MiniMax-H3-Image: 16 megapixel in 10 secondi è un'affermazione, non ancora una misurazione

Dieci secondi per un'immagine da sedici megapixel non sono un'affermazione sulla qualità. Sono un'affermazione su come viene schedulato un modello, ed è l'unica parte del lancio di MiniMax-H3-Image che un utente può verificare in un pomeriggio. MiniMax ha annunciato il modello il 10 novembre 2026 con un breve post che si apre proprio con quel numero: output 4K, circa sedici milioni di pixel, fino a sedici immagini di riferimento, in dieci secondi, con pesi aperti e l'API proprietaria del fornitore, MiniMax Code e Hailuo come canali d'accesso. Ciò che l'annuncio non riporta è una singola misurazione della latenza, un singolo benchmark di qualità o un link a un post di blog che spieghi come sia stato ottenuto tutto ciò. I byte sono reali — 68,65 GB su Hugging Face, più un text encoder preso in prestito da un secondo repository — e lo è anche il listino prezzi. I dieci secondi sono una promessa. Questo è ciò su cui è costruita la promessa, quanto costa e cosa dovresti eseguire per sapere se regge sul tuo hardware.

Vale la pena indicare le date chiaramente, perché il rilascio è stato insolito. Il repository Hugging Face di MiniMax-H3-Image è stato creato il 3 novembre 2026 ed è rimasto vuoto. I pesi sono arrivati il 10 novembre alle 14:50 UTC. Lo stesso giorno, la documentazione API di MiniMax ha aggiunto una scheda delle note di rilascio intitolata “MiniMax H3 Image” con la riga “Un modello di punta per immagini a pesi aperti. Dalle idee a nuovi mondi” — una frase che non contiene alcuna specifica — e il blog e l'indice delle notizie dell'azienda non riportano ancora assolutamente nulla sul modello per immagini. Quindi il modello è stato distribuito in silenzio e poi annunciato, in quest'ordine, il che è l'opposto di come vanno la maggior parte dei lanci ed è il motivo per cui l'annuncio sembra testo di marketing appiccicato a un checkpoint già scaricabile.

Da dove potrebbero plausibilmente provenire dieci secondi

La maggior parte della spiegazione si trova nell'elenco dei file più che nel post. MiniMax-H3-Image è un transformer di diffusione denso da 33,1B — 50 layer, dimensione nascosta 5.376, 56 teste di attenzione, larghezza FFN 14.336, RoPE multimodale 3D — ed è distillato a sei passaggi di campionamento senza alcuna classifier-free guidance. Non si tratta di un valore predefinito che chi chiama può regolare. L'API servita rifiuta qualunque cosa diversa da num_inference_steps=6 e guidance_scale=1 con un HTTP 400, e i prompt negativi vengono rifiutati del tutto. Un file separato da 12 MB, pdd_fused_heads.safetensors, contiene teste di output per passaggio che sostituiscono il layer di output del transformer, con la pianificazione in pdd_config.json.

Sei passaggi non guidati sono il motivo per cui la cifra di dieci secondi non è assurda. Un campionatore guidato a 30 passi su sedici megapixel è un lavoro batch; sei passi sulla stessa area sono una richiesta. Che poi si arrivi a dieci secondi dipende interamente dall'acceleratore, dalla configurazione del parallelismo delle sequenze e dalla risoluzione che si richiede davvero, e nessuna di queste tre cose compare nell'annuncio. La model card di MiniMax non indica da nessuna parte un tempo di generazione. Il numero esiste in un solo posto: nel post di lancio.

Ciò che la scheda specifica, con maggior dettaglio rispetto al post, è la geometria. L'output arriva a circa 16 megapixel per ogni rapporto d'aspetto — 4096×4096 a 1:1, 4736×3552 a 4:3, 5024×3360 a 3:2, 5472×3072 a 16:9, 6272×2688 a 21:9 — senza alcun upscaler separato nel percorso. L'API limita l'area di output a 20 megapixel e la scheda descrive l'intervallo pratico di lavoro come circa da 4 a 20 megapixel. La modifica accetta fino a 16 immagini di riferimento, indirizzate posizionalmente nel prompt come <Picture 1> fino a <Picture 16> nell'ordine di caricamento. I prompt arrivano a 32.000 caratteri sull'API servita, anche se solo i primi 4.096 token circa hanno effetto.

Le affermazioni, accanto alle prove che esistono per esse

• Risoluzione — “16 milioni di pixel” e 4K: dichiarato nel post e riprodotto nella tabella delle dimensioni della scheda. Non misurato in modo indipendente, ma questo è banalmente verificabile generando un'immagine e leggendone le dimensioni.

• Velocità — “{{1}}tutto in 10 secondi{{/1}}”: dichiarato dal fornitore, senza hardware specificato e senza tempistiche di terze parti pubblicate al {{2}}11 novembre 2026{{/2}}. La scheda non riporta alcun dato.

