכרן מאותו עולם חזותי, אתה קורא לשני מודלים, ובפלטפורמה של MiniMax אתה משלם בשני מונים שונים.
לשניהם באמת יש דבר אחד משותף שקל לפספס: אין פרומפט שלילי. H3-Image דוחה את השדה. הנחיית הפרומפט של H3 מכוונת דרך תיאור חיובי ודרך Context-IR ולא דרך הדרה. כל מי שמעביר תהליך עבודה של Stable Diffusion לאחד משני המודלים מאבד את המנוף הזה כבר ביום הראשון.
למי להתקשר
חלוקת העבודה ההוגנת היא לפי תוצר, ולא לפי איכות. אם התוצר הוא תמונה נייחת — רינדור מוצר, פריים מפתח, פלטה של 16 מגה-פיקסל עם טקסט קריא בה — MiniMax-H3-Image הוא המודל, ולוח הזמנים של שישה שלבים אומר שאתה יכול להרשות לעצמך לבצע עליו איטרציות. אם התוצר זז, H3 הוא המודל, וענף האודיו הוא הסיבה להעדיף אותו על פני תפירת תמונות נייחות לרצף.
מה ששכבת ניתוב משנה כאן הוא צר יותר ממה שזה נשמע, וכדאי לומר את זה בבירור: OrcaRouter לא מגישה את MiniMax-H3-Image. המודל הגיע למשקלים ציבוריים ב-10 בנובמבר ואין לו מסלול בקטלוג שלנו, כך שאם אתם רוצים אותו היום, תשיגו אותו מה-API של MiniMax עצמה או תריצו בעצמכם את ה-checkout של 68.65 GB. מה שכן יש לנו הוא minimax/minimax-h3, מודל הווידאו, בחיוב לפי שנייה במחיר מחירון וללא תוספת — והתכונה השימושית עבור צינור של שני מודלים היא שאותו מפתח שקורא ל-H3 מגיע גם ליתר כ-200 המודלים בפלטפורמה.
הדבר שכדאי לשים לב אליו הוא לא אם H3-Image טוב, אלא אם MiniMax אומר משהו עליו. מודל שמגיע עם משקלים, רישיון, כרטיס תמחור וארבע אינטגרציות עם מסגרות עבודה, אבל בלי פוסט בבלוג ובלי בנצ'מרק, הוא מודל שהטענות שלו עדיין כולן של הספק. הדירוג העצמאי הראשון בלוח תמונות, או ההשוואה הראשונה פנים אל פנים מול מודל סגור באותה רזולוציה, יגידו לך יותר מאשר גריד התצוגה. עד אז המאגר הוא התיעוד, והמאגר אומר: זה H3 עם הצליל כבוי.
