MiniMax-H3-Image vs MiniMax-H3: 하나는 비디오 모델이고, 다른 하나는 그 모델의 정지 프레임 컷입니다

MiniMax-H3-Image에서 가장 솔직한 부분은 파일 목록이다. 66GB의 확산 트랜스포머, 2.34GB의 VAE, 단계별 샘플링 헤드 12MB — 그리고 저장소 어디에도 텍스트 인코더는 없다. 인코더가 빠진 것은 아니다. 빌려온 것이다: model_index.json은 MiniMax가 2026년 7월 31일 오픈소스로 공개한 33B 옴니모달 비디오 모델인 MiniMax-H3로 들어가 text_encoder/를 거기서 로드한다. 66.7GB의 Qwen3-VL이며 변경되지 않았다. MiniMax-H3가 이미 디스크에 있다면, 이미지 모델은 프롬프트를 인코딩하는 데 추가 비용이 들지 않는다. 없다면 첫 정지 프레임에 135GB의 다운로드가 든다. 그리고 이 비교의 두 번째 모델은 첫 번째 모델을 위해 실제로 일하고 있는 셈이다.

그 구성 한 줄이 두 모델 사이의 관계이며, 두 모델 간의 실질적인 차이 대부분을 설명합니다. MiniMax-H3-Image는 오디오 브랜치를 제거하고, 출력 헤드를 잠재 비디오에서 잠재 이미지로 재타깃팅하고, 전체를 6개의 샘플링 단계로 증류한 MiniMax-H3입니다. 텍스트 쪽은 아무것도 바뀌지 않았습니다. DiT는 심지어 동일한 인코더에서 동일한 50번째 레이어 은닉 상태를 읽는데, 이것이 토크나이저와 프로세서 폴더가 바이트 단위로 동일한 이유이며 이미지 모델이 해당 경로에 새로운 학습을 한 줄도 추가하지 않고 H3의 영어 프롬프트 처리를 상속하는 이유입니다.

지금 이 이야기를 쓸 가치가 있는 이유는 그 내용보다 공개 방식에 있다. M​iniMax는 이 이미지 모델에 관한 블로그 글을 올리지 않았다. 회사의 블로그와 뉴스 인덱스에는 이미지 모델에 관한 내용이 전혀 없다. 그곳의 최신 항목은 10월 19일의 M3.1 Flash 글이다. 그리고 모델 페이지들은 여전히 H3를 비디오 시스템으로 앞세우고 있다. 우리가 찾을 수 있었던 벤더 측의 유일한 확인은 API 문서의 모델 릴리스 목록에 있는 2026년 11월 10일자 카드로, “선도적인 오픈 웨이트 이미지 모델. 아이디어에서 새로운 세계로”라고 적혀 있다. 사양도, 벤치마크도, 자체적인 날짜도 없는 문장이다. Hugging Face 저장소는 11월 3일에 생성되었고, 가중치는 11월 10일 14:50 UTC에 공개되었다. 두 번의 README 수정과 vLLM-Omni 배포 가이드가 한 시간 안에 뒤따랐다. 이것은 조용한 출시다. 산출물은 실제이며 다운로드 가능하지만, 발표는 없다. 아래의 모든 내용은 저장소, 라이선스 파일, 그리고 M​iniMax 자체 문서에서 읽어낸 것이며, 어떤 수치가 벤더의 자체 주장이면서 재현되지 않은 경우에는 그렇다고 밝힌다.

두 모델을, 각각이 실제로 판매되는 조건 그대로

MiniMax-H3는 범용 옴니모달 생성기입니다. 텍스트, 이미지, 비디오, 오디오를 하나의 패킹된 컨텍스트로 받아들여 24fps의 4~15초 비디오를 네이티브 32kHz 스테레오 오디오와 함께, 기본 768p로 출력하며, 별도의 재생성 패스인 H3-Regenerate-2K가 결과물과 원본 컨텍스트를 모델에 다시 통과시켜 2K에 도달합니다. 두 가지 입력 변형이 중요합니다. H3-Base-FL2VA는 0개, 1개 또는 2개의 이미지를 첫/마지막 프레임으로 받고, H3-Base-Ref2VA는 최대 9개의 이미지, 3개의 비디오 클립, 3개의 오디오 클립을 받으며 전체 파일 수는 12개로 제한됩니다. H3-Context-IR이라는 호스팅 전처리기가 혼합 입력을 파싱해 구조화된 형태로 재작성하는데, MiniMax는 이것이 여러 호스팅 모델에 의존하기 때문에 오픈 릴리스에 포함되지 않는다고 분명히 밝힙니다.

