MiniMax-H3-Image vs GPT Image 2.5: entrambi accettano 16 riferimenti, ed è qui che finisce la somiglianza

Il numero sedici compare su entrambe le schede tecniche, e significa due cose diverse. MiniMax-H3-Image accetta fino a sedici immagini di riferimento in un'unica modifica, indirizzate in base all'ordine di caricamento da <Picture 1> a <Picture 16>, con il corpo della richiesta limitato soltanto da un prompt di 32.000 caratteri. GPT Image 2.5 — la coppia Sunburst e Flare che OpenAI ha rilasciato l'8 settembre 2026 — accetta anch'esso fino a sedici immagini di input, e la sua documentazione è esplicita su cosa succede quando ne invii più di una: markup e maschere si applicano alla prima immagine, e tutto ciò che segue è un riferimento. Sedici slot contro sedici slot, uno dei quali è l'intera superficie di controllo e l'altro è un parametro che probabilmente non riempirai mai.

Questa coincidenza è la cosa più utile del mettere questi due modelli a confronto, perché tutto il resto li rende asimmetrici in un modo facile da enunciare e difficile da sopravvalutare. GPT Image 2.5 è il secondo e il quarto miglior modello di immagine al mondo nella classifica text-to-image di Artificial Analysis, con tredicimila voti alla cieca dietro ciascuna posizione. MiniMax-H3-Image non ha alcuna posizione — i suoi pesi sono approdati su Hugging Face il 10 novembre 2026 alle 14:50 UTC, un giorno prima che questo testo venisse scritto, e nessuna arena ha avuto il tempo di valutarlo. Quindi non si tratta del confronto tra due candidati su un piano di parità. È il confronto tra un modello misurato e uno non misurato, e la domanda utile è che cosa offra quello non misurato tale da giustificare il fatto di scoprirlo.

Che aspetto hanno realmente le due chiamate

Il lato OpenAI consiste in due ID di modello che insieme svolgono un unico compito. gpt-image-2.5-sunburst è pensato per composizioni dettagliate e modifiche precise; gpt-image-2.5-flare è la variante veloce per l'uso quotidiano. Entrambi condividono la stessa data di snapshot, la stessa superficie di endpoint e la stessa tariffa, e la distinzione è latenza contro precisione, non capacità contro capacità. Non esiste un alias semplice gpt-image-2.5 — devi scegliere una variante. La generazione va a v1/images/generations, le modifiche a v1/images/edits come dati di modulo multipart, e Batch è supportato a metà della tariffa di output. La qualità è un selettore con sei impostazioni — low, medium, high, xhigh, max e auto, con auto come impostazione predefinita.

La parte di MiniMax è un unico modello con due livelli di servizio. MiniMax-H3-Image è un diffusion transformer denso da 33,1B — 50 layer, dimensione nascosta 5.376, 56 teste di attenzione, ampiezza FFN 14.336, RoPE multimodale 3D — distillato in sei passaggi di campionamento senza classifier-free guidance. L'API erogata lo impone: num_inference_steps deve essere 6 e guidance_scale deve essere 1, altrimenti ricevi un HTTP 400, e i prompt negativi vengono rifiutati. Highspeed è lo stesso insieme di pesi a una tariffa per token più alta. Non esiste un controllo della qualità, né un numero di passaggi da aumentare, né una seconda variante con comportamento diverso. Invii un prompt e fino a sedici immagini e ricevi indietro un'immagine, in un numero fisso di passaggi.

Leggi quei due paragrafi uno accanto all'altro e le filosofie progettuali si separano nettamente. OpenAI ti dà delle manopole e si aspetta che tu trovi l'impostazione adatta al compito. MiniMax ti dà un'unica impostazione e si aspetta che il modello sia abbastanza bravo in quella. Il primo è uno strumento; il secondo è un elettrodomestico.

La dimensione è il punto in cui il divario è più ampio, e non c'è partita.

GPT Image 2.5 arriva al massimo a 3840×2160 — 8,29 megapixel — con dimensioni che devono essere multiple di 16, un rapporto d'aspetto compreso tra 1:3 e 3:1, e qualsiasi valore superiore a 2560×1440 contrassegnato come sperimentale nella documentazione ufficiale di OpenAI. I preset consigliati sono 1024×1024, 1536×1024 e 1024×1536, mentre il percorso delle dimensioni personalizzate consente un budget di pixel da 655.360 fino a quel tetto di 8.294.400.

Il tetto di MiniMax-H3-Image è all'incirca il doppio di quello, e il suo limite inferiore è più alto del divario tra tetto e pavimento di OpenAI. La scheda dichiara circa 16 megapixel per ogni rapporto d'aspetto — 4096×4096 in 1:1, 4736×3552 in 4:3, 5024×3360 in 3:2, 5472×3072 in 16:9, 6272×2688 in 21:9 — con l'API che limita l'area di output a 20 megapixel e l'intervallo pratico di lavoro descritto come 4-20 MP. Non c'è alcun upscaler nel percorso; il modello rigenera i dettagli anziché ingrandirli.

