MiniMax-H3-Image vs Nano Banana 2.1: quasi lo stesso prezzo, prove tutt'altro che comparabili

Due modelli di immagini, entrambi intorno ai tre centesimi per immagine, e la decisione tra MiniMax-H3-Image e Nano Banana 2.1 non si risolve con il prezzo. A 1024×1024 il nuovo arrivato open-weight costa $0,02179 per generazione e Nano Banana 2.1 di Google costa $0,0336 — una differenza di circa un centesimo. A 4096×4096 il divario si allarga a $0,06879 contro $0,113. Quindi quello economico è davvero più economico, da un terzo alla metà. Ciò che non puoi comprare a nessun prezzo, al momento, è un motivo per credere all'affermazione sulla qualità del modello economico, perché nessuno al di fuori di MiniMax l'ha misurata. Nano Banana 2.1 è quarto su entrambe le classifiche di immagini di Artificial Analysis, con migliaia di campioni dietro ogni posizione. MiniMax-H3-Image non compare su nessuna delle due classifiche, in nessuna posizione, con nessun numero di campioni. Questa asimmetria è l'intera comparazione, e nessuna quantità di aritmetica da scheda tecnica la colma.

Vale la pena essere concreti sulle date prima di andare avanti, perché i due modelli non sono nella stessa fase di vita. Nano Banana 2.1 è disponibile a livello generale dal 6 ottobre 2026 come gemini-nano-banana-2.1, e ha sostituito gemini-3.1-flash-image, che Google ha deprecato con una data di dismissione fissata al 29 ottobre 2026 — quindi se stavi chiamando quello più vecchio, hai già dovuto migrare. I pesi di MiniMax-H3-Image sono arrivati su Hugging Face il 10 novembre 2026 alle 14:50 UTC, con una scheda scarna nelle note di rilascio dell'API di MiniMax datate lo stesso giorno e nessun post di blog di accompagnamento. Un modello ha un mese di traffico in produzione; l'altro ha un giorno di disponibilità al download. Giudica di conseguenza.

Che cosa ti offre effettivamente ciascuno

Nano Banana 2.1 è un derivato di Gemini 3.6 Flash venduto esclusivamente tramite l'API di G​oogle. Tre livelli di risoluzione — 1K, 2K, 4K, e nessuna opzione da 512 pixel — con aspect ratio del set abituale, una finestra di contesto in input di 131.072 token e 32.768 token di output. Accetta fino a 14 immagini di riferimento in un'unica richiesta, suddivise da G​oogle in 10 riferimenti a oggetti e 4 riferimenti a personaggi, e può basare una generazione sui risultati di G​oogle Search o Image Search. Il thinking è attivo per impostazione predefinita su medium, con minimal e high disponibili, e non può essere disattivato tramite l'API in alcun modo. Ogni output porta una filigrana SynthID.

MiniMax-H3-Image è un transformer a diffusione denso da 33,1B con un encoder CNN e un decoder ViT a 24 livelli per il suo VAE, distribuito con la licenza community propria di MiniMax. La generazione text-to-image e l'editing passano entrambi attraverso un'unica coppia di endpoint, le modifiche accettano da 1 a 16 immagini di riferimento indirizzate posizionalmente come <Picture 1> fino a <Picture 16> nell'ordine di caricamento, e il modello è distillato a sei passaggi di campionamento senza classifier-free guidance — l'API servita restituisce HTTP 400 se si passa un valore diverso da num_inference_steps=6 e guidance_scale=1. L'area di output è limitata a 20.000.000 di pixel tramite l'API, con livelli di area a 1K, 2K e 4K e 4K come predefinito; la scheda dichiara circa 16 megapixel per ogni rapporto d'aspetto. Non viene indicato alcun search grounding, thinking budget o schema di watermarking da nessuna parte nel repository o nella licenza.

Le liste di capacità divergono in un modo che corrisponde chiaramente a chi è destinato ciascun prodotto. G​oogle ha rilasciato l'orchestrazione: riferimenti, recupero delle informazioni, un budget di ragionamento, indicatori di provenienza. M​iniMax ha rilasciato risoluzione e controllo: sedici slot di riferimento, un limite di 20 megapixel, un sampler fisso a sei passaggi che puoi replicare esattamente sul tuo hardware.