MiniMax-H3-Image는 텍스트와 최대 16개의 참조 이미지를 입력받아 이미지 하나를 출력합니다. 확산 트랜스포머는 331억 개 파라미터로, 덴스 단일 스트림 설계에 50개 레이어, 히든 크기 5,376, 어텐션 헤드 56개, FFN 폭 14,336, 3D 멀티모달 RoPE를 갖추고 있으며, 가중치는 BF16이고 임베딩과 타임스텝 및 출력 레이어는 FP32입니다. 이미지 VAE는 24개 레이어 ViT 디코더를 갖춘 CNN 인코더로, 16× 공간 다운샘플링과 24개 잠재 채널을 사용합니다. DiT는 이 잠재 표현을 2×2로 패치화하므로, 트랜스포머 토큰 하나가 32×32픽셀 블록을 담당합니다. API를 통한 출력 면적은 최대 2,000만 화소에 달하며, 이 제품 카드의 대표 문구는 업스케일러 없이 모든 종횡비에서 약 1,600만 화소, 즉 1:1의 4096×4096부터 21:9의 6272×2688까지입니다.

그 두 문단을 나란히 읽어 보면 갈림길이 분명하다. 비디오 모델은 용량을 시간과 두 번째 모달리티에 쓴다. 이미지 모델은 공간에 쓴다. 같은 트렁크, 다른 목표.

6단계에 classifier-free guidance가 없다는 점이 실제 엔지니어링이다

MiniMax-H3-Image에서 단순한 차감이 아닌 부분은 증류(distillation)이며, 이는 권장 사항이 아니라 강제됩니다. 이 체크포인트는 분류기 없는 가이던스(classifier-free guidance)를 전혀 사용하지 않고 6개의 샘플링 단계, 즉 6회의 NFE를 실행합니다. 제공되는 API는 이러한 값을 기본값으로 취급하지 않습니다: num_inference_steps 값은 생략하거나 6이어야 하며, guidance_scale 값은 생략하거나 1이어야 하고, 다른 값은 HTTP 400을 반환합니다. 네거티브 프롬프트는 즉시 거부됩니다. 별도의 파일인 pdd_fused_heads.safetensors에는 트랜스포머의 출력 레이어를 대체하는 단계별 출력 헤드가 포함되어 있으며, 스케줄은 pdd_config.json에 있습니다. 이는 전체 68.65 GB 중 12 MB에 불과하지만 불균형하게 많은 작업을 수행합니다.

이것이 상호작용형 인터페이스 뒤에 배치할 수 있는 모델과 그럴 수 없는 모델의 차이다. 16메가픽셀에서 가이던스가 적용된 30단계 확산 모델은 배치 작업이다. 같은 해상도에서 가이던스 없는 6단계는 단일 요청이다. MiniMax가 내세운 표현 — “실용적인 계산 비용으로 16메가픽셀 이미지” — 은 픽셀당 FLOPs에 관한 주장이며, 6단계 스케줄은 그 주장을 실제로 실현하는 방식이다. 쇼케이스 이미지가 시사하는 품질 수준에서 그 주장이 성립하는지는 어떤 제3자도 답하지 않은 질문이다. 2026년 11월 10일 현재 두 이미지 보드 어디에도 MiniMax-H3-Image에 대한 Artificial Analysis 항목이 없고, 카드에는 공급업체 평가표도 없다.

로컬 서빙의 경우, 이렇게 신생 모델치고는 프레임워크 지원이 이례적으로 완비되어 있습니다. SGLang은 문서화된 쿡북을 갖춘 기준 경로입니다. vLLM-Omni는 하드웨어별 구성과 측정된 지연 시간을 담은 레시피를 공개하며, NVIDIA H200, RTX PRO 6000 Blackwell, AMD Instinct MI350X를 명시합니다. diffusers와 ComfyUI 모두 지원을 제공합니다. 시퀀스 병렬화는 플래그 하나입니다 — --ulysses-degree SGLang에서는--usp vLLM-Omni에서는 — 단일 GPU로도 시작하기에 충분합니다. 텍스트 인코더가 실제 메모리 비용이며, 그것은 비디오 모델의 텍스트 인코더입니다. 이는 이 전체 비교의 핵심입니다.

계량기 두 개, 그리고 둘 다 눈대중으로 확인할 수 있는 토큰 카운터가 아니다.

MiniMax는 이 두 모델에 서로 호환되지 않는 단위로 과금하는데, 이는 ‘어느 쪽이 더 저렴한가’라는 모든 질문에 숨은 함정입니다. H3는 해상도별로 생성된 출력의 초 단위로 청구됩니다. 768P에서는 초당 $0.08, 2K에서는 초당 $0.13이며, 입력 자료는 별도로 과금됩니다. 기본 모델 기준 첫 5개의 참조 이미지는 무료이고 이후에는 장당 $0.04이며, 오디오 입력은 무료, 참조 비디오는 출력 해상도에서 자체 길이로 과금됩니다. 10초 2K 클립은 참조 자료가 전혀 없어도 출력만 $1.30입니다.

