MiniMax-H3-Image Hadir di Tiga Platform: Apa yang Sebenarnya Diberikan Masing-Masing kepada Anda

Kalimat benar terpendek tentang MiniMax-H3-Image minggu ini adalah bahwa produk ini tersedia di tiga tempat: Hugging Face, M​iniMax Code, dan API milik M​iniMax sendiri. Kalimat yang sebenarnya dibutuhkan pembeli lebih sempit. Dua dari tiga tempat itu memberi Anda endpoint permintaan dan daftar tarif; satu memberi Anda 135 gigabyte bobot, lisensi untuk membaca, dan keputusan perangkat keras. Itu bukan tiga ragam akses yang sama, dan memperlakukannya sebagai hal yang bisa saling ditukar adalah cara sebuah tim akhirnya menganggarkan waktu seminggu untuk sesuatu yang bisa saja dibelinya per gambar seharga dua sen.

Model itu sendiri adalah rilis sungguhan, bukan pengemasan ulang. M​iniMax menempatkan bobotnya di repositori Hugging Face MiniMaxAI/MiniMax-H3-Image pada 10 November 2026 pukul 14.50 UTC dan memposting tentangnya pada pukul 15.40 sore yang sama; repositori itu sendiri bertanggal 3 November, yang berarti bobot tersebut telah ada secara privat selama seminggu sebelum siapa pun dapat mengunduhnya. Ini adalah transformer difusi dengan 33,1 miliar parameter yang menghasilkan sekitar enam belas megapiksel, yang merupakan "4K" dalam pengumuman tersebut, dan melakukan text-to-image serta pengeditan terpandu referensi dari satu checkpoint. Bagian berikut disusun seputar satu pertanyaan yang tidak dijawab oleh pengumuman itu: platform mana yang seharusnya Anda gunakan.

Tiga pintu depan, dan hanya satu di antaranya yang merupakan unduhan

Mulailah dengan apa itu masing-masing pintu, karena perbedaannya bersifat struktural, bukan kosmetik.

Itu API adalah jalur konvensional. Model ini terdaftar sebagai MiniMax-H3-Image dengan varian Highspeed, di platform internasional dan Tiongkok daratan milik M​iniMax, ditagih per juta token masuk dan keluar, bukan per gambar. Antarmukanya luar biasa kaku — enam langkah sampling, tanpa skala guidance, tanpa prompt negatif — dan referensi M​iniMax sendiri menyatakan bahwa permintaan yang menginginkan hal lain akan dikembalikan sebagai HTTP 400. Anda membeli endpoint yang berfungsi dengan resep tetap di dalamnya.

M​iniMax Code dan Hailuo AI adalah permukaan produk: model yang sama di balik kotak prompt, dengan keputusan sampling yang sudah dibuat dan tanpa aritmetika per token yang perlu Anda lakukan. Berguna untuk mengevaluasi apakah output-nya bagus; tidak berguna untuk membangun apa pun, karena hal yang akan Anda bangun di atasnya tidak diekspos. Perhatikan juga bahwa M​iniMax Code adalah produk agen pengodean, jadi pembuatan gambar di sana adalah pintu samping alih-alih fungsi utama — jangan membaca "tersedia di M​iniMax Code" sebagai API gambar dengan pembungkus kode.

Hugging Face adalah pintu ketiga, dan satu-satunya yang berupa transfer, bukan layanan. Anda mendapatkan repositori, file lisensi, dan sekumpulan bobot yang kini harus Anda buat berjalan. Self-hosting adalah alasan sebagian besar tim mempertimbangkan model gambar berbobot terbuka; di sinilah juga perhitungannya berhenti menjadi soal model dan mulai menjadi soal rak Anda.

Repositori ini lebih berat daripada yang diperkirakan dari jumlah parameter di judulnya.