La scala dei prezzi, con la finestra di sconto esplicitata

Nano Banana 2.1 viene fatturato a consumo a $30 per milione di token di immagini in output, che la documentazione di Google stessa traduce in $0.0336 per immagine 1K, $0.0504 per 2K e $0.113 per 4K. Le immagini di input vengono fatturate a $1.50 per milione di token e l'output di testo a $7.50 per milione. Esiste un livello batch a metà di quelle tariffe di output per i job che possono attendere, e Artificial Analysis indica la tariffa effettiva per 1K come $33.60 per mille immagini — lo stesso numero espresso in volume.

MiniMax-H3-Image viene tariffato allo stesso modo in linea di principio e in modo molto diverso nei risultati. Livello standard: 2,30 $ per milione di token di testo in input, 1,50 $ per milione di token di immagine in input, 3,80 $ per milione di token di immagine in output. Esaminando gli esempi forniti dal venditore:

• 1K da testo a immagine — Nano Banana 2.1 $0.0336 vs MiniMax-H3-Image $0.02179.

• Generazione di immagini da testo in 2K — $0,0504 vs $0,02333.

• Da testo a immagine in 4K — $0.113 vs $0.06879, oppure $0.03439 con lo sconto del 50% a tempo limitato di M​iniMax.

• Modifica con un riferimento — G​oogle non pubblica un prezzo di modifica per immagine a questi livelli; M​iniMax addebita $0,02654 a 1K, $0,02658 a 2K e $0,07312 a 4K.

• Modifica con tre riferimenti — $0.03563 a 1K, $0.04177 a 2K, $0.07914 a 4K su M​iniMax.

Due dettagli in quella progressione sono facili da trascurare e cambiano i calcoli. Primo, lo sconto di M­iniMax si applica solo quando l'immagine consegnata è di almeno 16.600.000 pixel, e scade il 17 novembre 2026 alle 16:00 UTC — sei giorni dopo la pubblicazione dei pesi. Se calcoli il prezzo di una pipeline sul numero 4K scontato, stai facendo un preventivo basato su una promozione. Secondo, la progressione di M­iniMax è insolitamente piatta: sedici volte i pixel per poco più di tre volte il costo, perché il contatore è in token e il numero di token non scala con l'area come suggerisce il prezzo di listino. La progressione di G­oogle è più vicina alla proporzionalità. A 4K, la risoluzione per cui è stato costruito il modello open-weight, è in quella piattezza che risiede il vero risparmio.

Il punto in cui un layer di routing si guadagna il suo posto, qui, è nel non dover sapere quale di quei due contatori stai usando. OrcaRouter passa il prezzo di listino del fornitore con 0% di ricarico, il che significa che una variazione di prezzo del fornitore — compresa una promozione come quella di M​iniMax, e compresa la sua scadenza — è attiva dal nostro lato lo stesso giorno, invece di aspettare una migrazione della fatturazione. Nessuno dei due modelli in questo confronto è nel nostro catalogo: M​iniMax-H3-Image ha una settimana di vita e non ha una route ospitata, e Nano Banana 2.1 si raggiunge tramite l'API di G​oogle. Quello che invece portiamo da quella linea è la generazione precedente, google/gemini-3.1-flash-image-preview, insieme alle route per le immagini di O​penAI e a una route video per l'H3 di M​iniMax. Il motivo per dirlo chiaramente è che un articolo che confronta un checkpoint open-weight non misurato con uno closed di cui esiste un punteggio non dovrebbe far finta che il nuovo checkpoint sia a portata di un tasto.

Solo un lato di questo ha un tabellone segnapunti

Artificial Analysis assegna a Nano Banana 2.1 un punteggio Elo di 1160 nella sua classifica text-to-image, al quarto posto, su oltre 6.055 campioni, e un Elo di 1137 nella classifica di modifica delle immagini, anch'esso quarto, su oltre 5.968 campioni. Entrambe le posizioni comportano un intervallo di classifica dal quarto al sesto a seconda dell'intervallo che si considera. Si tratta di dati indipendenti, campionati e comparabili con quelli di ogni altro modello presente nella classifica, compresi quelli che stai già usando.

