MiniMax-H3-Image-PE: MiniMax ha rilasciato un espansore di prompt da 27B per il suo modello di immagini senza dirlo a nessuno

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.

Che cosa c’è effettivamente nel repo, e che cosa dicono i timestamp

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.

Cosa fa, precisamente

Nel repository ci sono due workflow, e non sono la stessa cosa. Questa è la cosa più importante da capire prima di scaricare 18 GB.

• Text-to-image PE — hai tutto: i pesi ottimizzati, il prompt di sistema, il prompt del task, i parametri della richiesta e un client funzionante. Questo percorso è completo ed eseguibile oggi.

• Image editing PE — ricevi un prompt e un esempio di assemblaggio del messaggio. Nessun peso. La scheda lo dice chiaramente: "Image editing PE è ancora in fase di sviluppo; questa versione fornisce solo il suo prompt." Ci si aspetta che tu esegua quel prompt attraverso un modello visione-linguaggio di tua scelta.

Il percorso testo-immagine prende la tua istruzione, la espande e restituisce JSON vincolato da uno schema a esattamente due chiavi. L'output per un prompt di test — "Un gatto soriano arancione che dorme su un davanzale illuminato dal sole" — è una singola frase su fotografie calde e luce pomeridiana soffice, più il rapporto "3:2". Lo schema è rigido, con additionalProperties impostato su false, e il campo ratio è un enum di dieci valori: 1:1, 5:4, 4:3, 3:2, 16:9, 21:9, 4:5, 3:4, 2:3, 9:16. Non esiste un rapporto in testo libero, nessun token "auto" nell'output e nessun modo per il modello di rispondere con qualcosa di diverso da una di quelle dieci stringhe. È una scelta di progettazione deliberata e si mappa direttamente sulla tabella delle dimensioni pubblicata dal modello padre, che elenca esattamente quei rapporti con dimensioni in pixel da 4096×4096 a 1:1 fino a 6272×2688 a 21:9.

La decisione sul rapporto d’aspetto non è una questione di sensazioni. Il prompt del task rilasciato dedica diverse centinaia di parole a un rigoroso ordine di precedenza: ha la precedenza un canvas finale esplicito, poi il deliverable richiesto (un poster è verticale, l’intestazione di una slide è orizzontale, un avatar è quadrato), poi la composizione primaria del soggetto, poi il contesto opzionale — con un avvertimento esplicito secondo cui «una stanza, un parco, una foresta, il cielo o uno sfondo cinematografico generici non devono trasformare in orizzontale un soggetto focalizzato». Il prompt vieta anche di inventare una piattaforma: non puoi presumere Instagram. E distingue una scena rappresentata da un artefatto di comunicazione — una dashboard, un poster, un packaging, un diagramma tecnico o un composito a più pannelli viene costruito come un’architettura informativa anziché come una scena che contiene gli oggetti richiesti. Per chiunque abbia visto un modello di immagini trasformare «slide dei risultati trimestrali» nella fotografia di una sala riunioni, questa distinzione è la parte interessante di questo rilascio.

Perché spendere 27B parametri per una didascalia

La risposta è nella documentazione del modello padre, ed è più interessante dell'espansore di prompt stesso. MiniMax-H3-Image è un diffusion transformer denso a flusso singolo da 33.1B, 50 strati, dimensione nascosta 5376, 56 teste di attenzione, che legge gli stati nascosti dal 50° strato di un text encoder Qwen3-VL completo ereditato invariato da MiniMax-H3. Quel text encoder è di 66.7 GB e non è nel repository delle immagini — lo scarichi separatamente dal repository del modello video. Il checkpoint è distillato a sei passaggi di campionamento senza classifier-free guidance, e l'API lo impone: qualsiasi num_inference_steps diverso da 6 e qualsiasi guidance_scale diverso da 1 restituisce HTTP 400, e negative_prompt viene rifiutato categoricamente. Non c'è alcuna manopola da girare.

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.

La licenza è la parte che fermerà davvero le persone

MiniMax-H3-Image-PE non è concesso in licenza separatamente. La scheda afferma che "fa parte di MiniMax-H3-Image ed è pertanto soggetto a" il Contratto di licenza della community di MiniMax-H3-Image, e il file di licenza riporta una riga di data che recita "data di rilascio/data della licenza: 10 novembre 2026". Leggilo con attenzione, perché significa che la data della licenza dell'espansore di prompt e la data di pubblicazione del modello di immagini padre sono distanti otto giorni, mentre la licenza stessa è un unico documento che disciplina entrambi.