• Output massimo — GPT Image 2.5: 3840×2160, 8,29 MP. MiniMax-H3-Image: circa 16 MP, fino a 20 MP tramite l'API.

• Output minimo utile — GPT Image 2.5: 655.360 pixel, quindi una miniatura da 768 pixel è una richiesta supportata. MiniMax-H3-Image: circa 4 MP, senza un livello dedicato alle immagini di piccole dimensioni.

• Immagini di riferimento — entrambi ne supportano fino a 16; OpenAI assegna alla prima il tipo di destinazione della modifica e tratta le restanti come riferimenti, MiniMax ordina tutte e sedici in base alla posizione senza assegnare tipi.

• Controllo qualità — GPT Image 2.5: sei impostazioni di qualità più auto. MiniMax-H3-Image: nessuna; sei passaggi, senza guida, forzato.

• Formato di output — GPT Image 2.5: PNG per impostazione predefinita, JPEG e WebP disponibili, compressione 0–100, sfondo trasparente tramite background: "transparent". MiniMax-H3-Image: un PNG in data[0].b64_json.

Una di queste differenze decide più implementazioni delle altre. Se il tuo deliverable è una tavola 4K, GPT Image 2.5 non può realizzarla — non a una qualità inferiore, non modificando un'impostazione. Si ferma a 8,29 megapixel e il resto è upscaling. Non è una critica al modello; è un'affermazione su a cosa serve il prodotto. Ma significa che i due modelli smettono di competere nel momento in cui il tuo requisito supera 8,3 MP, e nessuna quantità di Elo misurato colma questo divario.

Entrambi i token del contatore, e solo uno pubblica ciò che un token permette di acquistare

OpenAI fattura GPT Image 2.5 in base ai token: 5 $ per milione di token di input testuali (1,25 $ in cache), 8 $ per milione di token di input immagine (2 $ in cache) e 30 $ per milione di token di output immagine, dimezzati a 15 $ sulla Batch API. L'output testuale non viene addebitato perché il modello restituisce immagini anziché prosa. Queste tariffe sono invariate rispetto a GPT Image 2, il che vale la pena sapere se hai preventivato la generazione precedente.

Il numero che conta e che non compare nel listino prezzi di OpenAI è quanti token di output costa un'immagine, e OpenAI non lo pubblica: il consumo per immagine non era documentato al lancio e non è ancora documentato per dimensione. L'unico dato per immagine in circolazione è la stima derivata di Artificial Analysis di $210.72 per mille immagini, pari a circa $0.21 per fotogramma a 1024×1024 con le impostazioni predefinite. Si tratta di una derivazione di terze parti basata sull'utilizzo misurato, non di un prezzo OpenAI, e va considerata una stima che varia con l'impostazione di qualità e la risoluzione.

MiniMax pubblica direttamente la cifra finale, perché la sua tariffa di output è abbastanza bassa da rendere semplice il calcolo: 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. Gli esempi di calcolo forniti direttamente dal fornitore riportano 0,02179 $ per un'immagine 1K, 0,02333 $ a 2K e 0,06879 $ a 4K — l'ultimo dei quali è 0,03439 $ finché resta valido uno sconto del 50%, e tale sconto scade il 17 novembre 2026 alle 16:00 UTC e si applica solo quando l'immagine consegnata è di almeno 16.600.000 pixel.

Mettili uno accanto all'altro e la natura dello scambio appare netta. A 1024×1024, circa $0,21 contro $0,02179 — all'incirca dieci a uno. Alle dimensioni per cui ciascun modello è progettato, il confronto diventa più difficile da fare in modo onesto, perché GPT Image 2.5 a 8,29 MP e MiniMax-H3-Image a 16 MP non sono lo stesso prodotto. Ciò che si può dire senza cautele è che, se generate a 1K in volume, il prezzo di MiniMax è un ordine di grandezza inferiore e la sua qualità non è stata misurata; è tutta la scommessa, detta chiaramente.

Due dettagli di fatturazione lato MiniMax sono facili da trascurare. Le immagini di input vengono fatturate per token a 1,50 $ per milione, quindi i riferimenti non sono gratuiti: passare da uno a tre riferimenti fa salire un edit 2K da 0,02658 $ a 0,04177 $ nell'esempio fornito dal fornitore stesso. E l'API addebita una richiesta che va in timeout, quindi una politica di retry lato client trasforma una generazione in due o tre generazioni fatturate. Il comportamento documentato di OpenAI è l'opposto per le richieste fallite e moderate, che non vengono addebitate.

