MiniMax-H3-Image vs GPT Image 2.5：どちらも16枚の参照画像を扱えるが、共通点はそこまでだ

The number sixteen appears on both spec sheets, and it means two different things. MiniMax-H3-Image accepts up to sixteen reference images in a single edit, addressed by upload order as <Picture 1> through <Picture 16>, with the request body capped by nothing except a 32,000-character prompt. GPT Image 2.5 — the Sunburst and Flare pair that O​penAI shipped on 8 September 2026 — accepts up to sixteen input images too, and its documentation is explicit about what happens when you send more than one: markup and masks apply to the first image, and everything after it is a reference. Sixteen slots against sixteen slots, one of which is the whole control surface and the other of which is a parameter you will probably never fill.

この偶然の一致こそ、この2つのモデルを並べて見るうえで最も役立つ点だ。というのも、それ以外のすべては、口にするのは簡単だが、いくら強調しても過剰にならないほど非対称だからだ。GPT Image 2.5 は、Artificial Analysis のテキスト・トゥ・イメージ部門で世界第2位および第4位に位置する画像モデルであり、それぞれの順位には1万3000票のブラインド投票が寄せられている。MiniMax-H3-Image には順位がまったくない。その重みが Hugging Face に公開されたのは2026年11月10日14:50 UTCで、これは本稿執筆の1日前であり、どのアリーナも採点する時間がなかった。したがってこれは、対等な立場にある2候補の比較ではない。測定済みのモデルと未測定のモデルの比較であり、有用な問いは、未測定の側が何を提供するなら、それを確かめる価値があると言えるのか、ということだ。

2つの呼び出しが実際にどのようなものか

O​penAI's side is two model ids doing one job between them. gpt-image-2.5-sunburst is positioned for detailed compositions and precise editing; gpt-image-2.5-flare is the fast everyday variant. Both share the same snapshot date, the same endpoint surface and the same rate, and the split is latency against precision rather than capability against capability. There is no bare gpt-image-2.5 alias — you pick a variant. Generation goes to v1/images/generations, edits to v1/images/edits as multipart form data, and Batch is supported at half the output rate. Quality is a dial with six settings — low, medium, high, xhigh, max and auto, with auto the default.

M​iniMax's side is one model with two service tiers. MiniMax-H3-Image is a 33.1B dense diffusion transformer — 50 layers, hidden size 5,376, 56 attention heads, FFN width 14,336, 3D multimodal RoPE — distilled to six sampling steps with no classifier-free guidance. The served API enforces that: num_inference_steps must be 6 and guidance_scale must be 1, or you get an HTTP 400, and negative prompts are refused. Highspeed is the same weights at a higher per-token rate. There is no quality dial, no step count to raise, no second variant with different behaviour. You send a prompt and up to sixteen pictures and you get one image back, in a fixed number of passes.

Read those two paragraphs next to each other and the design philosophies separate cleanly. O​penAI gives you knobs and expects you to find the setting that fits the job. M​iniMax gives you one setting and expects the model to be good enough at it. The first is a tool; the second is an appliance.

サイズは最も差が大きい分野であり、決して僅差ではありません。

GPT Image 2.5 tops out at 3840×2160 — 8.29 megapixels — with dimensions required to be multiples of 16, an aspect ratio between 1:3 and 3:1, and anything above 2560×1440 flagged as experimental in O​penAI's own documentation. The recommended presets are 1024×1024, 1536×1024 and 1024×1536, and the custom-size path allows a pixel budget from 655,360 up to that 8,294,400 ceiling.

MiniMax-H3-Image's ceiling is roughly double that, and its floor is higher than O​penAI's ceiling-to-floor gap. The card claims about 16 megapixels at every aspect ratio — 4096×4096 at 1:1, 4736×3552 at 4:3, 5024×3360 at 3:2, 5472×3072 at 16:9, 6272×2688 at 21:9 — with the API capping output area at 20 megapixels and the practical working range described as 4 to 20 MP. There is no upscaler in the path; the model regenerates detail rather than enlarging it.

