MiniMax-H3-Image: 16 Megapiksel dalam 10 Detik Adalah Klaim, Bukan Pengukuran

Sepuluh detik untuk gambar enam belas megapiksel bukanlah klaim kualitas. Itu adalah klaim tentang bagaimana sebuah model dijadwalkan, dan itulah satu bagian dari peluncuran MiniMax-H3-Image yang dapat diperiksa pengguna dalam satu sore. MiniMax mengumumkan model tersebut pada 10 November 2026 dengan postingan singkat yang langsung menyoroti angka itu: keluaran 4K, sekitar enam belas juta piksel, hingga enam belas gambar referensi, dalam sepuluh detik, dengan bobot terbuka dan API milik vendor sendiri, MiniMax Code dan Hailuo sebagai jalur masuknya. Yang tidak dibawa pengumuman itu adalah satu pun pengukuran latensi, satu pun tolok ukur kualitas, atau tautan ke postingan blog yang menjelaskan bagaimana semua itu dicapai. Byte-nya nyata — 68,65 GB di Hugging Face, ditambah encoder teks yang dipinjam dari repositori kedua — dan begitu pula daftar harganya. Sepuluh detik itu adalah janji. Inilah yang menjadi dasar janji tersebut, berapa biayanya, dan apa yang harus Anda jalankan untuk mengetahui apakah janji itu berlaku di perangkat keras Anda sendiri.

Tanggal-tanggalnya perlu disebutkan secara gamblang, karena peluncurannya tidak biasa. Repositori Hugging Face untuk MiniMax-H3-Image dibuat pada {{1}}3 November 2026{{/1}} dan dibiarkan kosong. Bobotnya tiba pada {{2}}10 November pukul 14:50 UTC{{/2}}. Pada hari yang sama, dokumentasi API MiniMax mendapat kartu catatan rilis berjudul “MiniMax H3 Image” dengan baris “Model gambar open-weight terkemuka. Dari ide menjadi dunia baru” — kalimat yang tidak memuat spesifikasi apa pun — dan blog serta indeks berita perusahaan itu sendiri masih tidak memuat apa pun tentang model gambar tersebut sama sekali. Jadi model itu dikirim secara diam-diam dan baru kemudian diumumkan, dalam urutan itu, yang merupakan kebalikan dari cara sebagian besar peluncuran berjalan dan alasan pengumumannya terbaca seperti materi pemasaran yang ditempelkan pada checkpoint yang sudah dapat diunduh.

Dari mana sepuluh detik itu secara masuk akal bisa berasal

Sebagian besar penjelasannya ada di daftar file, bukan di postingan. MiniMax-H3-Image adalah transformer difusi dense 33.1B — 50 lapisan, ukuran tersembunyi 5,376, 56 kepala atensi, lebar FFN 14,336, RoPE multimodal 3D — dan didistilasi menjadi enam langkah sampling tanpa classifier-free guidance sama sekali. Itu bukan default yang bisa disetel oleh pemanggil. API yang disajikan menolak apa pun selain num_inference_steps=6 dan guidance_scale=1 dengan HTTP 400, dan prompt negatif ditolak mentah-mentah. File terpisah berukuran 12 MB, pdd_fused_heads.safetensors, membawa kepala keluaran per langkah yang menggantikan lapisan keluaran transformer, dengan jadwalnya di pdd_config.json.

Enam lintasan tanpa panduan adalah alasan angka sepuluh detik itu tidak absurd. Sampler terpandu 30 langkah pada enam belas megapiksel adalah pekerjaan batch; enam langkah pada area yang sama adalah sebuah permintaan. Apakah itu tercapai dalam sepuluh detik sepenuhnya bergantung pada akselerator, konfigurasi paralelisme sekuens, dan resolusi yang benar-benar Anda minta, dan tidak satu pun dari ketiga hal itu ada dalam pengumuman. Kartu model MiniMax sendiri tidak menyebutkan waktu pembuatan di mana pun. Angka itu hanya ada di satu tempat: pos peluncuran.