• Aderenza al prompt — “seguire con precisione il prompt”: un’affermazione qualitativa. La formulazione più forte della scheda è “la migliore capacità di seguire le istruzioni tra i modelli open source”, che è un confronto senza alcuna tabella allegata.

• Modifica — “fino a 16 immagini di riferimento”: confermato nella scheda e nella documentazione API, e contraddetto in un dettaglio dalla recipe day-one di vLLM-Omni, che documenta fino a 9 immagini per richiesta sul proprio percorso. Considerare 16 come limite massimo del modello e 9 come ciò che la recipe del framework mette in esercizio.

• Open weight — vero, e determinante in un modo che il post non spiega: i pesi sono aperti con una licenza soggetta a condizioni territoriali e sui ricavi, non con una licenza approvata dall'OSI. Ne parliamo più avanti.

Quanto costa, e uno sconto ancora valido per sei giorni

I termini commerciali sono l'aspetto più concreto del rilascio. La fatturazione è basata sui token secondo una tariffa per l'output delle immagini: $2.30 per milione di token di testo in input, $1.50 per milione di token immagine in input, $3.80 per milione di token immagine in output sul livello standard. Gli esempi pratici di MiniMax stesso riducono tutto ciò a una scala insolitamente piatta, perché il contatore è in token e il numero di token non scala con l'area come suggerirebbe l'intuizione:

• 1K text-to-image — $0,02179 per immagine.
• 2K text-to-image — $0,02333.
• 4K text-to-image — $0,06879 di listino, $0,03439 con lo sconto attualmente in vigore.
• Modifica 1K con un riferimento — $0,02654; 2K — $0,02658; 4K — $0,07312, scontato a $0,03656.
• Modifica 1K con tre riferimenti — $0,03563; 2K — $0,04177; 4K — $0,07914, scontato a $0,03957.

Sedici volte i pixel per poco più di tre volte il prezzo è la proporzione da tenere a mente, perché è lì che il modello si differenzia davvero: a 4K il checkpoint open-weight costa circa un ottavo di un frame 4K di FLUX 3 Image e circa un quinto di un frame 4K di Nano Banana 2.1 a prezzo di listino.

Lo sconto è reale ed è temporaneo. La riduzione del 50% si applica solo quando l'immagine consegnata è di almeno 16.600.000 pixel, copre l'intero totale della richiesta e scade il 17 novembre 2026 alle 16:00 UTC — sei giorni dopo l'aumento dei pesi. Chi pianifica una pipeline su $0,03439 sta pianificando su una promozione. Imposta il prezzo a $0,06879 e considera lo sconto come margine.

Esiste un secondo livello, più veloce. MiniMax-H3-Image-Highspeed accetta parametri e limiti identici e costa $7.60 per milione di token di immagine in output: $0.03529 a 1K, $0.03622 a 2K, $0.13001 a 4K, prima che lo stesso sconto lo dimezzi a $0.06501. Se la dichiarazione sui dieci secondi è il motivo per cui ti interessa, Highspeed è la variante che deve essere vera perché la cosa conti — e MiniMax non pubblica alcuna differenza di latenza tra le due.

“Open weight” qui significa una licenza che devi leggere

I pesi sono scaricabili e l'architettura è documentata, il che è più di quanto offrano la maggior parte dei modelli di immagini all'avanguardia. La licenza è il punto in cui la parola “open” smette di fare il lavoro che le persone si aspettano. MiniMax-H3-Image viene distribuito secondo la MiniMax-H3-Image Community License Agreement, e i termini che determinano i deployment non sono note a piè di pagina:

• Territorio. La definizione di territorio escluso contenuta nella licenza comprende l'Unione europea, il Regno Unito, la Repubblica di Corea e gli Stati Uniti, che rappresentano una quota consistente del mercato di un modello di immagini commerciale.

• Scala. Per ricavi annualizzati superiori a un milione di dollari USA è necessaria una separata autorizzazione scritta preventiva.

• Hosting. Lo stesso requisito di autorizzazione si applica all'offerta del modello come servizio ospitato, senza alcuna soglia minima di fatturato — una clausola mirata proprio al modello del rivenditore di API.

• Attribuzione. Le interfacce commerciali che utilizzano il modello devono visualizzare “MiniMax-H3-Image” in modo ben visibile.

• A valle. Gli output non possono essere utilizzati per addestrare o migliorare altri modelli.

La pagina di Hugging Face lo presenta come una singola riga che riporta license: other, il che è tecnicamente corretto e praticamente inutile. Se stai valutando il modello per un prodotto anziché per un notebook, il file di licenza è la prima cosa da leggere e possibilmente il motivo per fermarsi.

Quanto ti costa davvero eseguire i modelli open weights

68,65 GB di transformer e VAE, più un text encoder che non è nel repository. model_index.jsonaccede al modello video MiniMax-H3 e carica text_encoder/ da lì — 66,7 GB di Qwen3-VL, invariati. Una prima generazione locale è quindi un download di circa 135 GB distribuiti su due repository, e l'encoder è la metà più grande.