• 最大出力 — GPT Image 2.5: 3840×2160、8.29 MP。MiniMax-H3-Image: 約16 MP、API経由で最大20 MP。

• 実用的な最小出力 — GPT Image 2.5：655,360ピクセルなので、768ピクセルのサムネイルはサポート対象のリクエストです。MiniMax-H3-Image：約4MPで、小サイズ画像向けのティアはありません。

• Reference images — both up to 16; O​penAI types the first as the edit target and treats the rest as references, M​iniMax orders all sixteen positionally with no typing.

• 品質管理 — GPT Image 2.5：6つの品質設定に加えauto。MiniMax-H3-Image：なし；6ステップ、ガイダンスなし、強制。

• 出力形式 — GPT Image 2.5：デフォルトはPNG、JPEGとWebPも利用可能、圧縮率0～100、透過背景はbackground: "transparent"で指定します。MiniMax-H3-Image：data[0].b64_json内のPNGです。

こうした違いのうち、一つだけが他のどれよりも多くのデプロイを左右します。成果物が4Kプレートなら、GPT Image 2.5では作れません。品質を下げても、設定を変えても無理です。8.29メガピクセルで止まり、残りはアップスケーリングになります。これはモデルへの批判ではなく、その製品が何のためのものかという話です。ただし、要件が8.3 MPを超えた瞬間に両モデルは競合しなくなり、測定されたEloがどれだけ高くてもその差は埋まりません。

両方のメーター・トークン、そして片方だけがトークンで何が買えるかを公開している

O​penAI bills GPT Image 2.5 by tokens: $5 per million text input tokens ($1.25 cached), $8 per million image input tokens ($2 cached), and $30 per million image output tokens, halved to $15 on the Batch API. Text output is not charged because the model returns images rather than prose. Those rates are unchanged from GPT Image 2, which is worth knowing if you priced the previous generation.

The number that matters and does not appear in O​penAI's rate card is how many output tokens an image costs, and O​penAI does not publish it — per-image consumption was not documented at launch and is still not documented per size. The only per-image figure in circulation is Artificial Analysis's derived $210.72 per thousand images, which is about $0.21 a frame at 1024×1024 with default settings. That is a third-party derivation from measured usage, not an O​penAI price, and it should be treated as an estimate that moves with quality setting and resolution.

M​iniMax publishes the resolved number directly, because its output rate is low enough that the arithmetic is simple: $2.30 per million input text tokens, $1.50 per million input image tokens, $3.80 per million output image tokens. The vendor's own worked examples give $0.02179 for a 1K image, $0.02333 at 2K and $0.06879 at 4K — the last of which is $0.03439 while a 50% discount holds, and that discount expires on 17 November 2026 at 16:00 UTC and applies only when the delivered image is at least 16,600,000 pixels.

Put the two side by side and the shape of the trade is stark. At 1024×1024, roughly $0.21 against $0.02179 — about ten to one. At the sizes each model is designed for, the comparison gets harder to make honestly, because GPT Image 2.5 at 8.29 MP and MiniMax-H3-Image at 16 MP are not the same product. What can be said without hedging is that if you are generating at 1K in volume, M​iniMax's price is an order of magnitude lower and its quality is unmeasured; that is the entire bet, stated plainly.

Two billing details on the M​iniMax side are easy to miss. Input images are billed per token at $1.50 per million, so references are not free — going from one to three references lifts a 2K edit from $0.02658 to $0.04177 in the vendor's own example. And the API charges for a request that times out, so a client-side retry policy turns one generation into two or three billed generations. O​penAI's documented behaviour is the opposite for failed and moderated requests, which it does not charge for.

