MiniMax-H3-Image vs GPT Image 2.6：各リクエストで実際に変更できること

画像モデルの比較の多くは、その紙幅をスコアに費やす。この比較が費やすのは調整ノブだ。なぜなら、MiniMax-H3-Image と GPT Image 2.6 Sunburst は同じダイヤルで競っているわけではないからだ。MiniMax-H3-Image は、2026年11月10日に公開されたオープンウェイトの33.1B拡散トランスフォーマーで、ガイダンススケールなしの固定6ステップサンプラーを実行し、最大16枚の参照画像を受け付け、最大16メガピクセルをネイティブに生成する。GPT Image 2.6 Sunburst — そして、2026年11月4日に同時に出荷された高速な兄弟モデル GPT Image 2.6 Flare — はクローズドなホスト型モデルで、最近の向上は主に、何を渡せるか、何が返ってくるかにある。参照画像の再利用、マークアップ誘導編集、GIF および SVG 出力だ。長い編集チェーンの制御がボトルネックなら、明らかにどちらか一方が適切だ。解像度や請求額がボトルネックなら、もう一方だ。

どちらも真剣に受け止める価値がある。ただ、失敗する方向が違うだけで、その故障モードはコントロールサーフェスだけからでも読み取れる。

サンプラーは片側がダイヤルで、もう片側が定数です

MiniMax-H3-Image は調整できる余地をほとんど与えず、それを API 境界で強制します。チェックポイントは CFG 蒸留によって関数評価 6 回まで削減されているため、拡散処理で通常使う 2 つの調整項目 — ステップ数とガイダンススケール — は重みに畳み込まれています。num_inference_steps を 6 以外に設定して呼び出すと、リクエストは HTTP 400 で返されます。guidance_scale を 1 以外に設定すると、同じように拒否されます。negative_prompt を送信すると、作用する 2 回目のフォワードパスが存在しないため、即座に拒否されます。

それは制約が強いように聞こえるし、大半は単純化だ。6ステップは速く、シードを与えれば決定論的で、設定を間違えようがない——「ステップを増やしたらかえって悪化した」という失敗はない。失うのは、モデル内部で品質とレイテンシをトレードオフさせる能力と、これまで蓄積してきたネガティブプロンプトの小技だ。

GPT Image 2.6 は、サンプラー用ノブの代わりに独自の小さなコントロール面を備えている。すなわち 複雑度パラメータで、デフォルトは高に設定されており、どちらのモデルにとっても「より深く考える」スイッチに最も近いものだ。2.6 で文書化されている追加内容は、サンプリングではなく入力と出力に関するものだ — 後続の編集を通じて保持され、再アップロードが不要になる参照画像、編集を指示するために参照画像上に描くマークアップ、そして前世代にはなかった2つの出力形式である。

• ステップ数 — MiniMax-H3-Image は6に固定されており、それ以外は拒否されます。GPT Image 2.6 には公開されたステップ制御がありません。

• ガイダンス — MiniMax-H3-Image は guidance_scale を 1 に固定します。代わりに G​PT Image 2.6 は complexity（デフォルトは high）を公開します。

• ネガティブプロンプト — MiniMax-H3-Image では 400 で拒否されます。GPT Image 2.6 では文書化されたサーフェスではありません。

• プロンプト予算 — MiniMax-H3-Imageは4,096トークンで打ち切られます。G​PT Image 2.6のプロンプト上限は、そのモデルページでは公開されていません。

16個の参照スロットは、どちらのモデルが提供する中でも最も広範なコントロールです

編集の前にどれだけのコンテキストを入力できるかが、唯一最大の機能上の違いです。MiniMax-H3-Image は 1 回のリクエストで最大 16 枚の参照画像を受け付け、モデルカードでは編集モードが生成とほぼ同じ忠実度で動作するものとして説明されています — vLLM-Omni ポートは、2048² の編集において自身の単一 GPU リファレンスに対して SSIM 0.985、約 35 dB PSNR を報告しており、これは品質スコアではなく自己整合性チェックですが、並列化された経路が出力を密かに劣化させていないことは意味します。

16点の参照画像は、「1枚の画像＋1文」とは次元の異なる制御だ。6アングルの商品写真、スタイルシート、キャラクターシート、ブランドガイドラインを一度に投入できる。その広さの代償は、プロンプトエンジニアリングがコンテキストエンジニアリングになることだ。16枚の画像が関わるとなれば、どの画像がどの属性を規定するのかをテキスト側で示さなければならず、モデルにはそれを尋ねる術がない。

同じ問題に対するG​PT Image 2.6の回答は、幅ではなくメモリです。参照画像はセッション内の後続の編集にわたって保持されるため、複数ターンのレタッチでは毎回元の画像を再アップロードする必要がなく、マークアップで指示する編集パスでは領域を説明する代わりに指定できます。1枚の画像に対する反復作業では、それは16個の静的スロットより優れたインターフェースです。十数個の素材から一度だけ合成する場合には、そうではありません。