MiniMax-H3-Image non ha nessuna voce su nessuna delle due classifiche. Non una bassa: nessuna. La scheda del fornitore lo definisce “un modello open-weight per immagini leader” e la griglia showcase del repository è l'unica prova esistente della qualità dell'output, che è esattamente il tipo di prova progettata per apparire buona. Non c'è nemmeno una tabella di valutazione del fornitore — niente GenEval, niente DPG-Bench, niente numeri di preferenza umana, niente da confrontare con la valutazione pubblicata di un concorrente. Tra un mese potrebbe essere cambiato. Oggi, il riepilogo onesto è che il modello più economico è più economico e il modello misurato è misurato, e i due fatti non sono in tensione perché riguardano cose diverse.

C'è un costo di secondo ordine che il prezzo per immagine nasconde del tutto, ed è il numero più grande di questo articolo: 68,65 GB di diffusion transformer e VAE in BF16 e FP32, più un text encoder che non è affatto nel repository. MiniMax-H3-Image carica text_encoder/ dal modello video MiniMax-H3, 66,7 GB di Qwen3-VL, quindi una prima generazione locale è un download di circa 135 GB su due repository. Aggiungi le GPU: la guida al serving di MiniMax stessa per vLLM-Omni cita H200, RTX PRO 6000 Blackwell e AMD Instinct MI350X, e il parallelismo di sequenza multi-GPU — --ulysses-degree su SGLang, --usp su vLLM-Omni — è il modo documentato per ottenere una latenza accettabile alla massima risoluzione. A $0.02179 per un'immagine 1K, l'API è più economica dell'elettricità per molto tempo. I pesi aperti sono preziosi per il controllo e per i termini della licenza, non per l'economia unitaria su piccola scala.

Limiti che decidono più deployment di quanto non faccia la qualità

Il limite massimo di risoluzione è quello più evidente, e non c’è partita. Nano Banana 2.1 si ferma a 4K. MiniMax-H3-Image arriva a 20 megapixel tramite API e a circa 16 megapixel negli esempi della scheda: 4096×4096 in 1:1, 6272×2688 in 21:9, 5472×3072 in 4K 16:9. Se il risultato finale è una tavola in formato stampa o uno sfondo che verrà ritagliato pesantemente, il modello chiuso è fuori gioco prima ancora che si entri nel merito della qualità, e i due modelli di questo articolo smettono del tutto di competere.

La gestione dei riferimenti è l'opposto. I 14 riferimenti di G​oogle sono tipizzati — 10 oggetti, 4 personaggi — e la tipizzazione fa il suo lavoro: indica al modello quale ruolo gioca ogni immagine. I 16 di M​iniMax sono slot non tipizzati indirizzati per posizione, il che offre più spazio di manovra e meno struttura. Se il tuo flusso di lavoro è «metti questa persona in questa giacca su questo sfondo», la tipizzazione di G​oogle è il punto di forza. Se è «ecco sedici fotogrammi, mantieni l'identità su tutti», il tetto di M​iniMax è il punto di forza. Nessuno dei due è un sovrainsieme.

Il terzo è il budget del prompt. Nano Banana 2.1 ha a disposizione 131.072 token di contesto in input. MiniMax-H3-Image accetta fino a 32.000 caratteri sull'API servita, ma con il potenziamento del prompt disattivato entrano in gioco solo all'incirca i primi 4.096 token, e il percorso locale SGLang tronca direttamente a 4.096 token. Per un modello che punta sul rispetto delle istruzioni, è un budget stretto: per questo M​iniMax ha rilasciato un modello complementare, MiniMax-H3-Image-PE, un fine-tune FP4 da 27B di Qwen3.8-27B che riscrive una richiesta breve in una lunga didascalia, aggiunge un consiglio sul rapporto d'aspetto e lo restituisce in JSON secondo uno schema. Occupa circa 19 GiB di VRAM. La sua componente dedicata all'editing è descritta come basata solo sul prompt e ancora in sviluppo, quindi al momento l'expander è utile al text-to-image e poco altro.

