Una title card generata intitolata 'MiniMax-H3-Image: tre affermazioni, tre tracce documentali', con il sottotitolo 'ciò che sosteneva il post di lancio' e tre card arrotondate: '0,87 secondi misurati, ma su un canvas da 2048 pixel a 0,88 secondi su quattro H200', 'Il supporto a Vera Rubin è una ricetta per modelli video, aperta e chiusa senza merge lo stesso giorno' e 'Editor open-weight numero uno — regge, a 1.138 Elo: dodicesimo nella classifica generale, in una fascia tra l'ottavo e il diciassettesimo posto'. Il footer recita 'Latenza secondo la ricetta vLLM-Omni H200; dati della classifica da Artificial Analysis, 13 novembre 2026'. Il logo reale di OrcaRouter è inserito in compositing nella striscia aggiunta in basso a destra.
Engineering & Research

MiniMax-H3-Image: cosa prometteva il post di lancio e cosa ha effettivamente rilasciato vLLM-Omni

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

Tre affermazioni sono arrivate insieme a MiniMax-H3-Image, e vale la pena separarle perché hanno dietro quantità molto diverse di documentazione. Il modello è un diffusion transformer single-stream da 33,1B che genera e modifica immagini a circa sedici megapixel, distillato a sei passi di campionamento senza classifier-free guidance, e i suoi pesi sono arrivati su Hugging Face il 10 novembre 2026 alle 14:50 UTC. Il post che lo annunciava diceva che il modello era il modello open-weight numero uno per l'editing di immagini su Artificial Analysis, che il supporto NVIDIA Vera Rubin per MiniMax-H3-Image stava per essere portato in vLLM-Omni, e che la generazione nativa 4K veniva eseguita in 0,87 secondi. La prima regge, ma solo all'interno di una coorte open-weight e solo all'interno di una fascia di confidenza ampia dieci posizioni; la seconda descrive documentazione che riguarda un modello diverso ed è stata chiusa senza merge; la terza è un numero realmente misurato associato a una tela grande un quarto rispetto a quanto la sua frase lasci intendere.

Niente di tutto ciò peggiora il modello. Rende più difficile usare l'annuncio, perché un lettore che prendesse per buoni tutti e tre i dati pianificherebbe una pipeline 4K basandosi su un valore di latenza che appartiene a una da 4 megapixel.

Il numero di 0,87 secondi è nel repository ed è associato a un canvas da 2048 pixel.

La ricetta proprietaria di vLLM-Omni per MiniMax-H3-Image contiene una tabella della latenza misurata su otto configurazioni di GPU, e il dato che regge il confronto con il post di lancio è questo: su quattro H200 con parallelismo di sequenza Ulysses su tutte e quattro, una richiesta text-to-image da 2048×2048 richiede 0,88 secondi, mentre una modifica da 2048×2048 richiede 1,35 secondi. Si tratta delle mediane di tre richieste dopo un singolo warm-up, con concorrenza pari a uno e un seed fisso, misurate end-to-end lato client.

La stessa riga misura la richiesta più grande che gli autori hanno provato — 4736×3552, ossia 16,8 megapixel e la cosa più vicina nella tabella a una lastra 4K — in 3,84 secondi. Quindi la versione onesta dell'affermazione sulla velocità è che un'immagine da 4 megapixel richiede circa nove decimi di secondo su un nodo con quattro GPU, mentre l'immagine da 16 megapixel per cui il modello è progettato richiede circa quattro secondi. Il valore 0,87 rientra nel rumore di misura di quello 0,88; è il canvas a essere cambiato, non il modello.