エビデンスの基盤は偏っており、そのどちらの半分も重要である

Artificial Analysisのtext-to-imageボードでは、GPT Image 2.5 SunburstがElo 1228、13,370サンプルで2位、FlareがElo 1209、12,695サンプルで4位に位置しています。編集ボードでは、同じ2モデルが3位と5位です。Sunburstは18,617サンプルで1199、Flareは19,498サンプルで1181です。これらの数値は点推定値で、信頼区間は数十Eloに及ぶため、SunburstとFlareはtext-to-imageでは互いに有意に区別されておらず、どちらも5位より下のすべてより有意に上です。

また、GPT Image 2.5 がもはや自ファミリー内の最高位ではない点にも注目すべきです。2.6 のバリアント——Sunburst と Flare——は現在、text-to-image ボードで1位と3位、編集で1位と2位を占めており、価格は同じく画像1,000枚あたり $210.72 です。したがって、MiniMax-H3-Image と GPT Image 2.5 のどちらを選ぶ読者は、未測定の新参者と、測定済みの系統の前世代との間で選んでいることになります。一方、その系統の現行世代は、同じ価格でモデルID一つ分しか離れていません。スコアを理由に 2.5 を選ぶ人は、そのスコアが実際に何と比較されているのかを見るべきです。

MiniMax-H3-Imageはどちらのリーダーボードでもスコアがなく、ベンダーによる評価表もない——GenEvalもDPG-Benchも、人間の選好に関する数値もない。モデルカードの主張は定性的で、「オープンソースモデルの中で最も強い指示追従性」とされているが、比較表は添付されていない。存在する唯一の出力証拠はショーケースグリッドであり、ショーケースグリッドはキュレーションされた成果物である。書かれた時点でこのモデルは公開から1日しか経っていなかったことを考えれば、これはいずれも怪しい話ではない。ただし、それは本記事でこのモデルを支持するあらゆる論拠が、価格、解像度、あるいはアーキテクチャに基づく論拠であり、測定された品質に基づく論拠は一つもないということを意味する。

プロンプト予算と、モデルが頭の中に保持できるもの

GPT Image 2.5 accepts a normal O​penAI prompt and, per O​penAI's documentation, up to sixteen input images; the practical constraint on complex edits is not a character count but the mechanics of the request — the mask must match the first image in size and carry an alpha channel, and the annotation layer for markup edits must match the first image's dimensions exactly. There is no published token ceiling for image prompts in the model's documentation, which means the ceiling you plan against is the API's, not the model's.

MiniMax-H3-Image publishes a specific and modest budget: 32,000 characters on the served API, of which only about the first 4,096 tokens take effect, and the local SGLang path truncates at 4,096 tokens outright. For a model whose pitch is instruction following, four thousand tokens is tight — a detailed brief with sixteen reference images referenced by position eats a large fraction of it. M​iniMax's answer is a companion model: MiniMax-H3-Image-PE, a 27B prompt expander that rewrites a short request into a long caption plus an aspect-ratio recommendation and emits it as JSON. It fits in about 19 GiB of VRAM. Its editing path is described as prompt-only, so it helps text-to-image today and not much else.

That asymmetry is worth naming because it changes what “prompt following” means for each. O​penAI's model takes the prompt you wrote. M​iniMax's takes the prompt you wrote, or a prompt another model rewrote for it, and either way it has less room to hold the instruction. If your workflow depends on long, structured briefs with many named references, that is a real constraint and it will show up before quality ever does.

ライセンス、保持、そして閉鎖的であることのコスト

GPT Image 2.5 is closed. There are no weights, no self-hosting, no checkpoint to pin, and the commercial terms are an API contract. What O​penAI's developer documentation does state is that API data is not used for training unless you opt in, that the images endpoints are listed as not used for training, and that the models are Zero Data Retention compatible. Ownership and commercial-use terms live in separate policies, not in the developer docs.

