MiniMax-H3-Image vs GPT Image 2.5: beide verwerken 16 referenties, en daar houdt de gelijkenis op

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.

Die toevalligheid is het nuttigste aspect van het naast elkaar zetten van deze twee modellen, want al het andere eraan is asymmetrisch op een manier die makkelijk te benoemen en moeilijk te overdrijven is. GPT Image 2.5 is het op één na beste en het op drie na beste beeldmodel ter wereld op de ranglijst voor tekst-naar-afbeelding van Artificial Analysis, met dertienduizend blinde stemmen achter elke notering. MiniMax-H3-Image heeft helemaal geen notering — de gewichten verschenen op 10 november 2026 om 14:50 UTC op Hugging Face, één dag voordat dit werd geschreven, en geen enkele arena heeft de tijd gehad om het te beoordelen. Dit is dus geen vergelijking van twee kandidaten op gelijke voet. Het is een vergelijking van een gemeten en een ongemeten model, en de nuttige vraag is wat het ongemeten model biedt dat het de moeite waard zou maken om dat uit te zoeken.

Hoe de twee oproepen er eigenlijk uitzien

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.

Op het gebied van grootte is de kloof het grootst, en het is niet eens nipt.

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.

• Maximale uitvoer — GPT Image 2.5: 3840×2160, 8,29 MP. MiniMax-H3-Image: ongeveer 16 MP, tot 20 MP via de API.

• Minimaal nuttige output — GPT Image 2.5: 655.360 pixels, dus een thumbnail van 768 pixels is een ondersteund verzoek. MiniMax-H3-Image: ongeveer 4 MP, zonder niveau voor kleine afbeeldingen.

• 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.

• Kwaliteitscontrole — GPT Image 2.5: zes kwaliteitsinstellingen plus auto. MiniMax-H3-Image: geen; zes stappen, geen begeleiding, afgedwongen.

• Uitvoerformaat — GPT Image 2.5: standaard PNG, JPEG en WebP beschikbaar, compressie 0–100, transparante achtergrond via background: "transparent". MiniMax-H3-Image: een PNG in data[0].b64_json.

Een van deze verschillen bepaalt meer implementaties dan de andere. Als je eindproduct een 4K-plaat is, kan GPT Image 2.5 die niet maken — niet tegen lagere kwaliteit, niet met een gewijzigde instelling. Het stopt bij 8,29 megapixel en de rest is upscaling. Dat is geen kritiek op het model; het is een uitspraak over waarvoor het product bedoeld is. Maar het betekent wel dat de twee modellen ophouden te concurreren op het moment dat je eis boven de 8,3 MP uitkomt, en geen enkele gemeten Elo dicht dat gat.

Beide meten tokens, en slechts één publiceert wat een token koopt.

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.

De bewijsbasis is onevenwichtig, en beide helften daarvan doen ertoe.

Op de tekst-naar-afbeelding-ranglijst van Artificial Analysis staat GPT Image 2.5 Sunburst tweede met Elo 1228 op 13.370 samples, en Flare vierde met 1209 op 12.695. Op de bewerkingsranglijst staan dezelfde twee op de derde en vijfde plaats — 1199 op 18.617 samples voor Sunburst, 1181 op 19.498 voor Flare. Die cijfers zijn puntschattingen met betrouwbaarheidsintervallen in de tientallen Elo, wat wil zeggen dat Sunburst en Flare op tekst-naar-afbeelding niet wezenlijk van elkaar gescheiden zijn en beide wezenlijk boven alles onder de vijfde plaats staan.

Het is ook vermeldenswaard dat GPT Image 2.5 niet langer de top van zijn eigen familie is. De 2.6-varianten — Sunburst en Flare — bezetten nu de eerste en derde plaats op de tekst-naar-afbeelding-ranglijst en de eerste en tweede op het gebied van bewerken, tegen dezelfde $210,72 per duizend afbeeldingen. Een lezer die dus kiest tussen MiniMax-H3-Image en GPT Image 2.5, kiest tussen een ongemeten nieuwkomer en de vorige generatie van een gemeten reeks, terwijl de huidige generatie van die reeks één model-id verderop zit tegen dezelfde prijs. Iedereen die 2.5 vanwege de score kiest, zou moeten kijken waartegen die score eigenlijk wordt afgezet.