Ciò che rende questa più di una semplice lamentela sull'arrotondamento è che le richieste inferiori a 2048×2048 non vengono effettivamente eseguite alla loro dimensione nominale. Il percorso di serving genera qualsiasi cosa di più piccolo su una tela di almeno 2048×2048 con lo stesso rapporto d'aspetto, per poi ridimensionarla verso il basso con Lanczos sul dispositivo. Ecco perché 1024×1024 costa 0,77 secondi e 2048×2048 costa 0,88: sono la stessa quantità di lavoro con una diversa quantità di ridimensionamento successivo. La ricetta espone il limite minimo come min_generation_area, regolabile da 32² a 4096² pixel, quindi un deployment che ha davvero bisogno di miniature economiche deve attivarle esplicitamente.

Il resto della tabella è la parte utile per chiunque debba dimensionare l'hardware:

• Quattro H200, Ulysses SP 4 — 81,3 GiB di picco per GPU, 0,88 s per un'immagine 2048², 3,84 s a 4736×3552, 1,35 s per una modifica 2048².

Quattro H200, parallelismo tensoriale DiT 4 — 36,2 GiB per GPU, 1,00 s e 4,01 s, e le modifiche rientrano entro 38,3 dB PSNR rispetto al riferimento con parallelismo sequenziale.

• Quattro H200, TP 2 × SP 2 — 52,2 GiB per GPU, 1,09 s e 4,07 s, 37,1 dB rispetto allo stesso riferimento.

• Due H200, Ulysses SP 2 — 94,6 GiB per GPU, 1,48 s e 6,82 s. Questa è la configurazione che richiede quasi l'intera scheda.

• Una H200 con il text encoder in offload — 73,4 GiB, 3,18 s e 12,39 s per le stesse due dimensioni.

• Una H200 con offload layer per layer sia del DiT sia del text encoder — 14,7 GiB, 8,30 s e 12,85 s.

Le ultime due righe sono quelle interessanti commercialmente, perché sono ciò che una singola scheda noleggiata ti offre. A 14,7 GiB il modello entra comodamente e impiega otto secondi per qualcosa che un nodo a quattro GPU fa in meno di uno — un rapporto di circa nove a uno in latenza per un rapporto di circa quattro a uno in hardware. I profili di offload sono limitati dalle copie host-to-device, quindi la loro latenza cresce appena con la dimensione dell'immagine: il divario tra una richiesta 2048² e una da 16,8 MP sul percorso DLO a singola GPU è di 8,30 secondi contro 12,85. Se il tuo carico di lavoro consiste in immagini grandi e hai una sola scheda, l'offload non è il disastro che la latenza grezza suggerisce.

A generated single-column scoreboard titled 'MiniMax-H3-Image — what one node buys you', with six rows: '4 x H200, sequence parallel: 81.3 GiB per GPU, 0.88 s at 2048 square'; '4 x H200, tensor parallel: 36.2 GiB per GPU, 1.00 s at 2048 square'; '4 x H200, TP2 x SP2: 52.2 GiB per GPU, 1.09 s at 2048 square'; '2 x H200, sequence parallel: 94.6 GiB per GPU, 1.48 s at 2048 square'; '1 x H200, text encoder offloaded: 73.4 GiB, 3.18 s'; '1 x H200, layer-wise offload: 14.7 GiB per GPU, 8.30 s'. The footer reads 'Every figure from the official vLLM-Omni H200 recipe; a 16.8 megapixel request takes 3.84 s on the four-GPU sequence-parallel layout.' The OrcaRouter logo is composited in the added strip at bottom-right.

Perché la prima immagine costa più di quanto suggeriscano i pesi del modello

Il checkpoint che le persone scaricano non è ciò che viene eseguito. Il repository da 68,65 GB contiene il diffusion transformer BF16, ma per servirlo serve anche l'intero text encoder Qwen3-VL estratto da MiniMax-H3 — un secondo artefatto di circa 66,7 GB — più un VAE da 0,58B, e il conteggio dei parametri della ricetta stessa somma tutti e tre a 67B. È il numero dietro la cifra di 73,4 GiB su singola GPU con il text encoder residente, e dietro il layout residente su due GPU che richiede 94,6 GiB per scheda.