何が出てくるのか

出力フォーマットの一覧では、GPT Image 2.6 が、これを含むあらゆるオープンウェイト画像モデルを一歩リードしています。バージョン2.6では、通常のラスタ形式に加えて、アニメーションGIF出力とSVG出力が追加されました。SVGで出力できることの重要性は、言葉の印象以上です。それは、ロゴ案の下書きに使う画像モデルと、そのままフロントエンドに渡せる画像モデルの違いを生みます。MiniMax-H3-Image は PNG を返します — そのサービングパスはビット同一のPNG比較で検証されています — そして、vLLM-Omni パイプラインやモデルカードのどこにも、ベクター出力やアニメーション出力を示唆するものはありません。

解像度では形勢が逆転しており、しかも接戦でもありません。M​iniMax-H3-Imageは最大16メガピクセルをネイティブに生成し、正方形からウルトラワイドまであらゆるアスペクト比に対応、処理経路にアップスケーラーを挟みません。4096×4096も6272×2688もネイティブ出力です。実用範囲は約4〜20メガピクセルで、品質はその上限付近でピークになります。G​PT Image 2.6のモデルページにはフォーマットと参照の扱いについての記載がありますが、最大ピクセル数は公開されていません。そのため、この対決における解像度の論点は、実測の直接対決というより、M​iniMaxが数値を公表しているのに対しO​penAIが公表していないという構図です。

• ネイティブ出力 — MiniMax-H3-Image は任意の縦横比で最大16MP、アップスケーラー不要。GPT Image 2.6 は最大値についての記載なし。

• フォーマット — MiniMax-H3-Image は PNG を返します。GPT Image 2.6 は GIF と SVG を追加します。

• アスペクト比 — MiniMax-H3-Image は任意の幅と高さの組み合わせを受け付けます。G​PT Image 2.6 のセットはモデルページごとには公開されていません。

• 編集入力 — MiniMax-H3-Image は 1 リクエストにつき最大 16 枚の参照画像を使用できます。G​PT Image 2.6 はターンをまたいで参照を保持し、描画されたマークアップを受け入れます。

請求額は、各ベンダー自身の計算例に基づくと

両ベンダーとも画像をトークンとして計量しているため、表示価格は比較可能に見える一方、画像1枚あたりのコストはまったく似ていない。MiniMaxは料金ページで計算例を公開しているので、これは導出ではなく同社自身の数値に基づく算術である：

• MiniMax-H3-Image 1024×1024、テキストから画像を生成 — 1画像あたり$0.02179（出力トークン100万個あたり$3.80に対して）

• MiniMax-H3-Image 2048×2048 — 1画像あたり$0.02333。ピクセル数を2倍にしても、コストは0.5セント増えるだけです。この範囲の上限側では、トークン数が面積ほど急速には増えないためです。

• MiniMax-H3-Image 4096×4096 — 1枚あたり$0.06879、2026年11月17日16:00 UTCまでの期間限定50%オファーにより$0.03439に値下げ。適用には、納品される画像が16,600,000ピクセル以上であることが条件です。

• MiniMax-H3-Image edit、1024×1024の参照画像1枚 — 画像1枚あたり0.02654ドル。入力画像は100万トークンあたり1.50ドル、入力テキストは2.30ドルで課金されます。

• G​PT Image 2.6 — 出力トークンは100万あたり30ドル。O​penAI自身のドキュメントが1024×1024の結果について示唆するトークン数では、1画像あたり約21セントになり、同じ公称サイズに対するM​iniMaxの数字の約10倍です。

速度も異なり、ここで両製品は互換ではなくなる。MiniMaxが11月4日のリリースで公開した数値では、GPT Image 2.6 Flareはテキストから画像へのリクエストが中央値で約30秒、前世代の約55秒から短縮され、編集は約32秒で、約58秒から短縮されている。Sunburstはより低速で高忠実度のティアであり、さらに遅くなった——113秒に対して約135秒。MiniMax-H3-Image自体のレイテンシーは、ホストする場所でしか測定できない。公式レシピによれば、H200を4基使って2048²画像で0.88秒、2048²編集で1.35秒だ。これらは同じ種類の数値ではない——セルフホストのノードレイテンシーと、マネージドエンドポイントのキュー待ちを含む中央値——であり、同じ文に入れてあたかも同種であるかのように扱うのは不誠実だ。この比較から正当に言えるのは、ホスト型の2.6リクエストは数十秒かかり、ローカルのH3-Imageリクエストは4基のGPUをすでに所有しているなら2秒未満で済む、ということだ。

公的な証拠が何を対象とし、何を対象としていないか

Artificial Analysisは両者を同じ2つのボードでスコア化しているため、この対決において、スペックシートから論じるのではなく両者を直接比較できる数少ない箇所の一つとなっている。AA-Image-Editing v2.1では、GPT Image 2.6 Sunburstが約6,400サンプルでElo 1,210、Flareが約6,700サンプルで1,206、MiniMax-H3-Imageが約3,200サンプルで8〜17位のランク帯に1,138で位置している。AA-Image-T2I v2.1では差が広がる。Sunburstは5,282サンプルで1位、Elo 1,261であるのに対し、MiniMax-H3-Imageは23位で1,066。同じ投票プール、同じEloスケールで、編集では約70ポイント、生成では約200ポイントの差がある。

