MiniMax-H3-Image vs GPT Image 2.6: Apa yang Sebenarnya Dapat Anda Ubah dalam Setiap Permintaan

Sebagian besar perbandingan model gambar menghabiskan ruangnya untuk skor. Yang ini menghabiskannya untuk kontrol, karena MiniMax-H3-Image dan G​PT Image 2.6 Sunburst tidak bersaing pada kontrol yang sama. MiniMax-H3-Image adalah transformer difusi 33.1B berbobot terbuka, dirilis pada 10 November 2026, yang menjalankan sampler enam langkah tetap tanpa skala guidance, menerima hingga enam belas gambar referensi, dan menghasilkan hingga enam belas megapiksel secara native. G​PT Image 2.6 Sunburst — dan saudaranya yang lebih cepat, G​PT Image 2.6 Flare, keduanya dirilis 4 November 2026 — adalah model hosted tertutup yang kemajuan terbarunya terutama berkaitan dengan apa yang bisa Anda berikan kepadanya dan apa yang dikembalikannya: gambar referensi yang dipakai ulang, editan dengan panduan markup, serta output GIF dan SVG. Jika hambatan Anda adalah mengendalikan rantai edit yang panjang, salah satunya jelas merupakan pilihan yang tepat. Jika hambatan Anda adalah resolusi atau tagihan, yang satunya lagi adalah pilihan Anda.

Keduanya layak ditanggapi dengan serius. Keduanya hanya saja gagal ke arah yang berbeda, dan mode kegagalannya bisa terbaca hanya dari permukaan kendalinya.

Sampler adalah tombol putar di satu sisi dan konstanta di sisi lain.

MiniMax-H3-Image hampir tidak memberi Anda apa pun untuk disetel, dan menegakkannya di batas API. Checkpoint ini didistilasi CFG menjadi enam evaluasi fungsi, yang berarti dua parameter biasa dalam proses difusi — jumlah langkah dan skala panduan — telah dilebur ke dalam bobot. Panggil dengan num_inference_steps yang diatur ke nilai apa pun selain enam dan permintaan akan dikembalikan sebagai HTTP 400. Atur guidance_scale ke nilai apa pun selain satu dan permintaan akan ditolak dengan cara yang sama. Kirim negative_prompt dan permintaan akan langsung ditolak, karena tidak ada forward pass kedua untuk ditindaklanjuti.

Kedengarannya membatasi dan sebagian besar hanyalah penyederhanaan. Enam langkah itu cepat, deterministik jika diberi seed, dan tidak mungkin salah konfigurasi — tidak ada kegagalan seperti "Saya menaikkan langkahnya dan hasilnya malah lebih buruk". Yang Anda kehilangan adalah kemampuan untuk menukar kualitas dengan latensi di dalam model, dan trik prompt negatif apa pun yang telah Anda kumpulkan.

G​PT Image 2.6 mempertahankan permukaan kontrol kecilnya sendiri sebagai pengganti kenop sampler: sebuah complexity parameter yang secara default bernilai tinggi, yaitu hal terdekat yang dimiliki kedua model dengan tombol "berpikir lebih keras". Tambahan yang didokumentasikan untuk 2.6 berkaitan dengan input dan output, bukan sampling — gambar referensi yang tetap tersedia di seluruh edit lanjutan sehingga Anda tidak perlu mengunggahnya lagi, markup yang digambar pada gambar referensi untuk mengarahkan edit, dan dua format output yang tidak ditawarkan generasi sebelumnya.

• Jumlah langkah — MiniMax-H3-Image ditetapkan tetap pada enam, selain itu ditolak; G​PT Image 2.6 tidak memiliki kontrol langkah yang tersedia.

• Panduan — MiniMax-H3-Image menetapkan guidance_scale menjadi satu; GPT Image 2.6 justru mengekspos complexity (default tinggi) sebagai gantinya.

• Prompt negatif — ditolak dengan 400 oleh MiniMax-H3-Image; bukan permukaan yang terdokumentasi pada G​PT Image 2.6.

• Anggaran prompt — MiniMax-H3-Image terpotong pada 4.096 token; batas maksimum prompt G​PT Image 2.6 tidak dipublikasikan di halaman modelnya.