Tre clausole contano più delle altre, e nessuna di esse è la solita storia degli "open weights":

• Territorio — la concessione si applica solo all'interno del "Territorio applicabile", definito come tutto il mondo, escludendo l'Unione europea, il Regno Unito, la Repubblica di Corea e gli Stati Uniti d'America. Si tratta di un'esclusione territoriale, non di una restrizione all'uso, ed è indicata nelle definizioni anziché essere relegata in un'appendice.

• Scala commerciale — La Sezione IV richiede un'autorizzazione scritta preventiva separata se il tuo fatturato annualizzato, o quello delle tue affiliate, supera 1 milione di USD, oppure se fornisci anche solo un servizio in hosting a terzi. La seconda condizione non prevede alcuna soglia di fatturato.

• Attribuzione dell'interfaccia — la stessa sezione richiede di visualizzare in modo ben visibile "MiniMax-H3-Image" sull'interfaccia utente di qualsiasi prodotto o servizio commerciale che utilizzi le opere.

C'è anche una condizione di ridistribuzione che richiede un file NOTICE con una riga di copyright specifica, e un obbligo della Sezione V di mantenere salvaguardie contro gli output in violazione con un meccanismo di segnalazione e il dovere di agire in base a segnalazioni in buona fede. Nulla di tutto ciò è insolito per una licenza comunitaria nel 2026. L'esclusione territoriale è quella che deciderà, per molte squadre, se valga persino la pena avviare il download da 18 GB — ed è la clausola che più probabilmente sfuggirà, perché la pagina del modello su Hugging Face la presenta solo come "other" con un link.

Ciò che non è ancora conoscibile

Essere chiari sul confine è più utile che colmarlo.

• Nessun numero di benchmark. Nessuna delle due schede pubblica un singolo punteggio. La capogruppo formula solo affermazioni qualitative — "la migliore capacità di seguire le istruzioni tra i modelli open source", "allo stato dell'arte" — e, alla data del 2026-11-11, non è stata trovata alcuna valutazione indipendente di MiniMax-H3-Image, né del suo espansore di prompt. Non c'è alcun Elo, alcun tasso di vittoria nelle preferenze, alcun confronto sulla qualità dell'espansione rispetto all'endpoint Context-IR ospitato.

• Nessuna prova che il percorso di editing funzioni. Il prompt di modifica è meditato e insolitamente specifico: richiede al chiamante di fornire il rapporto W:H ridotto di ciascuna immagine di riferimento, dice al modello di non stimare mai il rapporto della sorgente da un'anteprima e gli ordina di costruire l'obiettivo previsto invece di fingere di aver visto un risultato nascosto. Ma non vengono forniti pesi per esso, quindi nessuno ha misurato se un VLM generico lo segua bene quanto presumibilmente farebbe il 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.

• I numeri dei download sono troppo bassi per essere significativi. MiniMax-H3-Image mostrava 667 download e 136 like il 2026-11-11, otto giorni dopo la pubblicazione. Il modello PE mostrava 0 download e 7 like. Su un repository che ha un giorno di vita, si tratta di un limite minimo, non di un verdetto — ma significa comunque che nessuno ha ancora pubblicato un resoconto sul campo.

Dove questo si inserisce se stai effettivamente costruendo qualcosa

La questione pratica non è «questo è un buon modello» — nessuno può ancora rispondere — ma «a cosa mi impegna adottarlo». Tre cose, concretamente. Ti impegni a eseguire due modelli invece di uno: un expander da 18 GB, più un checkpoint immagine da 68.65 GB, più un encoder di testo da 66.7 GB che probabilmente hai già se usi MiniMax-H3. Ti impegni a un budget di decodifica fisso di 4096 token, incluso il ragionamento; con un timeout della richiesta che la documentazione API fissa a 600 secondi, non è una latenza che puoi nascondere dietro un'interfaccia utente interattiva senza attenzione. E ti impegni a una licenza il cui ambito territoriale esclude quattro mercati principali.

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.

Cosa guardare

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.