MiniMax-H3-Image vs MiniMax-H3: uno è un modello video, l'altro è il suo fotogramma fermo

La cosa più onesta di MiniMax-H3-Image è il suo elenco dei file. Sessantasei gigabyte di diffusion transformer, 2,34 GB di VAE, dodici megabyte di teste di campionamento per-step — e nessun text encoder da nessuna parte nel repository. L'encoder non manca. È in prestito: model_index.jsonattinge a MiniMax-H3, il modello video omni-modale da 33B che M​iniMax ha reso open source il 31 luglio 2026, e carica text_encoder/ da lì, 66,7 GB di Qwen3-VL, senza modifiche. Se MiniMax-H3 è già sul tuo disco, il modello per immagini non costa nulla in più per codificare un prompt. Se non c'è, il tuo primo fotogramma statico costa 135 GB di download, e il secondo modello in questo confronto sta facendo un lavoro concreto per il primo.

Quella singola riga di configurazione è la relazione tra i due modelli, e spiega gran parte delle differenze pratiche tra loro. MiniMax-H3-Image è MiniMax-H3 con il ramo audio rimosso, la testa di output riorientata da un video latente a un'immagine latente, e l'intero sistema distillato fino a sei passaggi di campionamento. Nulla del lato testo è cambiato. Il DiT legge persino gli stessi hidden states del 50° strato dallo stesso encoder, ed è per questo che le cartelle tokenizer e processor sono identiche byte per byte e che il modello immagine eredita la gestione dei prompt in lingua inglese di H3 senza una riga di nuovo addestramento su quel percorso.

Ciò che rende questo argomento meritevole di essere scritto ora è il modo del rilascio più che i suoi contenuti. M​iniMax non ha pubblicato un post sul blog per il modello di immagini. Il blog e l'indice delle notizie dell'azienda non riportano nulla sul modello di immagini — l'elemento più recente è il post su M3.1 Flash del 19 ottobre — e le pagine dei modelli continuano a presentare in primo piano H3 come sistema video. L'unico riconoscimento da parte del fornitore che siamo riusciti a trovare è una scheda datata 10 novembre 2026 nell'elenco dei rilasci di modelli della documentazione API, che recita “Un modello di immagini open-weight all'avanguardia. Dalle idee a nuovi mondi” — una frase senza specifiche, senza benchmark e senza una data propria. Il repository Hugging Face è stato creato il 3 novembre, e i pesi sono arrivati il 10 novembre alle 14:50 UTC. Due revisioni del README e una guida al deployment di vLLM-Omni sono seguite entro un'ora. È un rilascio in sordina: gli artefatti sono reali e scaricabili, l'annuncio no. Tutto quanto segue è ricavato dal repository, dal file di licenza e dalla documentazione di M​iniMax stessa, e laddove un numero sia una dichiarazione non replicata del fornitore stesso, lo segnaliamo.

I due modelli, nei termini in cui ciascuno vende effettivamente

MiniMax-H3 è un generatore omni-modale di uso generale. Prende testo, immagini, video e audio come un unico contesto impacchettato e genera da 4 a 15 secondi di video a 24 fotogrammi al secondo con audio stereo nativo a 32 kHz, nativamente a 768p, con una passata di rigenerazione separata — H3-Regenerate-2K — che rimanda il risultato e il contesto originale attraverso il modello per raggiungere il 2K. Due varianti di input sono importanti: H3-Base-FL2VA accetta zero, una o due immagini come fotogrammi iniziali/finali, e H3-Base-Ref2VA accetta fino a 9 immagini, 3 clip video e 3 clip audio, con un limite complessivo di 12 file. Un preprocessore ospitato chiamato H3-Context-IR analizza l'input misto e lo riscrive in una forma strutturata, e MiniMax precisa esplicitamente che non fa parte della release aperta perché dipende da diversi modelli ospitati.

MiniMax-H3-Image riceve testo e fino a 16 immagini di riferimento e restituisce un'immagine. Il transformer di diffusione ha 33,1 miliardi di parametri — un design denso a stream singolo, 50 layer, dimensione nascosta 5.376, 56 teste di attenzione, larghezza FFN 14.336, RoPE multimodale 3D, pesi in BF16 con embedding, timestep e layer di output in FP32. Il VAE delle immagini è un encoder CNN con un decoder ViT a 24 layer, downsampling spaziale 16× e 24 canali latenti; il DiT applica un patchify 2×2 a quel latente, quindi un token del transformer copre un blocco di 32×32 pixel. L'area di output arriva fino a 20 megapixel tramite l'API, e il claim di punta della scheda è di circa 16 megapixel a ogni rapporto d'aspetto — da 4096×4096 in 1:1 fino a 6272×2688 in 21:9, senza upscaler.

Leggi quei due paragrafi fianco a fianco e il bivio è evidente. Il modello video spende la sua capacità sul tempo e su una seconda modalità. Il modello immagine la spende sullo spazio. Stesso tronco, obiettivo diverso.