33,1 miliar parameter dalam BF16 adalah sekitar 66 GB sebelum Anda menghitung hal lain, dan "hal lain" adalah tempat repositori ini mengejutkan orang. Transformer difusi saja berukuran 66,28 GB. Unduhan lengkapnya 68,65 GB, yang mencakup transformer ditambah VAE dan konfigurasi. Encoder teks tidak termasuk dalam angka itu: MiniMax-H3-Image menggunakan kembali encoder teks Qwen3-VL dari repositori video MiniMax-H3, membaca dari lapisan ke-50 encoder tersebut, dan encoder itu merupakan unduhan terpisah sebesar 66,7 GB. Dengan kata lain, sediakan sekitar 135 GB artefak di disk sebelum gambar pertama, dan itu sebelum cache framework mana pun.

Arsitektur ini layak dijelaskan dalam satu paragraf karena memberi tahu Anda apa model ini. Lima puluh lapisan transformer, ukuran tersembunyi 5.376, 56 kepala atensi, lebar feed-forward 14.336, dengan embedding posisi rotari multimodal tiga dimensi. VAE-nya adalah encoder konvolusional yang dipasangkan dengan decoder ViT dua dimensi 24 lapis pada downsampling spasial 16× dan 24 kanal laten — pilihan decoder yang memakan lebih banyak komputasi di akhir pipeline daripada decoder konvolusional biasa, dan masuk akal sebagai asal sebagian detail halus pada 4K. Desainnya dijelaskan dalam kartu model sebagai arsitektur H3 tanpa audio, yang merupakan ringkasan yang adil: ini adalah cabang gambar dari model video, yang dirilis secara terpisah.

Dua konsekuensi mengikutinya. Pertama, diffusion transformer kelas 33B pada enam belas megapiksel bukanlah model laptop, tak peduli seberapa mengesankannya jumlah parameter itu jika dibandingkan dengan model bahasa modern; memori aktivasi berskala dengan luas keluaran, dan luas itulah inti dari rilis ini. Kedua, karena encoder teks dibagi dengan model video, sebuah tim yang sudah menjalankan MiniMax-H3 sudah memiliki sebagian besar unduhan di disk. Itu diskon nyata, dan itulah jenis hal yang tidak tersampaikan oleh kalimat "tersedia di Hugging Face".

Empat cara untuk menyajikannya, dan satu angka yang tidak cocok

Kartu model mencantumkan empat jalur: SGLang, vLLM-Omni, diffusers, dan ComfyUI. Tim vLLM merilis dukungan hari pertama di vLLM-Omni untuk perangkat keras NVIDIA dan AMD pada hari peluncuran, dengan keluaran native sekitar enam belas megapiksel, yang merupakan sinyal peluncuran lebih kuat daripada keberadaan bobot — seseorang di luar MiniMax sudah menjalankannya sebelum pengumuman berusia satu jam. Diffusers mencakup jalur referensi, dan ComfyUI mencakup kalangan graf alur kerja.

Ketidaksesuaian ini layak ditandai karena akan merugikan seseorang. Kartu model menjelaskan pengeditan dengan hingga 16 gambar referensi, yang dialamatkan secara posisional sebagai <Picture 1> hingga <Picture 16> sesuai urutan unggah. Resep rilis vLLM-Omni untuk model yang sama mendokumentasikan hingga 9 gambar per permintaan. Keduanya bisa sama-sama benar — batas penyajian suatu framework dan kapasitas terlatih model adalah angka yang berbeda, dan batasan batching atau memori dalam stack penyajian akan lebih dulu membatasi — tetapi jika alur kerja Anda membutuhkan dua belas referensi, jawaban jujur saat ini adalah bahwa kemampuannya ada dan jalur penyajian yang didokumentasikan mungkin tidak mendukungnya. Ujilah angka tersebut pada stack Anda alih-alih mempercayai salah satu dokumen.

Peringatan yang sama berlaku untuk jendela prompt. Kartu menerima hingga 32.000 karakter, yang kira-kira 4.096 token pertamanya adalah yang benar-benar menjadi acuan kondisi model. Prompt panjang tidak ditolak; ekornya sekadar tidak menjalankan fungsi. Siapa pun yang memindahkan prompt arahan seni terperinci dari kebiasaan model bahasa akan mengetahuinya dengan cara yang mahal.