Enam belas slot referensi adalah kontrol terluas yang ditawarkan oleh model mana pun di antara keduanya

Perbedaan fungsional terbesar adalah seberapa banyak konteks yang dapat Anda tempatkan di depan proses penyuntingan. MiniMax-H3-Image menerima hingga enam belas gambar referensi dalam satu permintaan, dan kartu model menjelaskan bahwa mode penyuntingan bekerja pada tingkat kesetiaan yang kira-kira sama dengan generasi — port vLLM-Omni melaporkan SSIM 0,985 dan PSNR sekitar 35 dB terhadap referensi GPU tunggalnya sendiri pada suntingan 2048², yang merupakan pemeriksaan konsistensi diri alih-alih skor kualitas, tetapi itu berarti jalur yang diparalelkan tidak diam-diam menurunkan mutu keluaran Anda.

Enam belas referensi merupakan tingkat kendali yang berbeda dari "satu gambar plus satu kalimat". Fotografi produk dengan enam sudut, lembar gaya, lembar karakter, dan pedoman merek semuanya dapat dimasukkan sekaligus. Konsekuensi dari keluasan itu adalah rekayasa prompt menjadi rekayasa konteks: dengan enam belas gambar yang digunakan, teks harus menyatakan mana yang mengatur atribut mana, dan model tidak punya cara untuk bertanya.

Jawaban GPT Image 2.6 untuk masalah yang sama adalah memori, bukan lebar. Gambar referensi tetap tersimpan di seluruh edit lanjutan dalam satu sesi, sehingga retouch multi-putaran tidak perlu mengunggah ulang gambar asli setiap kali, dan jalur edit yang dipandu markup memungkinkan Anda menunjuk ke suatu area alih-alih mendeskripsikannya. Untuk pekerjaan iteratif pada satu gambar, itu adalah antarmuka yang lebih baik daripada enam belas slot statis. Untuk komposit sekali jadi yang dibangun dari selusin aset, tidak.

Apa yang kembali keluar

Daftar format keluaran adalah tempat G​PT Image 2.6 unggul dibanding setiap model gambar berbobot terbuka, termasuk yang ini. Versi 2.6 menambahkan keluaran GIF animasi dan keluaran SVG di samping format raster yang biasa. Hasil SVG lebih penting daripada kedengarannya: ini adalah perbedaan antara model gambar yang Anda gunakan untuk membuat draf konsep logo dan model yang bisa Anda serahkan ke front-end. MiniMax-H3-Image mengembalikan PNG — jalur penyajiannya divalidasi dengan perbandingan PNG yang identik bit — dan tidak ada apa pun dalam pipeline vLLM-Omni atau kartu model yang menunjukkan keluaran vektor atau animasi.

Resolusi berjalan ke arah sebaliknya, dan selisihnya tidak tipis. MiniMax-H3-Image menghasilkan hingga enam belas megapiksel secara native, pada setiap rasio aspek dari persegi hingga ultra-lebar, tanpa upscaler di jalurnya — 4096×4096 dan 6272×2688 keduanya merupakan output native. Rentang kerjanya sekitar empat hingga dua puluh megapiksel, dengan kualitas memuncak mendekati batas atasnya. Halaman model GPT Image 2.6 mendokumentasikan format dan penanganan referensi tetapi tidak mempublikasikan jumlah piksel maksimum, sehingga argumen resolusi dalam perbandingan ini adalah MiniMax mempublikasikan angka sementara OpenAI tidak, bukan uji head-to-head yang terukur.

• Output native — MiniMax-H3-Image hingga 16 MP pada rasio apa pun, tanpa upscaler; GPT Image 2.6 tidak mendokumentasikan batas maksimum.

• Format — MiniMax-H3-Image menghasilkan PNG; GPT Image 2.6 menambahkan GIF dan SVG.

• Rasio aspek — MiniMax-H3-Image menerima pasangan lebar dan tinggi apa pun; kumpulan G​PT Image 2.6 tidak dipublikasikan per halaman model.

• Input penyuntingan — MiniMax-H3-Image menerima hingga 16 gambar referensi per permintaan; GPT Image 2.6 mempertahankan referensi antar-giliran dan menerima markup yang digambar.

Tagihan tersebut, berdasarkan contoh perhitungan masing-masing vendor

Kedua vendor mengukur gambar sebagai token, yang membuat harga yang tertera tampak sebanding dan biaya per gambar sama sekali tidak mirip. M​iniMax menerbitkan contoh perhitungan di halaman harganya, jadi ini adalah aritmetika atas angka mereka sendiri, bukan hasil penurunan:

• MiniMax-H3-Image 1024×1024, teks-ke-gambar — $0.02179 per gambar, dibandingkan $3.80 per juta token keluaran.

