MiniMax-H3-Image-PE：MiniMaxは画像モデル向けの27Bプロンプト拡張器をリリースしながら、誰にも知らせなかった

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.

実際にリポジトリに入っているものは何か、そしてタイムスタンプが何を示しているか

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.

具体的な機能

リポジトリには2つのワークフローがあり、両者は同じものではありません。18 GBをダウンロードする前に理解しておくべき、最も重要なことです。

• テキストから画像へのPE — すべてが手に入ります：ファインチューニング済みの重み、システムプロンプト、タスクプロンプト、リクエストパラメータ、そして動作するクライアントです。このパスは完全で、今日すぐに実行できます。

• 画像編集PE — プロンプトとメッセージ組み立ての例が提供されます。重みはありません。カードにはこう明記されています。「画像編集PEはまだ開発中です。このリリースではプロンプトのみを提供します」。そのプロンプトは、ご自身で選んだ視覚言語モデルに通して実行することが想定されています。

テキストから画像への経路は、あなたの指示を受け取り、それを展開し、スキーマによって正確に2つのキーに制約されたJSONを返します。テスト用プロンプト「日当たりの良い窓辺で眠るオレンジ色のトラ猫」に対する出力は、暖かな写真と柔らかな午後の光についての1文に、比率「3:2」を加えたものです。スキーマは厳格で、additionalPropertiesはfalseに設定されており、ratioフィールドは10個の値からなるenumです：1:1、5:4、4:3、3:2、16:9、21:9、4:5、3:4、2:3、9:16。自由記述の比率はなく、出力に「auto」トークンもなく、モデルがこれら10個の文字列のいずれか以外で答える方法はありません。これは意図的な設計上の選択であり、親モデルの公開されているサイズ表に直接対応しています。その表には、ちょうどこれらの比率が、1:1の4096×4096から21:9の6272×2688までのピクセル寸法とともに記載されています。

比率の判断は雰囲気ではない。公開されたタスクプロンプトは、厳密な優先順位について数百語を割いて説明している。明示された最終キャンバスが最優先で、次に要求された成果物（ポスターは縦、スライドヘッダーは横、アバターは正方形）、次に被写体の主要な構図、そして任意の文脈情報が続く。さらに「一般的な部屋、公園、森、空、あるいは映画的な背景によって、焦点の定まった被写体が横長になってはならない」と明示的に警告している。また、プラットフォームを勝手に想定することも禁じており、Instagram を前提にしてよいわけではない。そして、描かれた場面とコミュニケーション用の成果物を区別している。ダッシュボード、ポスター、パッケージ、技術図、複数パネルの合成画像は、要求されたオブジェクトを含む場面としてではなく、情報アーキテクチャとして構築される。画像モデルが「四半期決算スライド」を会議室の写真に変えてしまうのを見たことがある人にとって、この区別こそが今回のリリースの興味深い点だ。

なぜキャプションに270億個ものパラメータを費やすのか

答えは親モデルのドキュメントにあり、プロンプトエキスパンダー自体よりも興味深いものです。MiniMax-H3-Image は 33.1B の密な単一ストリーム拡散トランスフォーマーで、50 層、隠れサイズ 5376、56 個のアテンションヘッドを持ち、MiniMax-H3 から変更されずに継承された完全な Qwen3-VL テキストエンコーダーの 50 層目から隠れ状態を読み取ります。そのテキストエンコーダーは 66.7 GB で、画像リポジトリには含まれていません — ビデオモデルのリポジトリから別途ダウンロードします。チェックポイントは classifier-free guidance なしで 6 つのサンプリングステップに蒸留されており、API はこれを強制します：num_inference_stepsが 6 以外のいかなる値でも、またguidance_scaleが 1 以外のいかなる値でも HTTP 400 を返し、negative_promptは完全に拒否されます。調整できるダイヤルはありません。

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.