Sei passi e nessuna classifier-free guidance: è questa la vera ingegneria

La parte di MiniMax-H3-Image che non è solo sottrazione è la distillazione, ed è imposta anziché consigliata. Il checkpoint esegue sei passaggi di campionamento — sei NFE — senza alcuna guida classifier-free. L'API servita non li considera valori predefiniti: num_inference_steps deve essere omesso o essere 6, guidance_scale deve essere omesso o essere 1, e qualsiasi altro valore restituisce HTTP 400. I prompt negativi vengono rifiutati categoricamente. Un file separato, pdd_fused_heads.safetensors, contiene teste di output per passaggio che sostituiscono il livello di output del transformer, con la schedulazione in pdd_config.json; sono 12 MB dei 68,65 GB totali che svolgono una quantità sproporzionata del lavoro.

Questa è la differenza tra un modello che puoi mettere dietro una superficie interattiva e uno che non puoi. Un modello diffusion guidato da 30 step a 16 megapixel è un job batch. Sei step non guidati alla stessa risoluzione sono una richiesta. La formulazione stessa di M​iniMax — «immagini da 16 megapixel a un costo computazionale pratico» — è un'affermazione sui FLOP per pixel, e la pianificazione in sei step è il modo in cui l'affermazione viene concretizzata. Se regga al livello di qualità suggerito dalle immagini della vetrina è una domanda a cui nessuna terza parte ha risposto; non esiste una voce Artificial Analysis per MiniMax-H3-Image su nessuna delle due board di immagini al 10 novembre 2026, né una tabella di valutazione del fornitore nella scheda.

Per il serving locale, il quadro dei framework è insolitamente completo per un modello così giovane. SGLang è il percorso di riferimento con un cookbook documentato; vLLM-Omni pubblica una recipe con configurazioni per ogni hardware e latenza misurata, citando NVIDIA H200, RTX PRO 6000 Blackwell e AMD Instinct MI350X; sia diffusers che ComfyUI includono il supporto. Il parallelismo di sequenza è un flag — --ulysses-degree su SGLang, --usp su vLLM-Omni — e una singola GPU basta per iniziare. L'encoder testuale è il vero costo in memoria, ed è l'encoder testuale del modello video, che è il punto di questo intero confronto.

Due misuratori, e nessuno dei due è un contatore di token che si possa valutare a occhio

M​iniMax fattura questi due modelli su unità incompatibili, ed è questa la trappola in qualsiasi domanda del tipo «quale costa meno». H3 viene misurato in secondi di output generato, in base alla risoluzione: 0,08 $ al secondo a 768P, 0,13 $ al secondo a 2K, con il materiale di input conteggiato in aggiunta — le prime cinque immagini di riferimento gratuite e 0,04 $ ciascuna per quelle successive sul modello base, input audio gratuito, video di riferimento fatturato in base alla propria durata alla risoluzione di output. Una clip di 10 secondi a 2K costa 1,30 $ di output prima di qualsiasi riferimento.

MiniMax-H3-Image viene misurato in token in base a una tariffa per l'output immagine. Nel livello standard, la scheda pubblicata riporta $2.30 per milione di token di testo in input, $1.50 per milione di token immagine in input e $3.80 per milione di token immagine in output, e gli esempi di calcolo forniti dal fornitore stesso portano a:

• 1K (1024×1024) da testo a immagine — $0,02179 per immagine.

• 2K (2048×2048) da testo a immagine — $0.02333 per immagine.

• 4K (4096×4096) da testo a immagine — $0.06879 per immagine, indicato a $0.03439 con uno sconto del 50% a tempo limitato.

• 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.

La forma di quella scala è la parte interessante. Sedici volte i pixel costano poco più di tre volte il denaro, perché l’unità di misura sono i token e il numero di token non cresce in modo lineare con l’area come suggerirebbe l’intuizione. La variante ad alta velocità, MiniMax-H3-Image-Highspeed, accetta gli stessi parametri e limiti e fattura $7,60 per milione di token di immagini in output — $0,03529 a 1K, $0,13001 a 4K prima dello stesso sconto. Lo sconto si applica quando l’immagine consegnata è di almeno 16.600.000 pixel ed è valido fino al 17 novembre 2026 alle 16:00 UTC, l’unico dato commerciale con una data in tutto il comunicato.

Metti i due misuratori uno accanto all'altro e il fork acquista un prezzo. Un secondo di video a 768P costa $0,08; lo still più economico di M​iniMax è circa $0,022. Una clip di quattro secondi — la più breve che H3 realizzerà — costa all'incirca quindici immagini 1K. Non è un argomento a favore di nessuno dei due modelli. È il motivo per cui “quale costa meno” non ha risposta finché non dici cosa stai producendo.

Dove il fork crea problemi in un deployment reale

Tre asimmetrie contano più della questione del benchmark.