• MiniMax-H3-Image 2048×2048 — $0.02333 per gambar. Menggandakan pikselnya hanya menambah biaya setengah sen, karena jumlah token tumbuh jauh lebih lambat daripada luas area di ujung rentang ini.

MiniMax-H3-Image 4096×4096 — $0.06879 per gambar, dipotong menjadi $0.03439 dalam penawaran 50% untuk waktu terbatas yang berlaku hingga 17 November 2026 pukul 16:00 UTC dan mengharuskan gambar yang dikirimkan minimal 16,600,000 piksel.

Edit MiniMax-H3-Image, satu referensi pada 1024×1024 — $0.02654 per gambar, dengan gambar input ditagih $1.50 per juta token dan teks input $2.30.

• G​PT Image 2.6 — token keluaran seharga $30 per juta. Pada jumlah token yang menurut dokumentasi O​penAI sendiri tersirat untuk hasil 1024×1024, biayanya mendekati 21 sen per gambar, sekitar sepuluh kali angka M​iniMax untuk ukuran nominal yang sama.

Kecepatannya juga berbeda, dan di sinilah kedua produk tidak lagi dapat saling dipertukarkan. Berdasarkan angka yang dipublikasikan M​iniMax pada rilis 4 November, G​PT Image 2.6 Flare menjalankan permintaan text-to-image dengan median sekitar 30 detik, turun dari sekitar 55 detik pada generasi sebelumnya, dan edit sekitar 32 detik, turun dari sekitar 58 detik. Sunburst adalah tier yang lebih lambat dengan fidelitas lebih tinggi dan menjadi lebih lambat lagi — sekitar 135 detik versus 113 detik. Latensi MiniMax-H3-Image sendiri hanya dapat diukur di tempat Anda menghostingnya: 0,88 detik untuk gambar 2048² pada empat H200, 1,35 detik untuk edit 2048², menurut resep resminya. Itu bukan jenis angka yang sama — latensi node yang di-hosting sendiri versus median yang mencakup antrean dari endpoint terkelola — dan menempatkannya dalam satu kalimat seolah-olah keduanya sama akan tidak jujur. Yang secara sah disimpulkan perbandingan ini adalah bahwa permintaan 2.6 yang dihosting membutuhkan puluhan detik dan permintaan H3-Image lokal membutuhkan di bawah dua detik, asalkan Anda sudah memiliki keempat GPU tersebut.

Apa yang dicakup oleh bukti publik, dan apa yang tidak.

Artificial Analysis menilai keduanya, pada dua papan yang sama, yang menjadikan ini salah satu dari sedikit bagian dalam pertandingan ini di mana kedua pihak dapat dibandingkan secara langsung alih-alih diperdebatkan berdasarkan lembar spesifikasi. Pada AA-Image-Editing v2.1, G​PT Image 2.6 Sunburst berada di 1.210 Elo dari sekitar 6.400 sampel, Flare di 1.206 dari sekitar 6.700 sampel, dan MiniMax-H3-Image di 1.138 dalam rentang peringkat delapan hingga tujuh belas dari sekitar 3.200 sampel. Pada AA-Image-T2I v2.1 kesenjangannya melebar: Sunburst di 1.261 di posisi pertama dari 5.282 sampel, berhadapan dengan MiniMax-H3-Image di 1.066, yang berada di peringkat kedua puluh tiga. Kumpulan suara yang sama, skala Elo yang sama, terpaut sekitar tujuh puluh poin pada penyuntingan dan hampir dua ratus poin pada generasi.

Kalau dibaca dengan jujur, itu menyatakan dua hal sekaligus. MiniMax-H3-Image adalah model open-weight dengan peringkat tertinggi di papan penyuntingan — di atas Fibo 2.0 pada 1,085 dan Qwen-Image-2.1 pada 1,084 — jadi klaim kualitasnya bukan lagi sekadar pernyataan; itu angka yang terukur. Tetapi angka itu sekitar tujuh puluh Elo di bawah G​PT Image 2.6 Sunburst, dan intervalnya mencakup sepuluh peringkat, sementara pita tiga teratas Sunburst tidak. Pada sumbu yang paling jelas dimiliki bersama oleh kedua model, G​PT Image 2.6 menang, dan kemenangannya lebih besar di papan tempat H3-Image lebih lemah. Argumen resolusi 16 megapiksel dan harga dua sen tetap valid dengan sendirinya; hanya saja keduanya bukan argumen kualitas.