ライセンスは、実際に人々を止めることになる部分です。

MiniMax-H3-Image-PE は個別にはライセンスされていません。カードには、それが「MiniMax-H3-Image の一部であり、それに応じて」MiniMax-H3-Image Community License Agreement の対象となる、と記載されています。また、ライセンスファイルには「リリース日/ライセンス日: 2026年11月10日」と書かれた日付行があります。これは注意深く読んでください。というのも、プロンプト拡張機能のライセンス日と親画像モデルの公開日が8日ずれている一方で、ライセンス自体は両方を規律する1つの文書だからです。

3つの条項は他のどれよりも重要であり、そのいずれもよくある「オープンウェイト」の話ではない：

• 領域 — 許諾は「適用領域」内にのみ適用され、適用領域は全世界と定義されます。ただし、以下を除きます：欧州連合、英国、大韓民国およびアメリカ合衆国。これは領域的除外であり、使用制限ではなく、付録に埋もれることなく定義の中に明記されています。

• 商用規模 — 第IV条では、お客様の年換算収益（または関連会社の年換算収益）が100万米ドルを超える場合、別途事前の書面による承認が必要です。または、サードパーティにホスト型サービスを一切提供している場合も同様です。2番目の条件には収益の下限はありません。

• インターフェースでの帰属表示 — 同じセクションでは、本著作物を使用する商用製品またはサービスのユーザーインターフェース上に「"MiniMax-H3-Image"」を目立つように表示することが求められています。

再配布条件として、特定の著作権表示行を含む NOTICE ファイルが求められ、さらに第V条では、違反する出力を防ぐための保護措置を維持し、報告の仕組みを備え、善意の報告に基づいて行動する義務が課されています。2026年のコミュニティライセンスとしては、いずれも異例ではありません。多くのチームにとって、18 GB のダウンロードをそもそも始める価値があるかどうかを決めるのはこの地域的除外条項であり、しかも最も見落とされやすい条項です。Hugging Face のモデルページでは、それがリンク付きの「その他」としてしか表示されないからです。

まだ知り得ないこと

境界を明確にすることは、それを埋めてしまうよりも役に立つ。

• ベンチマークの数値はありません。どちらのカードも単一のスコアさえ公表していません。親会社は「オープンソースモデルの中で最も強い指示追従性」「最先端」といった定性的な主張のみを行っており、2026-11-11 時点で、MiniMax-H3-Image やそのプロンプトエキスパンダーに関する独立した評価は見つかりませんでした。Elo も、選好勝率も、ホスト型の Context-IR エンドポイントとの拡張品質の比較もありません。

• 編集経路が機能するという証拠はない。編集プロンプトはよく考えられており、異例なほど具体的だ — 呼び出し側に各参照画像の縮小後のW:H比を提供するよう要求し、モデルにはプレビューから元の比率を推定してはならないと伝え、隠された結果を見たふりをするのではなく意図したターゲットを構築するよう指示している。しかし、そのための重みは出荷されていないため、汎用VLMが、おそらくファインチューニング版なら従うであろうほどに、このプロンプトに従うかどうかを測定した者は誰もいない。

• 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.

• ダウンロード数は少なすぎて判断できない。MiniMax-H3-Imageは公開から8日後の{{2}}2026-11-11{{/2}}に{{1}}667ダウンロードと136いいね{{/1}}を記録した。PEモデルは{{3}}0ダウンロードと7いいね{{/3}}だった。公開から1日しか経っていないリポジトリでは、それは下限であって結論ではない — ただし、まだ誰も実地報告を公開していないということではある。

実際に何かを作っている場合、これがどこに当てはまるか

実用的な問いは「これは良いモデルか」ではない——それにはまだ誰も答えられない——「これを採用すると自分は何に縛られるのか」である。具体的には三つだ。一つ目は、一つのモデルではなく二つのモデルを動かすことになる：18 GB のエキスパンダーに加え、68.65 GB の画像チェックポイント、さらに MiniMax-H3 を動かしているならおそらくすでに持っている 66.7 GB のテキストエンコーダーだ。二つ目は、推論を含む 4096 トークンの固定デコード予算に縛られること。API ドキュメントが 600 秒と定めているリクエストタイムアウトのもとでは、これは対話型 UI の裏に注意深く隠さなければならないレイテンシーだ。三つ目は、地域的適用範囲が四つの主要市場を除外しているライセンスに縛られることだ。

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.

何を観るべきか

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.