Il primo è la gestione dell'input. H3-Image accetta fino a 16 immagini di riferimento in una singola modifica e vi fa riferimento in base alla posizione come <Immagine 1>, <Immagine 2> e così via, nell'ordine di caricamento; il corpo totale della richiesta è limitato a 64 MiB e Base64 aumenta le dimensioni di un file di circa un terzo, quindi una richiesta con 16 immagini deve usare URL o riferimenti a file precaricati anziché dati inline. La modalità di riferimento di H3 è tutta un'altra cosa: 9 immagini, 3 video, 3 clip audio, 12 file, tutti inseriti in un'unica sequenza con struttura temporale. La gestione dei riferimenti di nessuno dei due modelli è un sovrainsieme di quella dell'altro.

Il secondo è la lunghezza del prompt. L'API servita di H3-Image accetta fino a 32.000 caratteri, ma con il potenziamento del prompt disabilitato entrano in gioco solo all'incirca i primi 4.096 token; il percorso locale SGLang tronca a 4.096 token, punto e basta. Non è un budget ampio per un modello il cui punto di forza è seguire istruzioni dettagliate, ed è per questo che esiste l'espansore di prompt complementare — MiniMax-H3-Image-PE, un fine-tuning FP4 da 27B di Qwen3.8-27B che riscrive una richiesta breve in una descrizione lunga più una raccomandazione sul rapporto d'aspetto, rilasciato l'8 novembre e coperto dalla stessa licenza community. La sua metà dedicata all'editing è stata rilasciata solo come prompt; i pesi per l'espansione lato editing sono ancora descritti come in sviluppo.

La terza è la licenza, ed è la stessa licenza per entrambi i modelli soltanto nel nome. Il Contratto di licenza Community di MiniMax-H3-Image richiede un'autorizzazione scritta preventiva separata da MiniMax se i vostri ricavi annualizzati, o quelli delle vostre affiliate, superano un milione di dollari statunitensi, oppure se fornite servizi di hosting a terzi. Richiede di visualizzare “MiniMax-H3-Image” in evidenza sull'interfaccia di qualsiasi prodotto commerciale che lo utilizzi. Limita l'uso al Territorio Applicabile definito, vieta di utilizzare gli output per migliorare qualsiasi altro modello di IA e non rivendica alcun diritto sugli output stessi. La licenza del video H3 è un contratto a sé stante, con termini propri. Se state costruendo un prodotto basato su entrambi, avete due licenze, non una.

Ciò che nessuno dei due modelli fa

MiniMax-H3-Image non può creare un video. Non ha alcun asse temporale, alcun ramo audio, alcun parametro di durata — il VAE audio è semplicemente assente dall'architettura, e l'output è un'immagine latente per richiesta, fino a dieci per chiamata tramite l'API. MiniMax-H3 non può creare un'immagine statica da 16 megapixel. Genera 768p per impostazione predefinita e raggiunge il 2K tramite un passaggio di rigenerazione; chiedergli un singolo fotogramma da 4096×4096 non è una richiesta supportata. Se la tua pipeline richiede un'immagine statica principale e un loop di cinque secondi con dialogo sincronizzato provenienti dallo stesso mondo visivo, stai chiamando due modelli e, sulla piattaforma di MiniMax, stai pagando due tariffe diverse.

Entrambi condividono una cosa facile da trascurare: nessun prompt negativo. H3-Image rifiuta il campo. La guida al prompt di H3 orienta tramite descrizione positiva e tramite Context-IR anziché tramite esclusione. Chiunque porti un workflow di Stable Diffusion in uno dei due modelli perde quella leva fin dal primo giorno.

Quale chiamare

La divisione onesta del lavoro si basa sul deliverable, non sulla qualità. Se l'artefatto è un'immagine fissa — un render di prodotto, un keyframe, una lastra da 16 megapixel con testo leggibile — il modello è MiniMax-H3-Image, e il programma in sei passaggi significa che puoi permetterti di iterare. Se l'artefatto si muove, il modello è H3, e il ramo audio è il motivo per preferirlo al cucire insieme immagini fisse in una sequenza.

Ciò che un livello di routing cambia qui è più limitato di quanto sembri, e vale la pena dirlo chiaramente: OrcaRouter non serve MiniMax-H3-Image. Il modello ha raggiunto i pesi pubblici il 10 novembre e non ha una route nel nostro catalogo, quindi se lo vuoi oggi lo ottieni dall'API di MiniMax oppure esegui tu stesso il checkout da 68.65 GB. Quello che offriamo è minimax/minimax-h3, il modello video, fatturato al secondo al prezzo di listino senza ricarichi — e la proprietà utile per una pipeline a due modelli è che la stessa chiave che chiama H3 raggiunge anche gli altri 200 e passa modelli sulla piattaforma.

La cosa da osservare non è se H3-Image sia valido. È se M​iniMax dica qualcosa al riguardo. Un modello che arriva con pesi, licenza, listino prezzi e quattro integrazioni per framework, ma senza un post sul blog e senza benchmark, è un modello le cui affermazioni restano interamente del fornitore. La prima collocazione indipendente su una classifica di immagini, o il primo confronto diretto con un modello chiuso alla stessa risoluzione, ti dirà più di quanto faccia la griglia dimostrativa. Fino ad allora il repository è il registro, e il repository dice: questo è H3 con l'audio disattivato.