MiniMax-H3-Image는 이미지 출력 요율에 따라 토큰 단위로 과금됩니다. 표준 등급의 공개 요금표에는 입력 텍스트 토큰 100만 개당 $2.30, 입력 이미지 토큰 100만 개당 $1.50, 출력 이미지 토큰 100만 개당 $3.80으로 나와 있으며, 공급업체가 직접 제시한 계산 예시에서는 이를 다음과 같이 정리합니다:

• 1K(1024×1024) 텍스트 투 이미지 — 이미지당 $0.02179.

• 2K(2048×2048) 텍스트-투-이미지 — 이미지당 $0.02333.

• 4K(4096×4096) 텍스트-이미지 — 이미지당 $0.06879, 한정 기간 50% 할인 적용 시 $0.03439로 표시됩니다.

• 참조 1개를 사용한 1K 편집 — $0.02654; 2K — $0.02658; 4K — $0.07312, 할인가 $0.03656.

• 참조 3개를 사용한 1K 편집 — $0.03563; 2K — $0.04177; 4K — $0.07914, 할인 적용 시 $0.03957.

그 사다리의 모양이 흥미로운 부분이다. 픽셀이 16배가 되면 비용은 3배 조금 넘게 드는데, 과금 기준이 토큰이고 토큰 수가 직관에서처럼 면적에 선형으로 비례하지 않기 때문이다. 고속 변형인 MiniMax-H3-Image-Highspeed는 동일한 파라미터와 제한을 사용하며 출력 이미지 토큰 100만 개당 $7.60을 청구한다 — 1K에서 $0.03529, 4K에서 $0.13001이며, 이는 동일한 할인이 적용되기 전 가격이다. 할인은 제공된 이미지가 최소 16,600,000픽셀일 때 적용되며 2026년 11월 17일 16:00 UTC까지 시행되는데, 이는 전체 릴리스에서 날짜가 명시된 유일한 상업적 사실이다.

두 기준을 나란히 놓으면 갈림길에 가격이 붙는다. 768P 영상 1초는 $0.08이고, 가장 저렴한 M​iniMax 정지 이미지는 약 $0.022다. H3가 만들 수 있는 가장 짧은 4초 클립은 1K 이미지 약 15장에 해당하는 비용이 든다. 이것은 어느 모델을 택하라는 논거가 아니다. 무엇을 제작하는지 말하기 전에는 “어느 쪽이 더 저렴한가”에 답할 수 없는 이유다.

실제 배포에서 포크가 문제가 되는 지점

세 가지 비대칭성이 벤치마크 질문보다 더 중요합니다.

첫 번째는 입력 처리입니다. H3-Image는 한 번의 편집에서 최대 16개의 참조 이미지를 받아들이며, 업로드 순서대로 <Picture 1>, <Picture 2> 등으로 위치를 지정해 참조합니다. 총 요청 본문은 64MiB로 제한되며, Base64는 파일 크기를 약 3분의 1만큼 부풀리므로, 16개 이미지 요청은 인라인 데이터 대신 URL이나 사전 업로드된 파일 참조를 사용해야 합니다. H3의 참조 모드는 성격이 다릅니다 — 9개의 이미지, 3개의 비디오, 3개의 오디오 클립, 12개의 파일이 모두 시간적 구조를 가진 하나의 시퀀스에 담깁니다. 어느 모델의 참조 처리도 다른 모델의 상위 집합이 아닙니다.

두 번째는 프롬프트 길이입니다. H3-Image의 제공 API는 최대 32,000자까지 받지만, 프롬프트 향상을 비활성화하면 대략 처음 4,096토큰만 적용됩니다. 로컬 SGLang 경로는 4,096토큰에서 예외 없이 잘립니다. 세세한 지시 수행을 내세우는 모델치고는 넉넉하지 않은 한도이며, 함께 제공되는 프롬프트 확장기가 존재하는 이유이기도 합니다. 바로 MiniMax-H3-Image-PE로, Qwen3.8-27B를 FP4로 파인튜닝한 27B 모델이며 짧은 요청을 긴 설명과 화면비 추천으로 재작성해 주고, 11월 8일 공개되어 동일한 커뮤니티 라이선스가 적용됩니다. 편집 쪽 절반은 프롬프트로만 제공되었으며, 편집 측 확장을 위한 가중치는 아직 개발 중이라고 설명되고 있습니다.