Apa yang tidak diberitahukan oleh kedua papan peringkat kepada Anda adalah seberapa besar keunggulan GPT Image 2.6 yang tersisa ketika tugasnya adalah tugas yang dibahas dalam artikel ini — rantai penyuntingan panjang dengan banyak referensi dan sampler tetap. Elo adalah agregat atas preferensi manusia pada prompt yang tidak diketahui, dan sebuah model bisa unggul tujuh puluh poin pada agregat itu sementara kalah pada alur kerja tertentu. Satu-satunya cara untuk mengetahuinya adalah menjalankan prompt Anda sendiri melalui keduanya, yang merupakan rekomendasi di akhir tulisan ini alih-alih sikap berhati-hati di tengah-tengahnya.

Menjalankannya berdampingan tanpa kontrak kedua

Komplikasi praktisnya adalah bahwa bagi sebagian besar tim, tidak ada satu pun dari kedua model tersebut yang dapat diakses hanya dengan satu panggilan API. Jalur hari pertama MiniMax-H3-Image adalah self-hosted—rakitan total 67B yang terdiri atas transformer 33,1B, encoder teks Qwen3-VL 33,4B yang digunakan kembali tanpa perubahan dari model video, dan VAE 0,58B, dengan titik optimal 16 megapiksel yang membutuhkan empat GPU pusat data agar berjalan dengan kecepatan penuh. Model ini juga tersedia melalui API milik vendor sendiri dan beberapa platform pihak ketiga dengan harga per token seperti di atas. GPT Image 2.6 hanya tersedia di OpenAI.

Jika Anda ingin melakukan A/B pada keduanya dengan prompt Anda sendiri, deskripsi jujur tentang lapisan routing adalah ini: OrcaRouter belum menyediakan MiniMax-H3-Image, dan belum menyediakan G​PT Image 2.6 Sunburst atau Flare. Yang tersedia adalah pasangan G​PT Image sebelumnya — gpt-image-2.5-sunburst dan gpt-image-2.5-flare — bersama gpt-image-2 dan gpt-image-1.5, semuanya dengan harga daftar dari penyedia tanpa markup tambahan di atasnya. Itu menjadi uji perantara yang berguna: bangun harness terhadap 2.5 melalui satu kunci, pastikan evaluasi Anda benar-benar membedakan antara fidelitas Sunburst dan kecepatan Flare, dan baru setelah itu putuskan apakah delta 2.6 atau model open-weight yang di-host sendiri adalah hal yang Anda butuhkan. Fusi model adalah opsi lain yang layak diketahui di sini — panel model yang menjawab prompt gambar yang sama memberi Anda variasi output per prompt tanpa Anda harus menulis tiga klien.

Kasus sebaliknya sudah tercakup, omong-omong: minimax/minimax-h3, model video yang DiT dan encoder teksnya menjadi dasar pembuatan MiniMax-H3-Image, sudah dapat dirutekan hari ini. Jika alasan Anda melihat model gambar adalah karena Anda sudah menjalankan video H3, keluarga ini sudah menjawab dengan satu kunci.

Mana yang harus dipilih

Pilih {{1}}MiniMax-H3-Image{{/1}} ketika kendalanya adalah {{2}}piksel, referensi, atau biaya per unit{{/2}}: {{3}}keluaran native 16 megapiksel, enam belas gambar masukan{{/3}}, dan sekitar {{4}}dua sen untuk generasi 1024²{{/4}}. Pilih {{5}}G​PT Image 2.6{{/5}} ketika kendalanya adalah {{6}}bentuk keluaran atau kelancaran siklus penyuntingan{{/6}}: {{7}}SVG dan GIF sebagai keluaran, referensi persisten dan markup yang digambar sebagai masukan{{/7}}, serta {{8}}keunggulan tujuh puluh Elo di papan penyuntingan dengan interval tiga teratas di belakangnya{{/8}}.

Jangan memilih salah satu pun dengan yakin jika yang sebenarnya Anda butuhkan adalah skor untuk prompt Anda. Kedua model kini memiliki skor publik, dan kedua skor itu merupakan agregat atas prompt orang lain; perbandingan yang menentukan kasus Anda adalah perbandingan yang Anda jalankan sendiri, dengan tagihan yang melekat pada masing-masing sisinya. Yang Anda dapatkan dari papan peringkat adalah sebuah prior — G​PT Image 2.6 unggul, dan pada text-to-image unggul cukup jauh sehingga Anda semestinya mengharapkan melihatnya. Yang tidak dapat diberikannya kepada Anda adalah jawaban untuk komposit produk dengan enam belas referensi pada empat megapiksel, karena belum ada yang menerbitkan perbandingan itu dan papan Elo tidak mengukurnya.