Sampler adalah batasan yang Anda warisi, bukan pengaturan yang Anda sesuaikan

Enam langkah, tanpa classifier-free guidance, tanpa prompt negatif. Itu bukan nilai default yang masih menyisakan ruang untuk dinaikkan; API langsung menolak jumlah langkah dan nilai guidance lainnya. Model ini didistilasi untuk berjalan dalam enam forward pass, dan alasan utama transformer 33B dapat menghasilkan gambar enam belas megapiksel cukup cepat agar berguna adalah distilasi tersebut.

Untuk jalur API, ini tidak terlihat dan tidak masalah. Untuk jalur self-host, ini adalah satu angka paling berguna di lembar spesifikasi, bahkan dalam dua hal sekaligus. Angka ini membatasi komputasi per gambar pada enam evaluasi transformer, bukan dua puluh lima hingga lima puluh evaluasi yang dibutuhkan model non-distilasi, dan inilah yang membuat enam belas megapiksel benar-benar praktis. Selain itu, ini berarti loop penyetelan self-hosting yang biasa — coba lebih banyak langkah, tambahkan guidance, tambahkan prompt negatif, ulangi — tidak ada di sini. Jika kualitas keluaran mengecewakan, tuasnya adalah prompt dan referensi, bukan sampler. Tim yang menganggarkan waktu seminggu untuk "menyetel model" sebaiknya menganggarkannya untuk pekerjaan prompt.

Berapa biaya setiap jalur, dalam satuan yang sebenarnya digunakan untuk penagihan

API menagih token, dan contoh perhitungan pada kartu itu sendiri adalah cara paling jelas untuk memahaminya. Permintaan teks-ke-gambar 1.024×1.024 adalah $0.02179. Permintaan 2.048×2.048 adalah $0.02333 — 1,07 kali harga untuk empat kali piksel, karena jumlah token tumbuh jauh lebih lambat daripada luas. Permintaan 4.096×4.096 adalah $0.06879 harga daftar, dan $0.03439 dengan diskon 50% untuk waktu terbatas yang berlaku hingga 17 November 2026 pukul 16.00 UTC dan mensyaratkan gambar yang dikirimkan minimal 16.600.000 piksel. Tarif tingkat Standar adalah $2,30 per juta token teks masukan, $1,50 per juta token gambar masukan, dan $3,80 per juta token gambar keluaran; tingkat Highspeed mempertahankan tarif masukan dan mengenakan $7,60 untuk keluaran.

Baca ketiga angka itu bersama-sama dan argumen harga untuk 4K sebagian besar menguap. Empat kali piksel dengan 1,07 kali biaya pada langkah 2K adalah anugerah; beralih dari 2K ke 4K biayanya sekitar tiga kali lipat untuk keuntungan area empat kali lipat yang sama, dan hanya diskon yang membuatnya kembali mendekati tarif 2K. Jika kasus penggunaan Anda tidak memerlukan 4.096 piksel per sisi, tier 2K adalah tempat model ini murah.

OrcaRouter tidak menyediakan MiniMax-H3-Image — tidak ada rute untuknya di sini, dan CTA pada artikel ini mengarah ke saudara videonya, minimax/minimax-h3, yang kami rutekan. Yang kami tawarkan relevan untuk hari ketika rute itu tersedia: markup 0% dengan harga daftar penyedia diteruskan apa adanya, yang berarti perubahan harga vendor seperti diskon 4K itu mencapai tagihan Anda pada hari yang sama saat perubahan itu muncul di halaman vendor, dan failover otomatis jika jalur penyedia menurun. Sampai saat itu, perbandingan yang penting adalah pengeluaran API terhadap perangkat keras Anda sendiri, dan tidak ada lapisan routing yang mengubah aritmetika itu.

Self-hosting, dengan harga yang jujur

Tidak seorang pun dapat memberi Anda perkiraan biaya self-host per gambar tanpa mengetahui GPU Anda, karena faktor dominannya adalah apakah 135 GB bobot muat di memori atau harus di-offload. Yang bisa dikatakan secara tepat: sampler enam langkah menetapkan komputasi, output enam belas megapiksel menetapkan anggaran aktivasi, dan keduanya besar. Satu kartu 80 GB akan menampung transformer tetapi tidak menampung transformer plus encoder Qwen3-VL pada presisi penuh, jadi konfigurasi realistisnya adalah multi-GPU, atau meng-offload encoder, atau transformer terkuantisasi dengan pertanyaan kualitas yang menyertainya. Tambahkan daya, tambahkan waktu engineer selama seminggu agar SGLang atau vLLM-Omni dapat berjalan sebagai server dengan benar, dan titik impas terhadap $0.02333 per gambar 2K adalah angka volume dalam ratusan ribu gambar, bukan lusinan.

