MiniMax-H3-Image vs Nano Banana 2.1: 가격은 거의 같지만, 증거는 전혀 비슷하지 않다

이미지 모델 두 개, 둘 다 한 장에 약 3센트 수준이고, MiniMax-H3-Image와 Nano Banana 2.1 사이의 선택은 가격으로 결판나지 않는다. 1024×1024에서 오픈 웨이트 신생 모델은 한 번 생성에 $0.02179, G​oogle의 Nano Banana 2.1은 $0.0336으로 차이는 약 1센트다. 4096×4096에서는 격차가 $0.06879 대 $0.113으로 벌어진다. 즉 싼 쪽이 3분의 1에서 절반가량 genuinely 더 싸다. 다만 지금 어떤 가격을 주더라도 살 수 없는 것은, 싼 쪽의 품질 주장을 믿을 근거다. M​iniMax 외부에서는 아무도 그것을 측정한 적이 없기 때문이다. Nano Banana 2.1은 Artificial Analysis의 두 이미지 리더보드 모두에서 4위에 올라 있고, 각 순위마다 수천 개의 샘플이 뒷받침한다. MiniMax-H3-Image는 어느 보드에도, 어떤 순위에도, 어떤 샘플 수로도 나타나지 않는다. 이 비대칭이 비교의 전부이며, 스펙 시트 산수로는 메울 수 없다.

더 나아가기 전에 날짜를 구체적으로 짚고 넘어갈 필요가 있습니다. 두 모델은 수명 주기상 같은 단계에 있지 않기 때문입니다. Nano Banana 2.1은 2026년 10월 6일부터 gemini-nano-banana-2.1로 일반 제공(GA)되어 왔으며, 대체한 모델은 gemini-3.1-flash-image입니다. G​oogle은 2026년 10월 29일 종료일로 이를 지원 중단(deprecated)했으므로 — 이전 모델을 호출하고 있었다면 이미 옮겨야 했던 것입니다. MiniMax-H3-Image의 가중치는 2026년 11월 10일 14:50 UTC에 Hugging Face에 공개되었으며, 같은 날짜의 M​iniMax API 릴리스 노트에는 간결한 카드가 실렸고 함께 제공되는 블로그 글은 없었습니다. 한 모델은 한 달 동안 프로덕션 트래픽을 처리해 왔고, 다른 모델은 다운로드 가능해진 지 하루에 불과합니다. 그에 맞게 판단하십시오.

각각이 실제로 당신에게 건네는 것

Nano Banana 2.1은 Google의 API를 통해서만 판매되는 Gemini 3.6 Flash 파생 모델입니다. 해상도 등급은 1K, 2K, 4K의 세 가지이며 512픽셀 옵션은 없고, 화면 비율은 일반적인 세트에서 제공됩니다. 입력 콘텍스트는 131,072토큰, 출력은 32,768토큰입니다. 단일 요청에서 최대 14개의 참조 이미지를 받을 수 있으며, Google이 이를 10개의 객체 참조와 4개의 캐릭터 참조로 나눕니다. 또한 Google 검색 또는 이미지 검색 결과를 바탕으로 생성을 근거지을 수 있습니다. 사고 기능은 기본적으로 medium으로 켜져 있고 minimal과 high를 사용할 수 있지만, API를 통해서는 전혀 끌 수 없습니다. 모든 출력에는 SynthID 워터마크가 포함됩니다.