La conseguenza è un problema aritmetico del giorno di lancio. Un modello di immagini da 16 megapixel i cui pesi arrivano sotto forma di due download di grandi dimensioni e il cui deployment veloce più economico richiede quattro GPU da datacenter non è un progetto da weekend, e i framework che dichiarano supporto dal primo giorno dichiarano supporto per la pipeline, non per la vostra scrivania. La ricetta è esplicita su quale hardware sia stato effettivamente misurato e quale sia stato solo configurato: H200, RTX PRO 6000 Blackwell con due e quattro schede, e MI325X e MI350X sono contrassegnati come verificati, mentre le ricette H100, B200 e B300 sono solo di configurazione. La ricetta separata single-RTX-4090 esiste ed è etichettata come deployment della community anziché come qualificata dal vendor.

La dichiarazione su Vera Rubin punta al modello video, e la pull request è stata chiusa.

Questa è l'affermazione che ha richiesto più indagini, perché il lavoro è reale e la sua forma non è quella descritta nel post. C'è una pull request in vLLM-Omni numerata 10108, aperta il 10 novembre 2026 alle 11:10 UTC, intitolata "[Doc] Aggiungi ricetta MiniMax-H3 Rubin e risultati di inferenza". Contribuisce con 1.972 righe su quattro file, documenta una ricetta offline a quattro GPU su hardware NVIDIA VR NVL72 con 286.524 MiB per scheda su un host aarch64, e riporta misurazioni autentiche: una richiesta text-to-video da 1344×768, cinque secondi, 24 FPS ha richiesto una mediana di 19,811 secondi con attenzione TRTLLM ed esecuzione eager, contro 110,039 secondi con SDPA. Le varianti primo/ultimo fotogramma chiave e riferimento misto hanno registrato 21,535 e 21,461 secondi.

Ognuno di questi task è video. T2VA, FL2VA e Ref2VA sono nomi di task di MiniMax-H3, non di MiniMax-H3-Image, e la descrizione stessa della pull request afferma che la guida esistente di MiniMax-H3 era priva di un ambiente Rubin qualificato. L'indice delle recipe del repo concorda: MiniMax-H3-Image ha recipe per H200, H100, B200, B300, RTX PRO 6000, MI325X e MI350X, Intel Arc Pro B70, Ascend Atlas, RTX 4090 e MUSA, e nulla per Rubin.

Poi la pull request è stata chiusa. Era stata aperta alle 11:10 UTC del 10 novembre e chiusa alle 12:05 dello stesso giorno, senza essere unita, dopo che il revisore automatico ha chiesto all'autore un commento di auto-revisione. Il suo autore è stato sincero riguardo ai limiti nella descrizione stessa: l'avvio HTTP non è riuscito con le nightly di vLLM testate, la ricetta registra tali errori invece di dichiarare il supporto HTTP, e l'inferenza con una revisione di base più recente era elencata sotto "non eseguita". Un elenco della directory di main ottenuto oggi non contiene alcuna ricetta Rubin per nessuno dei due modelli M​iniMax.

Quindi l'affermazione corretta è che un collaboratore ha redatto e misurato una ricetta Rubin per MiniMax-H3 — il modello video — e la bozza non è stata integrata. Se arriverà il supporto, arriverà come file integrato tramite merge sotto l'indice delle ricette, ed è quello che bisogna tenere d'occhio, non un post sui social. I framework del primo giorno di MiniMax-H3-Image, invece, sono quelli che hanno commit di merge alle spalle: la pull request di supporto al modello di vLLM-Omni è stata integrata l'11 novembre alle 07:32 UTC, e la pull request della ricetta che l'accompagna è stata integrata il 10 novembre alle 14:53 — circa diciassette ore prima, il che ti dice quanto elasticamente "day one" venga applicato alla documentazione.

