MiniMax-H3-Image-PE: MiniMax Merilis Prompt Expander 27B untuk Model Gambarnya dan Tidak Memberi Tahu Siapa Pun

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.

Apa yang sebenarnya ada di repo, dan apa yang dikatakan stempel waktu

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.

Apa yang dilakukannya, secara tepat

Ada dua alur kerja yang berada di dalam repo, dan keduanya bukanlah hal yang sama. Inilah satu hal terpenting yang harus dipahami sebelum Anda mengunduh 18 GB.

• Text-to-image PE — Anda mendapatkan semuanya: bobot yang telah disetel halus, prompt sistem, prompt tugas, parameter permintaan, dan klien yang berfungsi. Jalur ini lengkap dan dapat dijalankan hari ini.

• Image editing PE — Anda mendapatkan prompt dan contoh perakitan pesan. Tanpa bobot. Kartu itu menyatakannya secara terang-terangan: "Image editing PE masih dalam pengembangan; rilis ini hanya menyediakan prompt-nya." Anda diharapkan menjalankan prompt tersebut melalui model visi-bahasa pilihan Anda sendiri.

Jalur text-to-image mengambil instruksi Anda, memperluasnya, dan mengembalikan JSON yang dibatasi oleh skema menjadi tepat dua kunci. Output untuk prompt uji — "Seekor kucing tabby oranye tidur di ambang jendela yang terkena sinar matahari" — adalah satu kalimat tentang foto-foto hangat dan cahaya sore yang lembut, ditambah rasio "3:2". Skemanya ketat, dengan additionalProperties disetel ke false, dan bidang rasio adalah enum berisi sepuluh nilai: 1:1, 5:4, 4:3, 3:2, 16:9, 21:9, 4:5, 3:4, 2:3, 9:16. Tidak ada rasio teks bebas, tidak ada token "auto" dalam output, dan tidak ada cara bagi model untuk menjawab dengan apa pun selain salah satu dari sepuluh string tersebut. Itu adalah pilihan desain yang disengaja dan memetakan langsung ke tabel ukuran yang diterbitkan model induk, yang mencantumkan tepat rasio-rasio tersebut dengan dimensi piksel dari 4096×4096 pada 1:1 hingga 6272×2688 pada 21:9.

Keputusan rasio bukan soal firasat. Prompt tugas yang dirilis menghabiskan beberapa ratus kata untuk urutan prioritas yang ketat: kanvas akhir yang eksplisit menang lebih dulu, lalu hasil yang diminta (poster itu vertikal, header slide itu horizontal, avatar itu persegi), lalu komposisi utama subjek, lalu konteks opsional — dengan peringatan eksplisit bahwa "ruangan generik, taman, hutan, langit, atau latar sinematik tidak boleh membuat subjek yang terfokus menjadi horizontal." Prompt itu juga melarang mengarang platform: Anda tidak boleh mengasumsikan Instagram. Dan prompt itu membedakan adegan yang digambarkan dari artefak komunikasi — dasbor, poster, kemasan, diagram teknis, atau komposit multi-panel dibangun sebagai arsitektur informasi, bukan sebagai adegan yang berisi objek yang diminta. Bagi siapa pun yang pernah menyaksikan model gambar mengubah "slide hasil kuartalan" menjadi foto ruang rapat, pembedaan itu adalah bagian yang menarik dari rilis ini.

Mengapa menghabiskan 27B parameter hanya untuk sebuah keterangan?

Jawabannya ada di dokumentasi model induk, dan itu lebih menarik daripada ekspander prompt itu sendiri. num_inference_steps apa pun selain 6 dan guidance_scale apa pun selain 1 akan mengembalikan HTTP 400, dan negative_prompt ditolak mentah-mentah. Tidak ada tombol yang bisa diputar.

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.

Lisensi adalah bagian yang benar-benar akan menghentikan orang

MiniMax-H3-Image-PE tidak dilisensikan secara terpisah. Kartu tersebut menyatakan bahwa ia "merupakan bagian dari MiniMax-H3-Image dan karenanya tunduk pada" Perjanjian Lisensi Komunitas MiniMax-H3-Image, dan berkas lisensi memuat baris tanggal yang berbunyi "tanggal rilis/tanggal Lisensi: 10 November 2026." Bacalah dengan cermat, karena itu berarti tanggal lisensi prompt expander dan tanggal publikasi model gambar induknya terpaut delapan hari sementara lisensi itu sendiri adalah satu dokumen yang mengatur keduanya.