MiniMax-H3-Image는 33.1B 규모의 밀집 확산 트랜스포머로, VAE용 CNN 인코더와 24층 ViT 디코더를 갖추고 있으며 MiniMax 자체 커뮤니티 라이선스로 배포됩니다. 텍스트-이미지 변환과 편집은 모두 하나의 엔드포인트 쌍을 통해 실행되며, 편집은 <Picture 1>부터 <Picture 16>까지 업로드 순서대로 위치가 지정된 1~16개의 참조 이미지를 받으며, 모델은 classifier-free guidance 없이 6개의 샘플링 단계로 증류되었습니다. 제공되는 API는 num_inference_steps=6 및 guidance_scale=1 외의 값을 전달하면 HTTP 400을 반환합니다. API를 통한 출력 영역은 20,000,000픽셀로 제한되며, 영역 티어는 1K, 2K, 4K이고 기본값은 4K입니다. 모델 카드는 모든 종횡비에서 약 16메가픽셀이라고 밝힙니다. 저장소나 라이선스 어디에도 검색 그라운딩, 사고 예산, 워터마킹 체계는 명시되어 있지 않습니다.

기능 목록의 차이는 각 제품이 누구를 위한 것인지와 깔끔하게 대응됩니다. Google은 오케스트레이션을 내놓았습니다: 레퍼런스, 검색, 추론 예산, 출처 표시. MiniMax는 해상도와 제어를 내놓았습니다: 16개의 레퍼런스 슬롯, 2,000만 화소 상한, 자체 하드웨어에서 정확히 재현할 수 있는 고정 6단계 샘플러.

할인 기간이 명시된 가격 사다리

Nano Banana 2.1은 출력 이미지 토큰 100만 개당 $30으로 계량되며, G​oogle 자체 문서에서는 이를 1K 이미지당 $0.0336, 2K당 $0.0504, 4K당 $0.113으로 계산합니다. 입력 이미지는 토큰 100만 개당 $1.50, 텍스트 출력은 100만 개당 $7.50로 청구됩니다. 기다릴 수 있는 작업에는 해당 출력 요율의 절반인 배치 등급이 있으며, Artificial Analysis는 실효 1K 요율을 1,000개 이미지당 $33.60으로 표시합니다 — 이를 대량 기준으로 표현한 같은 숫자입니다.

MiniMax-H3-Image는 원칙적으로는 동일한 방식으로 과금되지만其结果는 매우 다릅니다. 표준 티어: 입력 텍스트 토큰 100만 개당 $2.30, 입력 이미지 토큰 100만 개당 $1.50, 출력 이미지 토큰 100만 개당 $3.80. 벤더 자체 예시로 계산해 보면:

• 1K 텍스트-이미지 — Nano Banana 2.1 $0.0336 대 MiniMax-H3-Image $0.02179.

• 2K 텍스트-투-이미지 — $0.0504 vs $0.02333.

• 4K 텍스트-투-이미지 — $0.113 vs $0.06879, 또는 M​iniMax의 기간 한정 50% 할인 적용 시 $0.03439.

• 참조 1개로 편집 — G​oogle은 이 요금제에서 이미지당 편집 가격을 공개하지 않습니다; M​iniMax는 1K에서 $0.02654, 2K에서 $0.02658, 4K에서 $0.07312를 청구합니다.

• 세 가지 참조로 편집 — M​iniMax에서 1K 기준 $0.03563, 2K 기준 $0.04177, 4K 기준 $0.07914.

그 가격 사다리에서 놓치기 쉬우면서 계산을 바꿔 놓는 세부 사항이 두 가지 있다. 첫째, MiniMax의 할인은 전달되는 이미지가 최소 16,600,000픽셀일 때만 적용되며, 2026년 11월 17일 16:00 UTC에 만료된다 — 가중치가 공개된 지 엿새 뒤다. 할인된 4K 숫자로 파이프라인 가격을 매기면 프로모션 가격을 기준으로 책정하는 셈이다. 둘째, MiniMax의 사다리는 유난히 평평하다. 픽셀은 열여섯 배인데 비용은 세 배 조금 넘는다. 과금 단위가 토큰이고, 토큰 수는 표시 가격이 시사하는 것처럼 면적에 비례해 늘지 않기 때문이다. Google의 사다리는 비례에 더 가깝다. 오픈 웨이트 모델이 겨냥해 만들어진 해상도인 4K에서는 바로 그 평평함에 실질적인 절감이 있다.