MiniMax-H3-Imageは公開されていますが、そのライセンスは「オープン」という言葉が示すよりも制限的です。MiniMax-H3-Image Community License Agreementは、定義上、欧州連合、英国、大韓民国、米国を除外しています。年間換算収益が100万米ドルを超える場合は別途書面による許可を要求し、収益下限のないホスト型サービスにも同じく書面による許可を要求し、商用インターフェース上でモデル名を目立つように表示することを要求し、また、出力を他のモデルのトレーニングや改善に使用することを禁じています。Hugging Faceのページでは、これらすべてを次のように示しています：license: other。

いつもの構図はここで逆転する。クローズドモデルのほうが条件はシンプルで、ロックインも弱い——離れることはできる、ただ重みを持ち出せないだけだ。オープンモデルのほうが条件は厳しく、ロックインも強い。なぜなら、4つの主要市場を除外するライセンスは、どれだけ重みをダウンロードできようと相殺できない、あなたのビジネスへの制約だからだ。セルフホストという道があるからこそMiniMax-H3-Imageを検討しているのなら、モデルカードより先にライセンスを読んでほしい。

測定されていないものが正しい選択となる場合

スコアボードがなくてもMiniMax-H3-Imageが明らかな選択肢となるケースは3つあり、そのいずれも「より安いから」という理由ではありません。

まずは解像度です。1回の生成で8.29メガピクセルを超える必要があるなら、GPT Image 2.5は候補から外れ、比較はそこで終わりです。16メガピクセルを$0.06879で得るのか、8.29MPのフレームをアップスケーリングするのか——これは僅差の勝負ではありません。

2つ目は再現性です。6ステップ、ガイダンスなし、pdd_config.jsonに公開されたスケジュール、そしてダウンロードできる重み。1年後に自分のハードウェアで同じ入力から同じ出力を得る必要があるなら、GPT Image 2.5にはそれができず、MiniMax-H3-Imageにはできます（ライセンスが許せば）。

3つ目は小さいサイズでの量です。$0.02179 対 1Kでおよそ $0.21 では、月に10万枚のサムネイルを生成するパイプラインは、数万ドル単位の差を見ることになります。それは、1週間自分のブラインド比較を実行するのに十分な金額であり、それがこれらの数字のどちらかを意思決定に変える唯一の方法です。

Everything else points the other way. If you need a model that will not surprise you, GPT Image 2.5 has two board placements with thirteen thousand votes each and six weeks of paying traffic behind them; MiniMax-H3-Image has a day. If you need a quality dial, O​penAI has six settings and M​iniMax has none. If you need a small image, O​penAI goes down to 655,360 pixels and M​iniMax does not go below about 4 MP. And if you need the current best in that family rather than the previous generation, the 2.6 variants are the same price.

OrcaRouter routes both GPT Image 2.5 variants — gpt-image-2.5-sunburst and gpt-image-2.5-flare — under one key, at provider list price with 0% markup passed through, so a cut or a retirement on O​penAI's side is reflected the day it happens rather than the next time you migrate a billing integration. We do not serve MiniMax-H3-Image; it has no route on our catalogue, and the honest path to it today is M​iniMax's own API or the 135 GB of downloads. What we can do in a comparison like this is keep the measured side cheap to test and easy to fail over from, which is the part of the decision that does not depend on an arena score.

これを本当の比較にするには、何が必要でしょうか

Two things, and both are weeks rather than months away. The first is a MiniMax-H3-Image entry on an image arena with a few thousand samples, which will either confirm the price is a bargain or show it as what it currently is — an untested discount. The second is a per-image token figure from O​penAI at 2K and 4K, because the $0.21 estimate is a 1K number and the whole price argument shifts if the 4K multiplier is not what people assume.

両方が存在するまでは、判断は異例なほど明快だ。中程度の解像度で納品しなければならない仕事には実測済みモデルを採用し、MiniMax-H3-Image は GPT Image 2.5 が構造上できない仕事——16メガピクセル、正確な再現性、あるいは10対1の価格差が評価費用を何倍も回収できるほどの量——の候補として扱う。