세 번째는 라이선스인데, 이름만 같을 뿐 두 모델에 적용되는 라이선스는 동일하지 않습니다. MiniMax-H3-Image 커뮤니티 라이선스 계약은 귀하 또는 귀하의 계열사의 연간 환산 매출이 100만 미국 달러를 초과하거나 귀하가 제3자에게 호스팅 서비스를 제공하는 경우, MiniMax로부터 별도의 사전 서면 승인을 받도록 요구합니다. 또한 이를 사용하는 모든 상용 제품의 인터페이스에 “MiniMax-H3-Image”를 눈에 띄게 표시하도록 요구합니다. 정의된 적용 지역으로 사용을 제한하고, 출력물을 다른 AI 모델 개선에 사용하는 것을 금지하며, 출력물 자체에 대해서는 어떠한 권리도 주장하지 않습니다. H3 비디오 라이선스는 자체 조건을 가진 별도의 계약입니다. 두 모델 모두를 기반으로 제품을 만든다면, 귀하는 하나가 아닌 두 개의 라이선스를 보유한 것입니다.

어느 모델도 하지 않는 것

MiniMax-H3-Image는 동영상을 만들 수 없습니다. 시간 축도, 오디오 분기도, 길이 파라미터도 없습니다. 오디오 VAE는 아키텍처에서 아예 빠져 있고, 출력은 요청당 하나의 잠재 이미지이며 API를 통해서는 호출당 최대 열 개입니다. MiniMax-H3는 1600만 화소 정지 이미지를 만들 수 없습니다. 기본적으로 768p를 생성하고 재생성 패스를 통해 2K에 도달합니다. 4096×4096 단일 프레임을 요청하는 것은 지원되는 요청이 아닙니다. 파이프라인에서 같은 시각적 세계에서 나온 히어로 스틸과 동기화된 대사가 있는 5초 루프가 필요하다면, 두 모델을 호출하는 것이며 M​iniMax 플랫폼에서는 서로 다른 두 개의 과금 기준에 비용을 지불하는 것입니다.

두 모델 모두 놓치기 쉬운 한 가지를 공유합니다. 바로 부정 프롬프트가 없다는 점입니다. H3-Image는 해당 필드를 거부합니다. H3의 프롬프트 가이던스는 배제가 아니라 긍정적 서술과 Context-IR을 통해 방향을 잡습니다. Stable Diffusion 워크플로를 두 모델 중 어느 쪽으로 이식하든, 첫날부터 그 레버를 잃게 됩니다.

어느 쪽에 전화해야 하나요?

정직한 분업은 품질이 아니라 결과물을 기준으로 이루어집니다. 결과물이 스틸 이미지라면 — 제품 렌더, 키프레임, 판독 가능한 텍스트가 들어간 16메가픽셀 플레이트 — MiniMax-H3-Image가 그 모델이며, 6단계 일정 덕분에 반복 작업을 감당할 수 있습니다. 결과물이 움직인다면 H3가 그 모델이고, 오디오 브랜치가 스틸 이미지를 이어 붙여 시퀀스로 만드는 것보다 이를 선호할 이유입니다.

여기서 라우팅 레이어가 바꾸는 범위는听起来보다 좁고, 분명히 짚고 넘어갈 가치가 있습니다. OrcaRouter는 MiniMax-H3-Image를 제공하지 않습니다. 이 모델은 11월 10일에 공개 가중치가 풀렸지만 저희 카탈로그에는 라우트가 없으므로, 오늘 바로 쓰고 싶다면 MiniMax 자체 API에서 받거나 68.65 GB 체크아웃을 직접 실행해야 합니다. 저희가 실제로 보유한 것은 minimax/minimax-h3, 정가로 초당 과금되며 마크업이 없는 비디오 모델입니다. 그리고 두 모델 파이프라인에 유용한 특성은 H3를 호출하는 바로 그 키로 플랫폼의 다른 200여 개 모델에도 접근할 수 있다는 점.

지켜볼 것은 H3-Image가 좋은지 여부가 아니다. M​iniMax가 그것에 대해 뭐라고 말하는지 여부다. 가중치, 라이선스, 가격표, 네 가지 프레임워크 통합을 갖춰 출시되었지만 블로그 글도 벤치마크도 없는 모델은, 그 주장이 여전히 전적으로 공급업체의 것인 모델이다. 이미지 보드에 처음으로 독립적으로 이름을 올리는 것, 또는 같은 해상도에서 폐쇄형 모델과의 첫 맞대결은 쇼케이스 그리드보다 더 많은 것을 알려줄 것이다. 그때까지는 저장소가 기록이며, 저장소는 이렇게 말한다: 이것은 소리를 끈 H3다.