Yang ditentukan oleh kartu tersebut, dengan lebih rinci daripada postingan itu, adalah geometrinya. Output mencapai sekitar 16 megapiksel pada setiap rasio aspek — 4096×4096 pada 1:1, 4736×3552 pada 4:3, 5024×3360 pada 3:2, 5472×3072 pada 16:9, 6272×2688 pada 21:9 — tanpa upscaler terpisah dalam alurnya. API membatasi luas output pada 20 megapiksel, dan kartu tersebut menjelaskan rentang kerja praktisnya sekitar 4 hingga 20 megapiksel. Penyuntingan menerima hingga 16 gambar referensi, yang dialamatkan secara posisional dalam prompt sebagai <Picture 1> hingga <Picture 16> sesuai urutan unggahan. Prompt mencapai 32.000 karakter pada API yang dilayani, meskipun hanya sekitar 4.096 token pertama yang berpengaruh.

Klaim-klaim itu, di samping bukti yang ada untuk klaim-klaim tersebut

Resolusi — “16 juta piksel” dan 4K: disebutkan dalam postingan dan direproduksi dalam tabel ukuran kartu. Tidak diukur secara independen, tetapi yang ini mudah diperiksa dengan membuat gambar dan membaca dimensinya.

• Kecepatan — “semuanya dalam 10 detik”: dilaporkan oleh vendor, tanpa spesifikasi perangkat keras dan belum ada pengukuran waktu pihak ketiga yang diterbitkan per 11 November 2026. Kartu tersebut tidak memberikan angka sama sekali.

• Mengikuti prompt — “mengikuti prompt secara presisi”: klaim kualitatif. Frase yang lebih kuat pada kartu adalah “kemampuan mengikuti instruksi terkuat di antara model sumber terbuka,” yang merupakan perbandingan tanpa tabel yang dilampirkan.

• Penyuntingan — “hingga 16 gambar referensi”: dikonfirmasi di kartu dan dokumentasi API, serta bertentangan dalam satu detail oleh resep hari pertama vLLM-Omni, yang mendokumentasikan hingga 9 gambar per permintaan pada jalurnya. Anggap 16 sebagai batas maksimum model dan 9 sebagai jumlah yang diuji oleh resep framework.

• Open weight — benar, dan menjadi penopang dengan cara yang tidak dijelaskan dalam unggahan tersebut: bobot-bobotnya terbuka di bawah lisensi dengan ketentuan teritorial dan pendapatan, bukan di bawah lisensi yang disetujui OSI. Selengkapnya tentang hal itu di bawah ini.

Berapa biayanya, dan diskon yang tersisa enam hari lagi

Ketentuan komersial adalah hal paling konkret tentang rilis ini. Penagihan berbasis token terhadap tarif keluaran gambar: $2,30 per juta token teks masukan, $1,50 per juta token gambar masukan, $3,80 per juta token gambar keluaran pada tier standar. Contoh perhitungan MiniMax sendiri mengubahnya menjadi tangga harga yang luar biasa datar, karena alat ukurnya adalah token dan jumlah token tidak berskala dengan area seperti yang disarankan intuisi:

• 1K teks-ke-gambar — $0.02179 per gambar.
• 2K teks-ke-gambar — $0.02333.
• 4K teks-ke-gambar — harga daftar $0.06879, $0.03439 selama diskon saat ini masih berlaku.
• Edit 1K dengan satu referensi — $0.02654; 2K — $0.02658; 4K — $0.07312, didiskon menjadi $0.03656.
• Edit 1K dengan tiga referensi — $0.03563; 2K — $0.04177; 4K — $0.07914, didiskon menjadi $0.03957.

Enam belas kali jumlah piksel dengan biaya sedikit lebih dari tiga kali lipat adalah bentuk yang perlu diingat, karena di sinilah model benar-benar terdiferensiasi: pada 4K, checkpoint open-weight tersebut kira-kira seperdelapan dari frame FLUX 3 Image 4K dan sekitar seperlima dari frame Nano Banana 2.1 4K pada harga daftar.