라우팅 계층이 여기서 제값을 하는 이유는, 두 미터 중 어느 쪽을 쓰고 있는지 신경 쓰지 않아도 된다는 점입니다. OrcaRouter는 제공업체 정가를 마크업 0%로 그대로 전달합니다. 즉 공급업체 가격 변경 — M​iniMax의 프로모션 같은 경우와 그 만료 시점까지 포함해 — 은 청구 마이그레이션을 기다리지 않고 당일 우리 쪽에 반영됩니다. 이 비교에 등장하는 어느 모델도 우리 카탈로그에는 없습니다: MiniMax-H3-Image는 출시된 지 일주일이고 호스팅 경로가 없으며, Nano Banana 2.1은 G​oogle 자체 API를 통해 접근합니다. 그 계보에서 우리가 실제로 보유한 것은 이전 세대, google/gemini-3.1-flash-image-preview이며, 여기에 O​penAI의 이미지 경로와 M​iniMax의 H3용 비디오 경로가 함께 있습니다. 이 점을 분명히 밝히는 이유는, 측정되지 않은 오픈 웨이트 체크포인트를 점수가 매겨진 클로즈드 모델과 비교하는 글이라면 새 체크포인트가 키 한 번이면 접근 가능한 것처럼 가장해서는 안 되기 때문입니다.

이 중 한쪽에만 점수판이 있습니다.

Artificial Analysis는 Nano Banana 2.1을 텍스트-투-이미지 보드에서 6,055개 이상의 샘플을 기준으로 Elo 1160, 4위로 평가했으며, 이미지 편집 보드에서도 5,968개 이상의 샘플을 기준으로 Elo 1137, 4위로 평가했습니다. 두 순위 모두 읽는 구간에 따라 4위에서 6위의 순위 범위를 가집니다. 이는 독립적이고 샘플링된 결과이며, 이미 사용 중인 모델을 포함해 보드의 다른 모든 모델과 비교 가능합니다.

MiniMax-H3-Image는 두 리더보드 어디에도 등재되어 있지 않다. 낮은 점수로도 없는 게 아니라, 아예 없다. 벤더의 모델 카드는 이 모델을 “선도적인 오픈 웨이트 이미지 모델”이라고 부르며, 저장소의 쇼케이스 그리드가 존재하는 유일한 출력 품질 증거인데, 그것은 바로 좋아 보이도록 설계된 종류의 증거다. 벤더 평가 표도 없다 — GenEval도, DPG-Bench도, 인간 선호도 수치도 없고, 경쟁사가 공개한 평가와 비교할 것도 없다. 한 달 뒤에는 상황이 달라져 있을 수 있다. 오늘 기준으로 솔직한 요약은 더 저렴한 모델은 더 저렴하고 측정된 모델은 측정되었다는 것이며, 두 사실은 서로 다른 것을 말하므로 충돌하지 않는다.

이미지당 가격이 완전히 숨기는 2차 비용이 있으며, 그것은 이 글에서 가장 큰 숫자입니다: BF16 및 FP32의 디퓨전 트랜스포머와 VAE 68.65GB, 그리고 텍스트 인코더는 저장소에 전혀 없습니다. MiniMax-H3-Image는 text_encoder/ 디렉터리를 MiniMax-H3 비디오 모델에서 불러옵니다. 이 모델은 Qwen3-VL 66.7GB이므로, 첫 로컬 생성은 두 저장소에 걸쳐 약 135GB를 다운로드하는 것입니다. GPU도 추가하세요: vLLM-Omni에 대한 MiniMax 자체 서빙 지침은 H200, RTX PRO 6000 Blackwell 및 AMD Instinct MI350X를 명시하며, 멀티 GPU 시퀀스 병렬 처리 — --ulysses-degree (SGLang)와 --usp (vLLM-Omni) — 이것이 전체 해상도에서 허용 가능한 지연 시간을 얻는 문서화된 방식입니다. 1K 이미지 한 장에 $0.02179라면, API는 아주 오랜 기간 전기료보다 저렴합니다. 공개 가중치는 제어와 라이선스 조건에는 가치가 있지만, 소규모에서의 단위 경제성에는 그렇지 않습니다.