これを素直に読むと、二つのことが同時に語られている。MiniMax-H3-Image は編集ボードで最高位のオープンウェイトモデルだ——1,085 の Fibo 2.0 と 1,084 の Qwen-Image-2.1 を上回っている——つまりその品質の主張はもはや断言ではなく、計測された数値なのである。しかしその数値は G​PT Image 2.6 Sunburst より約 70 Elo 低く、その信頼区間は 10 ランクにまたがるのに対し、Sunburst のトップ3圏はそうではない。両モデルが最も明らかに共有する軸では G​PT Image 2.6 が勝ち、H3-Image がより弱いボードではさらに大きな差で勝っている。16メガピクセルという解像度の論拠と 2 セントという価格は今もそれ自体で成立する。ただ、それは品質の論拠ではないというだけだ。

どちらのリーダーボードも教えてくれないのは、この記事が扱うようなタスク——多数の参照と固定サンプラーを伴う長い編集チェーン——において、GPT Image 2.6 の優位性がどれだけ残るかということだ。Elo は未知のプロンプトに対する人間の嗜好を集約した指標であり、モデルはその集約値で70ポイント先行していても、特定のワークフローでは負けることがある。唯一の見極め方は、自分のプロンプトを両方で実行してみることだ。これは記事の途中で曖昧に逃げるのではなく、この記事の最後に示す推奨事項である。

2つ目の契約なしでそれらを並行して実行する

実用上の厄介な点は、ほとんどのチームにとって、どちらのモデルもたった1回のAPI呼び出しで使えるものではないということだ。MiniMax-H3-Imageの初日から利用できる経路はセルフホストであり、33.1Bのトランスフォーマー、動画モデルからそのまま流用された33.4BのQwen3-VLテキストエンコーダー、0.58BのVAEを合わせた総計67Bの構成で、16メガピクセルの最適点ではフルスピードで4台のデータセンターGPUを必要とする。また、上記のトークン課金のもと、ベンダー自身のAPIや複数のサードパーティプラットフォームからも利用できる。GPT Image 2.6はOpenAI専用だ。

自分のプロンプトでその2つをA/Bするなら、ルーティング層について正直に言えばこうです。OrcaRouterはまだMiniMax-H3-Imageを扱っておらず、G​PT Image 2.6 SunburstやFlareも扱っていません。扱っているのは前世代のG​PT Imageのペア——gpt-image-2.5-sunburstとgpt-image-2.5-flare——に加えてgpt-image-2とgpt-image-1.5で、いずれもプロバイダーの定価で、上乗せマークアップは一切ありません。これで有用な中間テストになります。1つのキーで2.5に対してハーネスを構築し、あなたの評価がSunburstの忠実性とFlareの速度を実際に区別できることを確認し、それから初めて、必要なのが2.6の差分なのか、セルフホストのオープンウェイトモデルなのかを判断してください。ここで知っておく価値があるもう1つの選択肢はモデルフュージョンです——複数のモデルによるパネルが同じ画像プロンプトに答えることで、3つのクライアントを書かなくても、プロンプトごとに多様な出力の広がりが得られます。

逆の場合もすでにカバーされています。ちなみに、minimax/minimax-h3は、MiniMax-H3-ImageのDiTとテキストエンコーダの基になっている動画モデルであり、現在すでにルーティング可能です。画像モデルに注目している理由が、すでにH3動画を運用していることにあるなら、このファミリーはすでに一つの鍵となる問いに対して答えを出しています。

どちらを選ぶべきですか

ピクセル、参照、または単位コストが制約になる場合は MiniMax-H3-Image を選んでください。16メガピクセルのネイティブ出力、16枚の入力画像、そして 1024² の生成で約2セントです。出力の形、または編集ループの滑らかさが制約になる場合は GPT Image 2.6 を選んでください。出力側では SVG と GIF、入力側では永続的な参照と描画マークアップ、そして編集リーダーボードでは70 Elo のリードがあり、その背後にはトップ3の区間があります。

自分のプロンプトに対するスコアが本当に必要だったのなら、自信を持ってどちらも選ばないでください。両モデルには今や公開スコアがあり、どちらのスコアも他人のプロンプトを集計したものです。あなたのケースを決める比較は、自分で実行する比較であり、しかもその比較の両側それぞれに請求が伴います。リーダーボードから得られるのは事前確率です。G​PT Image 2.6 が先行しており、テキストからの画像生成では、自分の比較でも見えるはずだと思えるほど先行しています。それが与えてくれないのは、4メガピクセルで16枚の参照画像を使う製品合成に対する答えです。なぜなら、その比較を公開した人は誰もおらず、Eloボードはそれを測定していないからです。