La storia del framework è insolitamente buona per un checkpoint così recente, ed è arrivata fin dal primo giorno anziché nel corso del mese successivo. SGLang è il percorso di riferimento, con un cookbook documentato e un comando per singola GPU; il parallelismo di sequenza è un flag (--ulysses-degree su SGLang, --usp su vLLM-Omni); vLLM-Omni pubblica ricette per singolo hardware che citano NVIDIA H200, RTX PRO 6000 Blackwell e AMD Instinct MI350X; sia diffusers sia ComfyUI lo supportano. Le indicazioni di serving fornite da MiniMax stesso puntano al multi-GPU per ottenere una latenza accettabile a piena risoluzione, ed è quanto di più vicino il fornitore arrivi ad ammettere che dieci secondi sono una configurazione, non una costante.

Per la maggior parte dei team l’aritmetica che segue è scomoda. A 0,02179 $ per un’immagine 1K e 0,06879 $ per una 4K, l’API ospitata è più economica dell’elettricità e dell’ammortamento per un periodo molto lungo. Il motivo per scegliere i 135 GB è il controllo: un sampler fisso a sei passaggi che puoi riprodurre esattamente, una licenza su cui puoi ragionare e nessuna dipendenza dalla coda di un fornitore nel momento in cui hai bisogno di throughput.

Tre test che vale la pena eseguire prima di fare commit

Il primo è quello economico: genera dieci volte lo stesso prompt 4K tramite l'API di MiniMax, registra il tempo effettivo per richiesta e le dimensioni in pixel di ogni risultato. Questo conferma entrambi i numeri di punta — i dieci secondi e i sedici megapixel — sulla tua rete e con le tue lunghezze di prompt, in meno di un'ora, per molto meno di un dollaro.

Il secondo è il test dell'identità, ed è qui che sedici riferimenti o si guadagnano il loro posto oppure no. Fornisci da otto a sedici fotogrammi di un unico soggetto da angolazioni varie, chiedi una nuova scena e osserva se il volto, il tessuto e il logo sopravvivono. Gli slot posizionali sono meno strutturati dei riferimenti tipizzati — non c'è modo di dire al modello quale immagine sia il personaggio e quale la giacca — quindi il test consiste nel verificare se la sola posizione basti a veicolare quell'intento.

La terza è quella che nessuno può fare al posto tuo: un test A/B rispetto a qualunque cosa usi ora, sui tuoi prompt, alla cieca. MiniMax-H3-Image non ha alcuna voce su nessuna delle due board di immagini di Artificial Analysis all'11 novembre 2026 — non una bassa, proprio nessuna — e nemmeno una tabella di valutazione del fornitore. Nessun GenEval, nessun DPG-Bench, nessun dato sulle preferenze umane. La griglia showcase sulla model card è l'unica prova esistente della qualità dell'output, e una griglia showcase è progettata per apparire bella. Una settimana di tuoi confronti ti dirà più di quanto possa fare il post di lancio.

Dove questo lascia il lancio

Il riassunto onesto è che MiniMax-H3-Image è un checkpoint reale con una storia di deployment insolitamente completa, una scala di prezzi che batte ampiamente i modelli chiusi a 4K e un numero di punta che nessuno al di fuori dell'azienda ha verificato. L'affermazione sulla velocità è plausibile su basi architetturali — sei passi non guidati rappresentano davvero una classe di costo diversa rispetto a un sampler guidato da trenta passi — e la plausibilità non è una prova.

Ciò che cambierebbe il quadro è specifico e probabilmente ancora a qualche settimana di distanza: una posizione indipendente su una classifica di immagini con allegato un conteggio dei campioni, una terza parte che cronometra il percorso 4K su hardware denominato, e uno sguardo a come sedici riferimenti posizionali si comportano sotto una reale pressione sull’identità. Fino ad allora, l’atteggiamento utile è quello di una rotta candidata più che di una sostituzione — provala accanto al modello di cui ti fidi, su un set di prompt fisso, e lascia che siano le immagini a decidere.

OrcaRouter oggi non serve MiniMax-H3-Image; non esiste una rotta per esso nel nostro catalogo, e sostenere il contrario sarebbe il tipo di affermazione contro cui questo articolo argomenta. Ciò che invece abbiamo della stessa famiglia è il modello video, minimax/minimax-h3, al prezzo di listino del provider con 0% di ricarico applicato — il che significa che una variazione dei prezzi MiniMax, incluso lo sconto 4K e la sua scadenza, è attiva qui il giorno stesso in cui avviene, anziché alla successiva migrazione della fatturazione. Se il modello di immagine arriverà davvero sul catalogo, arriverà alle stesse condizioni. Fino ad allora, questa opzione resta l'API di MiniMax stessa o le tue GPU.