Diskon ini nyata dan bersifat sementara. Potongan 50% hanya berlaku jika gambar yang dikirimkan minimal 16.600.000 piksel, menutup seluruh total permintaan, dan berakhir pada 17 November 2026 pukul 16:00 UTC — enam hari setelah bobot dirilis. Siapa pun yang menyusun anggaran pipeline pada $0,03439 sedang menganggarkan berdasarkan promosi. Gunakan harga $0,06879 dan perlakukan diskon sebagai margin.

Ada tingkat kedua yang lebih cepat. MiniMax-H3-Image-Highspeed menerima parameter dan batas yang identik serta menagih $7.60 per juta token gambar keluaran: $0.03529 pada 1K, $0.03622 pada 2K, $0.13001 pada 4K sebelum diskon yang sama membaginya dua menjadi $0.06501. Jika klaim sepuluh detik adalah alasan Anda tertarik, Highspeed adalah varian yang harus terbukti benar agar hal itu berdampak — dan MiniMax tidak memublikasikan perbedaan latensi antara keduanya.

“Open weight” di sini berarti lisensi yang harus Anda baca

Bobotnya dapat diunduh dan arsitekturnya didokumentasikan, yang lebih dari yang ditawarkan sebagian besar model gambar terdepan. Lisensinya adalah titik ketika kata “open” berhenti menjalankan fungsi yang diharapkan orang. MiniMax-H3-Image dirilis di bawah MiniMax-H3-Image Community License Agreement, dan ketentuan yang menentukan penerapan bukanlah catatan kaki:

• {{1}}Wilayah{{/1}}. Definisi wilayah yang dikecualikan dalam lisensi mencakup Uni Eropa, Britania Raya, Republik Korea, dan Amerika Serikat, yang merupakan sebagian besar pasar untuk model gambar komersial.

• Skala. Otorisasi tertulis terpisah sebelumnya diperlukan untuk pendapatan tahunan di atas satu juta dolar AS.

• Hosting. Persyaratan otorisasi yang sama juga berlaku untuk menawarkan model sebagai layanan yang dihosting, tanpa batas pendapatan sama sekali — sebuah klausul yang secara langsung menyasar model penjual ulang API.

• Atribusi. Antarmuka komersial yang menggunakan model ini harus menampilkan “MiniMax-H3-Image” secara mencolok.

• Hilir. Output tidak boleh digunakan untuk melatih atau meningkatkan model lain.

Halaman Hugging Face menampilkannya sebagai satu baris yang berbunyi license: other, yang secara teknis akurat dan secara praktis tidak berguna. Jika Anda mengevaluasi model untuk sebuah produk, bukan untuk notebook, file lisensi adalah hal pertama yang harus dibaca dan mungkin alasan untuk berhenti.

Berapa biaya sebenarnya yang Anda keluarkan untuk menjalankan open weights

68,65 GB transformer dan VAE, ditambah text encoder yang tidak ada di repositori. model_index.json menjangkau model video MiniMax-H3 dan memuat text_encoder/ dari sana — 66,7 GB Qwen3-VL, tanpa perubahan. Karena itu, generasi lokal pertama berarti mengunduh sekitar 135 GB dari dua repositori, dan encoder adalah bagian yang lebih besar.

Kisah framework-nya luar biasa baik untuk checkpoint yang masih muda ini, dan hadir pada hari pertama alih-alih sepanjang bulan berikutnya. SGLang adalah jalur referensi dengan cookbook yang terdokumentasi dan perintah GPU tunggal; paralelisme sekuens adalah flag (--ulysses-degree di SGLang, --usp di vLLM-Omni); vLLM-Omni menerbitkan resep per perangkat keras yang menyebut NVIDIA H200, RTX PRO 6000 Blackwell dan AMD Instinct MI350X; diffusers dan ComfyUI keduanya mendukungnya. Panduan penyajian MiniMax sendiri mengarah ke multi-GPU untuk latensi yang dapat diterima pada resolusi penuh, yang merupakan sejauh mana vendor mengakui bahwa sepuluh detik adalah konfigurasi, bukan konstanta.

Bagi sebagian besar tim, perhitungan berikut ini tidak nyaman. Dengan $0.02179 per gambar 1K dan $0.06879 per gambar 4K, API yang di-host lebih murah daripada biaya listrik dan amortisasi untuk waktu yang sangat lama. Alasan untuk mengambil 135 GB adalah kontrol — sampler enam langkah tetap yang dapat Anda reproduksi secara persis, lisensi yang dapat Anda pahami, dan tanpa ketergantungan pada antrean vendor saat Anda membutuhkan throughput.