품질보다 배포 여부를 더 많이 좌우하는 한계

해상도 상한은 가장 뚜렷한 차이인 데다 격차도 크다. Nano Banana 2.1은 4K에서 멈춘다. MiniMax-H3-Image는 API를 통해 20메가픽셀까지, 카드의 예시에서는 대략 16메가픽셀까지 간다. 1:1에서 4096×4096, 21:9에서 6272×2688, 4K 16:9에서 5472×3072다. 결과물이 인쇄 크기의 판이거나 심하게 크롭될 배경이라면, 폐쇄형 모델은 품질 논의가 시작되기도 전에 경쟁에서 제외되며, 이 글에 나온 두 모델은 아예 경쟁하지 않게 된다.

참조 처리 방식은 정반대입니다. G​oogle의 14개 참조는 유형이 지정되어 있으며 — 객체 10개, 캐릭터 4개 — 이 유형 지정이 실제로 역할을 합니다: 각 이미지가 어떤 역할을 하는지 모델에 알려주는 것이죠. M​iniMax의 16개는 위치로 지정되는 유형 없는 슬롯으로, 더 많은 여유와 더 적은 구조를 의미합니다. 워크플로가 “이 사람에게 이 재킷을 입혀 이 배경 앞에 배치하라”라면 G​oogle의 유형 지정이 바로 기능입니다. “여기 16개의 프레임이 있으니, 그 모두에서 동일한 정체성을 유지하라”라면 M​iniMax의 상한이 바로 기능입니다. 어느 쪽도 상위 집합은 아닙니다.

프롬프트 예산이 세 번째입니다. Nano Banana 2.1은 131,072토큰의 입력 컨텍스트를 활용할 수 있습니다. MiniMax-H3-Image는 제공되는 API에서 최대 32,000자를 받아들이지만, 프롬프트 향상 기능을 끄면 대략 처음 4,096토큰만 유효하며, 로컬 SGLang 경로는 4,096토큰에서 아예 잘라냅니다. 지시 수행을 내세우는 모델치고는 빠듯한 예산이며, 그래서 MiniMax가 동반 모델을 내놓았습니다. 바로 Qwen3.8-27B를 기반으로 한 27B FP4 파인튜닝 모델 MiniMax-H3-Image-PE로, 짧은 요청을 긴 캡션과 화면 비율 권장 사항으로 다시 쓰고 이를 스키마에 맞춰 JSON으로 출력합니다. 약 19GiB의 VRAM에 들어갑니다. 편집 측 절반은 프롬프트 전용이며 아직 개발 중이라고 설명되어, 현재 이 확장기는 텍스트-투-이미지에 도움이 될 뿐 그 외에는 거의 도움이 되지 않습니다.

그리고 그 라이선스는 Google 쪽에는 대응하는 것이 없습니다. 라이선스할 대상이 없기 때문입니다. MiniMax의 커뮤니티 계약은 연환산 매출이 100만 미국 달러를 초과하거나 호스팅 서비스를 제공하는 경우 별도의 사전 서면 승인을 요구하고, 해당 모델을 사용하는 모든 상업적 인터페이스에 “MiniMax-H3-Image”라는 문구를 눈에 띄게 표시하도록 요구하며, 사용을 정해진 지역으로 제한하고, 출력물을 다른 모델의 훈련이나 개선에 사용하는 것을 금지합니다. Google의 약관은 표준 API 계약입니다. 여기서 “오픈 웨이트”는 무시해도 되는 라이선스가 아니라 읽어야 하는 라이선스를 뜻합니다.