Yaitu argumen untuk API dalam sebagian besar kasus dan argumen untuk bobot model dalam beberapa kasus: sebuah perusahaan yang memerlukan model di dalam batasnya sendiri karena alasan data, atau perusahaan yang sudah menjalankan MiniMax-H3 dan memiliki encoder, atau perusahaan yang menghasilkan pada volume di mana biaya tetap teramortisasi. Semua pihak lain sebaiknya menghitung harga API terlebih dahulu dan melakukan self-host hanya jika batas tersebut benar-benar mengharuskannya.

Membaca lisensi sebelum mengunduh, bukan sesudahnya

Bobot dirilis di bawah Perjanjian Lisensi Komunitas MiniMax-H3-Image, yang bukan Apache 2.0 dan bukan MIT. "Open-weight" adalah istilah yang akurat; "open-source" adalah kata yang bisa mendatangkan masalah bagi tim, dan inilah titik dalam proses di mana seorang pengacara seharusnya membaca berkas yang sebenarnya alih-alih membaca postingan blog — termasuk yang ini. Pertanyaan praktisnya adalah penggunaan komersial dalam skala besar dan apakah lisensi tersebut memuat ketentuan yang melekat pada produk Anda, dan pertanyaan itu memiliki jawaban di dalam repositori yang tidak dapat digantikan oleh ringkasan mana pun.

Ada artefak kedua yang lebih kecil yang perlu diketahui: MiniMax menyertakan komponen Context-IR untuk model tersebut, dan model prompt-expander opsional, MiniMax-H3-Image-PE. Prompt-expander menjelaskan sebagian alasan model ini toleran terhadap prompt yang panjang dan terperinci; komponen ini opsional, terpisah dari 68.65 GB, dan merupakan jenis hal yang Anda temukan dalam daftar repositori alih-alih dalam sebuah pengumuman.

Apa yang perlu dicek di stack Anda sendiri minggu ini

• Referensi — konfirmasikan apakah jalur penyajian Anda mendukung 16 gambar atau 9 gambar yang didokumentasikan oleh resep vLLM-Omni, dengan permintaan nyata alih-alih hanya membaca dokumen.

• Area efektif — model akan berjalan di bawah enam belas megapiksel, dan konfigurasi mengekspos area pembuatan minimum yang default-nya 4.194.304 piksel. Uji ujung kecil jika kasus penggunaan Anda adalah thumbnail, karena model sebesar ini mungkin bukan opsi murah pada 1K.

• Memori — ukur puncak VRAM pada 4,096×4,096 sebelum membeli perangkat keras. Enam langkah itu komputasi yang murah; aktivasinya tidak.

• Hitungan waktu diskon — jika 4K adalah rencananya, tarif 50% berakhir pada 17 November 2026 pukul 16.00 UTC, dan apakah Anda menggunakan API atau mesin sendiri akan menentukan apakah tenggat waktu itu penting bagi Anda.

• Lisensi — bacalah. Unduhannya berukuran 135 GB dan keputusannya dapat dibatalkan; lisensinya tidak.

Hal yang menarik dari rilis ini bukanlah munculnya model gambar terbuka yang bagus — melainkan bahwa untuk pertama kalinya dalam beberapa waktu, sebuah model muncul dengan bobot, resep framework, dan endpoint yang dihosting semuanya tersedia pada minggu yang sama. Itu adalah sinyal yang lebih kuat daripada grafik benchmark, karena artinya hal tersebut benar-benar berjalan. Apakah Anda sebaiknya menjalankannya sendiri atau memanggilnya, sepenuhnya bergantung pada pintu mana dari tiga pintu yang Anda lewati, dan ketiga pintu itu jauh lebih berjauhan daripada kesan yang diberikan pengumuman.