MiniMax-H3-Image heeft geen score op een van beide boards en geen evaluatietabel van de leverancier — geen GenEval, geen DPG-Bench, geen cijfers over menselijke voorkeur. De claim op de kaart is kwalitatief: “de sterkste instructieopvolging onder open-sourcemodellen”, zonder bijgevoegde vergelijkingstabel. Het showcase-raster is het enige bestaande bewijs in de vorm van output, en een showcase-raster is een samengesteld artefact. Niets hiervan is verdacht voor een model dat één dag openbaar was toen dit werd geschreven. Het betekent wel dat elk argument ervoor in dit artikel een argument is op basis van prijs, resolutie of architectuur, en geen ervan een argument op basis van gemeten kwaliteit.

Promptbudget, en wat een model in zijn hoofd kan houden

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.

Licentie, retentie en de kosten van geslotenheid

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 is open, en de licentie is restrictiever dan het woord doet vermoeden. De MiniMax-H3-Image Community License Agreement sluit de Europese Unie, het Verenigd Koninkrijk, de Republiek Korea en de Verenigde Staten per definitie uit; vereist een afzonderlijke schriftelijke autorisatie bij een geannualiseerde omzet van meer dan één miljoen Amerikaanse dollar; vereist hetzelfde voor elke gehoste dienst, zonder omzetdrempel; vereist dat de naam van het model prominent op commerciële interfaces wordt weergegeven; en verbiedt het gebruik van outputs om andere modellen te trainen of te verbeteren. De Hugging Face-pagina presenteert dit alles als licentie: overig.

De gebruikelijke framing keert hier om. Het gesloten model heeft de eenvoudigere voorwaarden en de zwakkere lock-in: je kunt vertrekken, je kunt alleen de weights niet meenemen. Het open model heeft de hardere voorwaarden en de sterkere lock-in, omdat een licentie die vier grote markten uitsluit een beperking voor je bedrijf is die geen enkele hoeveelheid downloadbare weights goedmaakt. Als een self-hosted route de reden is dat je naar MiniMax-H3-Image kijkt, lees dan de licentie voordat je de modelkaart leest.

Wanneer de ongemeten optie de juiste keuze is

Er zijn drie gevallen waarin MiniMax-H3-Image de voor de hand liggende keuze is, ondanks dat er geen scorebord is, en geen daarvan is “omdat het goedkoper is.”

De eerste is resolutie. Als je meer dan 8,29 megapixel uit één generatie nodig hebt, valt GPT Image 2.5 af en is de vergelijking voorbij. Zestien megapixel voor $0,06879 tegenover het upscalen van een frame van 8,29 MP is geen moeilijke keuze.

Het tweede is reproduceerbaarheid. Zes stappen, geen guidance, een gepubliceerd schema in pdd_config.json, en gewichten die je kunt downloaden. Als je over een jaar op je eigen hardware dezelfde output uit dezelfde input nodig hebt, kan GPT Image 2.5 dat niet bieden en MiniMax-H3-Image wel, mits de licentie het toelaat.

Het derde is volume bij kleine formaten. Met $0,02179 tegenover ongeveer $0,21 bij 1K ziet een pipeline die honderdduizend thumbnails per maand genereert een verschil dat in tienduizenden dollars wordt gemeten. Dat is genoeg geld om een week lang je eigen blinde vergelijking uit te voeren, wat de enige manier is waarop een van beide getallen tot een beslissing kan leiden.

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.

Wat zou dit een echte vergelijking maken?

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.

Zolang beide niet bestaan, is de beslissing ongewoon helder: koop het gemeten model voor werk dat op gematigde resolutie moet worden opgeleverd, en beschouw MiniMax-H3-Image als kandidaat voor de taken die GPT Image 2.5 structureel niet aankan — zestien megapixels, exacte reproduceerbaarheid, of volume waarbij het prijsverschil van tien tegen één de evaluatie ruimschoots meermaals terugverdient.