실제 한 달 동안 두 청구서가 어떻게 보이는지

한 달에 2K로 이미지 20,000장을 생성한다고 해 보세요. Nano Banana 2.1은 정가로 $1,008이고, 작업을 대기열에 넣을 수 있다면 배치 티어에서 $504입니다. MiniMax-H3-Image는 MiniMax의 API를 통해 정가로 $466.60입니다. 또는 자체 호스팅한다면 해당 GPU 두 대에서 네 대까지를 필요한 시간 동안 운용하는 비용인데, 대부분의 팀에는 이쪽이 더 많습니다. 대신 한 달에 4K로 이미지 2,000장을 생성하고 할인 기간이 끝났다고 해 보세요. Google은 $226, MiniMax는 $137.58입니다. 절감액은 실재하며, 한 달에 다섯 자릿수가 아니라 세 자릿수입니다. 그것이 이 보상의 올바른 크기이며, 측정되지 않은 모델이 어디서 무너지는지를 가장 먼저 알아내는 비용과 견주어 저울질해야 합니다.

그 비대칭성은 승자를 고르는 것이 아니라 특정 패턴을 택하라는 근거가 됩니다. 프로덕션 경로는 성적표가 있는 모델로 라우팅하고, 트래픽의 일부는 저렴한 모델로 보내 자체 증거를 쌓으세요 — 고정 프롬프트 세트, 직접 검토, 2주간의 비교입니다. 페일오버가 실제로 필요한 상황은 바로 이것입니다: 낯선 모델을 대체재가 아니라 후보 경로로 취급하고, 작업 결과가 잘못 나왔을 때 그 뒤에 검증된 모델을 두는 것입니다. 16메가픽셀에서의 6단계 무가이드 샘플링은 이미지 기준으로도 긴 요청이며, M​iniMax 쪽에서는 멱등하지 않습니다 — 클라이언트 타임아웃도 과금되고, O​penAI SDK들은 다음을 설정하지 않는 한 기본적으로 두 번 재시도합니다: max_retries=0타임아웃 시 과금되는 긴 요청은 바로 그런 요청에 두 번째 경로를 두고 싶은 요청입니다.

약 한 달 안에 이것을 해결하는 질문

어느 모델도 잘못된 선택은 아닙니다. 선택은 직접 측정하는 쪽이 될 여유가 있는지에 달려 있습니다. 산출물이 결정보다 점수판을 먼저 필요로 한다면, Nano Banana 2.1은 이 비교에서 점수판을 가진 유일한 쪽이며, 4K에서는 MiniMax의 $0.06879에 맞서 $0.113이 듭니다. 그 차이는 내부적으로 한 번 이상 논쟁하며 그 차액보다 더 많은 비용을 쓰게 될 차이입니다. 산출물이 16메가픽셀을 필요로 한다면, 타입이 지정된 참조는 중요하지 않고 해상도가 중요하며, MiniMax-H3-Image가 그것을 제공하는 유일한 쪽입니다.

이 문제를 매듭지을 것은 아직 일어나지 않은 일, 즉 독립적인 순위 등재다. MiniMax-H3-Image는 공개된 지 하루밖에 되지 않았고, 가중치가 나온 뒤 몇 시간이 지난 시점에도 저장소 토론 스레드에서는 라이선스 조건에 대한 질문이 오가고 있었으며, 자체 프롬프트 확장기는 절반만 완성된 상태다. 그것이 표본 수와 함께 Artificial Analysis에 등장하면, 가격 격차는 더 이상 대리 논쟁거리가 아니라 실제 선택의 문제가 된다. 그때까지는 출시해야 하는 작업에는 측정된 모델을 사고, 저렴한 쪽은 평가 중인 후보로 취급하라 — 이미 결정한 대체재로 취급하지 말고.