La base probatoria è sbilanciata, ed entrambi gli aspetti di questo contano

Nella classifica text-to-image di Artificial Analysis, GPT Image 2.5 Sunburst si trova al secondo posto con Elo 1228 su 13.370 campioni, mentre Flare è quarto con 1209 su 12.695. Nella classifica di editing la stessa coppia è terza e quinta: 1199 su 18.617 campioni per Sunburst, 1181 su 19.498 per Flare. Questi numeri sono stime puntuali con intervalli di confidenza nell'ordine delle decine di Elo, il che significa che Sunburst e Flare non si distinguono in modo significativo tra loro su text-to-image ed entrambi sono significativamente al di sopra di tutto ciò che si trova sotto il quinto posto.

Vale anche la pena notare che GPT Image 2.5 non è più al vertice della propria famiglia. Le varianti 2.6 — Sunburst e Flare — occupano ora il primo e il terzo posto nella classifica text-to-image e il primo e il secondo in editing, allo stesso prezzo di $210.72 per mille immagini. Quindi un lettore che sceglie tra MiniMax-H3-Image e GPT Image 2.5 sta scegliendo tra un nuovo arrivato non misurato e la generazione precedente di una linea misurata, mentre la generazione attuale di quella linea si trova a un solo id di modello di distanza allo stesso prezzo. Chiunque scelga 2.5 per il punteggio dovrebbe guardare a cosa il punteggio sia effettivamente relativo.

MiniMax-H3-Image non ha un punteggio su nessuna delle due classifiche e nessuna tabella di valutazione del fornitore: niente GenEval, niente DPG-Bench, niente numeri di preferenza umana. L'affermazione della scheda è qualitativa: “il miglior rispetto delle istruzioni tra i modelli open source”, senza alcuna tabella comparativa allegata. La griglia dimostrativa è l'unica prova di output esistente, e una griglia dimostrativa è un artefatto curato. Niente di tutto ciò è sospetto per un modello che era pubblico da un giorno quando è stato scritto. Significa però che ogni argomento a suo favore in questo articolo si basa sul prezzo, sulla risoluzione o sull'architettura, e nessuno di essi si basa su una qualità misurata.

Budget del prompt, e cosa un modello può tenere in testa

GPT Image 2.5 accetta un normale prompt OpenAI e, secondo la documentazione di OpenAI, fino a sedici immagini di input; il vincolo pratico per le modifiche complesse non è il numero di caratteri ma la meccanica della richiesta — la maschera deve corrispondere alla prima immagine per dimensioni e avere un canale alfa, e il livello di annotazione per le modifiche di markup deve corrispondere esattamente alle dimensioni della prima immagine. Non esiste un limite massimo di token pubblicato per i prompt di immagini nella documentazione del modello, il che significa che il limite rispetto al quale pianifichi è quello dell'API, non quello del modello.

MiniMax-H3-Image dichiara un budget specifico e contenuto: 32.000 caratteri sull'API servita, di cui solo i primi 4.096 token circa hanno effetto, mentre il percorso locale SGLang tronca direttamente a 4.096 token. Per un modello la cui promessa è il rispetto delle istruzioni, quattromila token sono pochi: un brief dettagliato con sedici immagini di riferimento richiamate per posizione ne consuma gran parte. La risposta di MiniMax è un modello complementare: MiniMax-H3-Image-PE, un espansore di prompt da 27B che riscrive una richiesta breve in una didascalia lunga, aggiunge una raccomandazione sul rapporto d'aspetto e la restituisce in JSON. Occupa circa 19 GiB di VRAM. Il suo percorso di editing è descritto come solo prompt, quindi oggi aiuta la generazione testo-immagine e poco altro.

Quell’asimmetria merita di essere nominata perché cambia ciò che “prompt following” significa per ciascuno. Il modello di OpenAI prende il prompt che hai scritto. Quello di MiniMax prende il prompt che hai scritto, oppure un prompt che un altro modello ha riscritto per esso, e in ogni caso ha meno spazio per contenere l’istruzione. Se il tuo flusso di lavoro dipende da brief lunghi e strutturati con molti riferimenti nominati, questo è un vincolo reale e si manifesterà prima ancora della qualità.

Licenza, fidelizzazione e il costo della chiusura

GPT Image 2.5 è chiuso. Non ci sono pesi, né self-hosting, né checkpoint da fissare, e le condizioni commerciali sono un contratto API. Ciò che la documentazione per sviluppatori di OpenAI afferma è che i dati API non vengono usati per l'addestramento a meno che non si opti per l'adesione, che gli endpoint images sono indicati come non utilizzati per l'addestramento e che i modelli sono compatibili con Zero Data Retention. I termini di proprietà e uso commerciale si trovano in politiche separate, non nella documentazione per sviluppatori.