A headless-Chromium screenshot of the vllm-project/vllm-omni pull request #10108, '[Doc] Add MiniMax-H3 Rubin recipe and inference results', opened by Lishunyang12, showing one commit, 4 files changed and +1,972 lines, and a visible contributor-intent questionnaire whose answers describe documenting a Rubin recipe with measured inference results. The pull request is closed and unmerged.

L'affermazione sull'arena è vera e molto più ristretta di quanto sembri.

Artificial Analysis gestisce due classifiche rilevanti, una leaderboard text-to-image dell'image-arena e una leaderboard di editing di immagini, entrambe con punteggi Elo, intervalli di confidenza e conteggi dei campioni, e MiniMax-H3-Image è presente in entrambe. Nella classifica di editing, AA-Image-Editing v2.1, si colloca a 1.138 Elo in dodicesima posizione, all'interno di una fascia di classifica che va dall'ottavo al diciassettesimo posto, su circa 3.200 campioni, a 26,54 dollari per mille immagini. La sua variante più veloce, MiniMax-H3-Image Highspeed, è una posizione indietro a 1.134 in una fascia dal nono al ventesimo. Il commento della classifica stessa segnala il modello come la voce open-weight meglio classificata, davanti a Fibo 2.0 a 1.085 e Qwen-Image-2.1 a 1.084. Quindi l'affermazione del post di lancio è accurata così com'è — numero uno tra i modelli open-weight per l'editing di immagini — e il numero che la sostiene è reale, votato e verificabile pubblicamente.

A headless-Chromium screenshot of Artificial Analysis's AA-Image-Editing v2.1 leaderboard in English, headed 'Ranks image models on editing an image from a text instruction, by Elo from pairwise human preference votes'. The leading rows read GPT Image 2.6 Sunburst (max) at 1,210 over about 6,300 samples, GPT Image 2.6 Flare at 1,206, GPT Image 2.5 Sunburst at 1,201, MAI-Image-2.7-Preview at 1,198 and GPT Image 2.5 Flare at 1,184. Further down the same list, MiniMax-H3-Image sits at 1,138 in an 8-17 rank band over 3,187 samples at $26.54 per 1,000 images, dated November 2026, with MiniMax-H3-Image Highspeed at 1,134 in a 9-20 band over 3,083 samples at $45.25 per 1,000 images, and the open-weights callout marks it as the highest-placed open-weight entry.

Ciò che la frase omette è l’entità del divario e l’ampiezza dell’intervallo. Il leader di quella classifica è GPT Image 2.6 Sunburst con 1.210 Elo su circa 6.400 campioni, con GPT Image 2.6 Flare a 1.206 e GPT Image 2.5 Sunburst a 1.201 — circa settanta punti Elo sopra MiniMax-H3-Image, che in termini Elo è una separazione sostanziale e probabilmente duratura, non rumore. La fascia dall’ottavo al diciassettesimo posto è l’altra metà della storia: con questo numero di campioni il modello potrebbe plausibilmente essere ottavo o diciassettesimo, e la sua variante Highspeed si colloca nello stesso intervallo di sovrapposizione. "Miglior modello open-weight per l’editing" e "vicino al miglior modello di editing" sono affermazioni diverse, e solo la prima è supportata.

È nella generazione testo-immagine che l'affermazione vacilla di più. Su AA-Image-T2I v2.1 il modello si classifica ventitreesimo a 1.066 Elo, con Highspeed ventiduesimo a 1.070, contro Sunburst 2.6 a 1.261 al primo posto su 5.282 campioni. Si tratta di un divario di duecento punti Elo, e vale lo stesso vantaggio open-weight — Qwen-Image-2.1 a 1.046 e FLUX 3 Image Klein a 1.042 sono dietro — ma «modello open-weight numero uno per l'editing di immagini» non va letto come un'affermazione generale sulla qualità delle immagini. La forza del modello nell'editing è reale e la sua forza nella generazione è nella media.