Tiga klausul lebih penting daripada sisanya, dan tidak satu pun dari klausul itu merupakan cerita "open weights" yang biasa:

• Wilayah — pemberian lisensi hanya berlaku di dalam "Wilayah yang Berlaku", yang didefinisikan sebagai seluruh dunia dengan mengecualikan Uni Eropa, Inggris Raya, Republik Korea, dan Amerika Serikat. Ini merupakan pengecualian teritorial, bukan pembatasan penggunaan, dan dinyatakan dalam definisi, bukan disembunyikan di lampiran.

• Skala komersial — Bagian IV mensyaratkan otorisasi tertulis terpisah sebelumnya jika pendapatan tahunan Anda, atau pendapatan afiliasi Anda, melebihi 1 juta USD, atau jika Anda menyediakan layanan yang dihosting kepada pihak ketiga sama sekali. Kondisi kedua tidak memiliki batas minimum pendapatan.

• Atribusi antarmuka — bagian yang sama mengharuskan Anda menampilkan "MiniMax-H3-Image" secara mencolok pada antarmuka pengguna produk atau layanan komersial apa pun yang menggunakan karya tersebut.

Ada pula syarat redistribusi yang mewajibkan file NOTICE dengan baris hak cipta tertentu, dan kewajiban Bagian V untuk memelihara pengaman agar tidak menghasilkan output yang melanggar, dengan mekanisme pelaporan dan kewajiban untuk menindaklanjuti laporan yang dibuat dengan itikad baik. Semua itu tidaklah luar biasa untuk lisensi komunitas pada 2026. Pengecualian teritorial adalah yang akan menentukan, bagi banyak tim, apakah unduhan 18 GB itu bahkan layak dimulai — dan itulah klausul yang paling mungkin terlewat, karena halaman model Hugging Face hanya menampilkannya sebagai "other" dengan sebuah tautan.

Apa yang belum dapat diketahui

Memperjelas batasnya lebih berguna daripada mengisinya.

• Tidak ada angka benchmark. Tidak satu pun kartu model menerbitkan satu skor pun. Perusahaan induknya hanya membuat klaim kualitatif — "instruction following terkuat di antara model open-source", "state of the art" — dan tidak ditemukan evaluasi independen atas MiniMax-H3-Image, atau prompt expander-nya, per 2026-11-11. Tidak ada Elo, tidak ada tingkat kemenangan preferensi, tidak ada perbandingan kualitas ekspansi dengan endpoint Context-IR yang dihosting.

• Tidak ada bukti bahwa jalur penyuntingan berfungsi. Prompt penyuntingan itu matang dan luar biasa spesifik — prompt tersebut mengharuskan pemanggil menyediakan rasio W:H yang diperkecil dari setiap gambar referensi, memberi tahu model untuk tidak pernah memperkirakan rasio sumber dari pratinjau, dan menginstruksikannya untuk menyusun target yang dimaksudkan alih-alih berpura-pura telah melihat hasil tersembunyi. Namun tidak ada bobot yang disertakan untuk itu, sehingga belum ada yang mengukur apakah VLM umum mengikutinya sebaik yang diduga akan dilakukan oleh fine-tune.

• 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.

• Angka unduhannya terlalu kecil untuk dibaca. MiniMax-H3-Image menunjukkan 667 unduhan dan 136 suka pada 2026-11-11, delapan hari setelah publikasi. Model PE menunjukkan 0 unduhan dan 7 suka. Pada repo yang baru berumur satu hari, itu adalah batas bawah, bukan vonis — tetapi itu berarti belum ada yang menerbitkan laporan lapangan.

Di mana ini cocok jika Anda benar-benar sedang membangun sesuatu

Pertanyaan praktisnya bukanlah "apakah ini model yang bagus" — belum ada yang bisa menjawabnya — melainkan "apa yang harus saya tanggung jika mengadopsinya." Ada tiga hal, secara konkret. Anda harus menjalankan dua model, bukan satu: expander 18 GB plus checkpoint gambar 68,65 GB plus text encoder 66,7 GB yang kemungkinan sudah Anda miliki jika menjalankan MiniMax-H3. Anda harus mematuhi anggaran decode tetap sebesar 4096 token termasuk penalaran, yang pada timeout permintaan yang ditetapkan dokumentasi API sebesar 600 detik bukanlah latensi yang bisa Anda sembunyikan di balik UI interaktif tanpa kehati-hatian. Dan Anda harus mematuhi lisensi yang cakupan teritorialnya mengecualikan empat pasar utama.

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.

Apa yang harus ditonton

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.