E la licenza, che non ha un equivalente dalla parte di Google perché non c'è nulla da concedere in licenza. L'accordo della community di MiniMax richiede un'autorizzazione scritta preventiva separata qualora il fatturato annualizzato superi un milione di dollari statunitensi oppure, se offri servizi ospitati, richiede che le parole “MiniMax-H3-Image” siano visualizzate in modo ben visibile su qualsiasi interfaccia commerciale che lo utilizzi, limita l'uso a un territorio definito e vieta di usare gli output per addestrare o migliorare altri modelli. I termini di Google sono un contratto API standard. “Pesi aperti” qui significa una licenza che devi leggere, non una licenza che puoi ignorare.

Che aspetto hanno le due bollette per un mese reale

Supponiamo che tu generi 20.000 immagini al mese a 2K. Nano Banana 2.1 costa 1.008 $ di listino, oppure 504 $ con il livello batch se il job può essere messo in coda. MiniMax-H3-Image costa 466,60 $ di listino tramite l'API di MiniMax — oppure, in self-hosting, qualunque sia il costo di due o quattro di quelle GPU per le ore necessarie, che per la maggior parte dei team è superiore. Supponiamo invece che tu generi 2.000 immagini al mese a 4K e che la finestra di sconto si sia chiusa: 226 $ per Google, 137,58 $ per MiniMax. Il risparmio è reale ed è a tre cifre al mese, non a cinque. Questa è la dimensione corretta del premio, e va ponderata rispetto al costo di essere la prima persona a scoprire dove si rompe un modello non misurato.

Questa asimmetria depone a favore di uno schema specifico anziché di un vincitore. Instrada il percorso di produzione verso il modello con il tabellone dei risultati e invia una parte del traffico a quello economico per costruire le tue prove: un set fisso di prompt, una tua revisione, un paio di settimane di confronto. Questo è il caso in cui il failover serve davvero: un modello sconosciuto trattato come rotta candidata anziché come sostituto, con quello già validato alle spalle quando un job restituisce un risultato errato. Il campionamento non guidato in sei passaggi a 16 megapixel è anche una richiesta lunga per gli standard delle immagini, e non è idempotente lato MiniMax: un timeout del client viene addebitato, e gli SDK OpenAI ritentano due volte per impostazione predefinita, a meno che tu non imposti max_retries=0. Le richieste lunghe, addebitate in caso di timeout, sono esattamente quelle per cui vuoi una seconda rotta di riserva.

La domanda che risolve questo in circa un mese

Nessuno dei due modelli è la scelta sbagliata; la scelta dipende da se puoi permetterti di essere tu quello che misura. Se il deliverable ha bisogno di una classifica prima ancora che di una decisione, Nano Banana 2.1 è l'unica parte di questo confronto ad averne una, e a 4K costa $0.113 contro gli $0.06879 di M​iniMax — una differenza su cui finirai per discutere internamente più di una volta. Se il deliverable ha bisogno di 16 megapixel, i riferimenti tipizzati non contano e conta la risoluzione, e MiniMax-H3-Image è l'unica parte che la offre.

{{1}}Ciò che risolverebbe la questione{{/1}} è la cosa che non è accaduta: {{2}}un posizionamento indipendente{{/2}}. {{3}}MiniMax-H3-Image{{/3}} è {{4}}pubblico da un giorno{{/4}}, nel thread di discussione del repository si chiedevano ancora chiarimenti sui termini della licenza ore dopo {{5}}la comparsa dei pesi{{/5}}, e {{6}}il suo stesso espansore di prompt{{/6}} è {{7}}a metà{{/7}}. Quando {{8}}comparirà su Artificial Analysis con un numero di campioni{{/8}}, {{9}}il divario di prezzo{{/9}} smetterà di essere {{10}}un argomento indiretto{{/10}} e diventerà {{11}}un vero confronto tra alternative{{/11}}. Fino ad allora, {{12}}compra il modello misurato per il lavoro che deve essere consegnato{{/12}}, e {{13}}considera quello economico come un candidato che stai valutando{{/13}} — {{14}}non come un sostituto su cui hai già deciso{{/14}}.