Il linguaggio sulla qualità della scheda del modello è qualitativo — il miglior seguito delle istruzioni tra i modelli open source, senza alcuna tabella comparativa allegata — e l'unica prova in output fornita dal fornitore è una griglia di vetrina curata. Era normale per una release di tre giorni. Ciò significa che la tesi a favore del modello è ora un punteggio misurato con un intervallo ampio, più un argomento basato su risoluzione e prezzo, anziché l'affermazione che il post di lancio faceva passare per tale.

Cosa è davvero già disponibile e come provarlo senza rischiare una pipeline.

Al netto dell'annuncio, la sostanza è poco glamour e concreta. Un modello di immagini da 33,1B con un campionatore a sei passi, nessuna scala di guidance da regolare, sedici slot di riferimento e un output nativo da 16 megapixel è arrivato con una licenza aperta, una pipeline vLLM-Omni che riutilizza il DiT e il text encoder del modello video H3, una recipe ufficiale per H200 con otto layout misurati, altre quattro recipe hardware in vari stati di qualificazione, un percorso diffusers e un'integrazione ComfyUI. L'API impone il campionatore: una richiesta con num_inference_steps diverso da sei, o guidance_scale diverso da uno, o qualsiasi prompt negativo, restituisce un HTTP 400.

Per i team che vogliono valutarlo anziché adottarlo, la configurazione pratica è un deployment con offload su singola GPU a 14,7 GiB — lento, ma abbastanza piccolo da stare accanto a qualunque altro carico sulla scheda — e un passaggio a una configurazione sequence-parallel a quattro GPU solo quando la qualità dell'output giustifica il nodo. Il modello è inoltre raggiungibile tramite l'API proprietaria di MiniMax con tariffe a consumo di token, e diverse piattaforme di terze parti lo offrono; non è nel catalogo di OrcaRouter.

Ciò che OrcaRouter offre è il modello video su cui si basa questo checkpoint immagine: minimax/minimax-h3è instradabile oggi a prezzo di listino del provider senza alcun sovrapprezzo applicato, il che conta se il motivo per cui sei interessato a MiniMax-H3-Image è che generi già video sulla stessa famiglia e preferiresti avere una sola chiave invece di due contratti. Il failover automatico dello stesso livello di routing è anche il modo meno drammatico per testare un modello non misurato in produzione — destina una quota di traffico verso di esso, mantieni un fallback misurato dietro di esso e lascia che sia il routing a decidere sugli errori anziché su una posizione in classifica che è ancora una fascia di dieci posizioni.

Cosa lo risolverebbe

Tre cose, nell’ordine di quanto cambierebbero il quadro. Un intervallo più ristretto sulla board di editing — il modello è a 1.138 in una fascia da otto a diciassette su circa 3.200 campioni, e più voti lo trasformerebbero in una posizione effettiva anziché in un intervallo. Una ricetta Rubin integrata per il modello di immagine — non quello video — renderebbe vera l’affermazione sull’hardware nell’unico posto che conta, cioè l’indice delle ricette. E una seconda misurazione indipendente della latenza a 16 megapixel permetterebbe di riformulare il dato principale di 0,87 secondi per quello che è: quattro megapixel su quattro H200, a circa nove decimi di secondo, con la vera piastra 4K a quattro volte tanto.

Fino ad allora, il riassunto difendibile è più circoscritto del post e più utile: il modello è veloce alle dimensioni che la maggior parte delle persone genera davvero, la sua modalità a 16 megapixel è un'operazione da quattro secondi su un nodo con quattro GPU anziché da meno di un secondo, il supporto ai framework è reale per l'hardware che ha merge commit alle spalle, e il suo piazzamento in classifica è genuino ma limitato — primo tra i pesi aperti, dodicesimo nel complesso, tra l'ottavo e il diciassettesimo posto, e circa settanta punti Elo dietro il modello che il post lasciava intendere avesse battuto.