MiniMax-H3-Image è open, e la sua licenza è più restrittiva di quanto la parola lasci intendere. Il MiniMax-H3-Image Community License Agreement esclude per definizione l'Unione europea, il Regno Unito, la Repubblica di Corea e gli Stati Uniti; richiede un'autorizzazione scritta separata per ricavi annualizzati superiori a un milione di dollari statunitensi; richiede lo stesso per qualsiasi servizio ospitato, senza soglia minima di ricavi; richiede che il nome del modello sia visualizzato in modo ben visibile sulle interfacce commerciali; e vieta di usare gli output per addestrare o migliorare altri modelli. La pagina Hugging Face riporta tutto questo come licenza: altro.

Qui la prospettiva abituale si capovolge. Il modello chiuso ha termini più semplici e un lock-in più debole: puoi andartene, semplicemente non puoi portarti via i pesi. Il modello aperto ha termini più gravosi e un lock-in più forte, perché una licenza che esclude quattro mercati principali è un vincolo per la tua attività che nessuna quantità di pesi scaricabili compensa. Se è il percorso self-hosted il motivo per cui stai guardando MiniMax-H3-Image, leggi la licenza prima della model card.

Quando quella non misurata è la scelta giusta

Ci sono tre casi in cui MiniMax-H3-Image è la scelta ovvia pur non avendo una classifica, e nessuno di essi è “perché costa meno”.

Il primo è la risoluzione. Se hai bisogno di più di 8,29 megapixel da una singola generazione, GPT Image 2.5 è fuori gioco e il confronto è chiuso. Sedici megapixel a 0,06879 dollari contro l'upscaling di un fotogramma da 8,29 MP non è una differenza marginale.

Il secondo è la riproducibilità. Sei passaggi, nessuna guida, una pianificazione pubblicata in pdd_config.json, e pesi che puoi scaricare. Se hai bisogno dello stesso output dallo stesso input sul tuo hardware tra un anno, GPT Image 2.5 non può offrirlo e MiniMax-H3-Image sì, licenza permettendo.

Il terzo è il volume a dimensioni ridotte. A $0.02179 contro circa $0.21 a 1K, una pipeline che genera centomila miniature al mese si trova davanti a una differenza misurata in decine di migliaia di dollari. Sono abbastanza soldi per giustificare l'esecuzione di un proprio confronto alla cieca per una settimana, che è l'unico modo per trasformare uno di questi due numeri in una decisione.

Tutto il resto punta nella direzione opposta. Se ti serve un modello che non ti sorprenda, GPT Image 2.5 ha due posizionamenti in classifica con tredicimila voti ciascuno e sei settimane di traffico a pagamento alle spalle; MiniMax-H3-Image ha un giorno. Se ti serve un cursore della qualità, OpenAI ha sei impostazioni e MiniMax non ne ha nessuna. Se ti serve un'immagine piccola, OpenAI scende fino a 655,360 pixel e MiniMax non scende sotto circa 4 MP. E se ti serve il miglior modello attuale di quella famiglia invece della generazione precedente, le varianti 2.6 hanno lo stesso prezzo.

OrcaRouter instrada entrambe le varianti di GPT Image 2.5 — gpt-image-2.5-sunburst e gpt-image-2.5-flare — sotto un'unica chiave, al prezzo di listino del provider con 0% di markup, trasferito così com'è, così che un taglio o una dismissione da parte di OpenAI si rifletta il giorno stesso in cui avviene, anziché alla successiva migrazione di un'integrazione di fatturazione. Non serviamo MiniMax-H3-Image; non ha alcuna rotta nel nostro catalogo, e la strada onesta per arrivarci oggi è l'API di MiniMax stessa oppure i 135 GB di download. Quello che possiamo fare in un confronto come questo è mantenere il lato misurato economico da testare e facile da cui eseguire il failover, che è la parte della decisione che non dipende dal punteggio di un'arena.

Cosa renderebbe questo un vero confronto

Due cose, ed entrambe sono questioni di settimane, non di mesi. La prima è una voce MiniMax-H3-Image su un'arena di immagini con qualche migliaio di campioni, che o confermerà che il prezzo è un affare o lo mostrerà per quello che è attualmente: uno sconto non testato. La seconda è un dato di OpenAI sul numero di token per immagine a 2K e 4K, perché la stima di $0.21 è un valore riferito a 1K e l'intera argomentazione sul prezzo cambia se il moltiplicatore per il 4K non è quello che si presume.

Finché non esistono entrambi, la decisione è insolitamente netta: acquistare il modello misurato per i lavori che devono essere consegnati a risoluzione moderata, e considerare MiniMax-H3-Image un candidato per i compiti che GPT Image 2.5 strutturalmente non è in grado di svolgere — sedici megapixel, riproducibilità esatta, oppure volumi in cui il divario di prezzo di dieci a uno compensa più volte la valutazione.