Tiga pengujian yang layak dijalankan sebelum Anda melakukan commit

Yang pertama adalah yang murah: buat prompt 4K yang sama sepuluh kali melalui API MiniMax, catat waktu wall-clock per permintaan dan dimensi piksel setiap hasil. Itu menyelesaikan kedua angka utama — sepuluh detik dan enam belas megapiksel — pada jaringan Anda sendiri dan panjang prompt Anda sendiri, dalam waktu kurang dari satu jam, dengan biaya jauh di bawah satu dolar.

Yang kedua adalah uji identitas, dan di sinilah enam belas referensi entah membuktikan manfaatnya atau tidak. Berikan delapan hingga enam belas frame dari satu subjek dari berbagai sudut, minta adegan baru, dan lihat apakah wajah, kain, dan logo tetap bertahan. Slot posisional kurang terstruktur dibandingkan referensi yang diketik — tidak ada cara untuk memberi tahu model gambar mana yang merupakan karakter dan mana jaket — jadi ujinya adalah apakah posisi saja cukup untuk membawa maksud tersebut.

Yang ketiga adalah hal yang tidak bisa dilakukan orang lain untuk Anda: A/B terhadap apa pun yang Anda gunakan sekarang, dengan prompt Anda sendiri, secara buta. MiniMax-H3-Image tidak memiliki entri di kedua papan peringkat gambar Artificial Analysis per 11 November 2026 — bukan entri rendah, tidak ada sama sekali — dan juga tidak ada tabel evaluasi vendor. Tidak ada GenEval, tidak ada DPG-Bench, tidak ada angka preferensi manusia. Grid showcase pada kartu model adalah satu-satunya bukti kualitas keluaran yang ada, dan grid showcase memang dirancang agar terlihat bagus. Seminggu perbandingan Anda sendiri akan memberi tahu Anda lebih banyak daripada yang bisa diberikan oleh postingan peluncuran.

Bagaimana posisi peluncuran setelah ini

Ringkasan yang jujur adalah bahwa MiniMax-H3-Image adalah checkpoint nyata dengan kisah penerapan yang luar biasa lengkap, tangga harga yang jauh lebih murah daripada model tertutup pada 4K, dan angka utama yang belum diverifikasi oleh siapa pun di luar perusahaan. Klaim kecepatannya masuk akal secara arsitektural — enam langkah tanpa panduan benar-benar merupakan kelas biaya yang berbeda dari sampler berpemandu tiga puluh langkah — dan masuk akal bukanlah bukti.

Yang akan mengubah gambaran adalah hal-hal yang spesifik dan mungkin masih beberapa minggu lagi: posisi independen di papan peringkat gambar dengan jumlah sampel yang disertakan, pihak ketiga yang mengukur waktu jalur 4K pada perangkat keras yang disebutkan, dan tinjauan tentang bagaimana enam belas referensi posisi berperilaku di bawah tekanan identitas nyata. Sampai saat itu, sikap yang berguna adalah jalur kandidat, bukan pengganti — jalankan di samping model yang Anda percaya, pada kumpulan prompt tetap, dan biarkan gambar yang memutuskan.

OrcaRouter tidak menyediakan MiniMax-H3-Image saat ini; tidak ada rute untuk model itu di katalog kami, dan menyatakan sebaliknya akan menjadi klaim yang justru diperdebatkan artikel ini. Yang kami sediakan dari keluarga yang sama adalah model video, minimax/minimax-h3, dengan harga daftar penyedia dengan markup 0% yang diteruskan — artinya perubahan harga MiniMax, termasuk diskon 4K dan masa berlakunya, langsung berlaku di sini pada hari itu terjadi, bukan pada migrasi penagihan berikutnya. Jika model gambar itu nanti tersedia di katalog, ia akan hadir dengan ketentuan yang sama. Sampai saat itu, model ini hanya tersedia melalui API MiniMax sendiri atau GPU Anda sendiri.