MiniMax-H3-Image vs GPT Image 2.6: Wat je per aanvraag daadwerkelijk kunt wijzigen

De meeste vergelijkingen van beeldmodellen besteden hun ruimte aan scores. Deze besteedt die aan knoppen, want MiniMax-H3-Image en G​PT Image 2.6 Sunburst strijden niet om dezelfde draaiknop. MiniMax-H3-Image is een open-weight diffusietransformator van 33,1B, uitgebracht op 10 november 2026, die een vaste sampler met zes stappen gebruikt zonder guidance-schaal, tot zestien referentieafbeeldingen accepteert en native tot zestien megapixels genereert. G​PT Image 2.6 Sunburst — en zijn snellere broertje G​PT Image 2.6 Flare, beide uitgebracht op 4 november 2026 — is een gesloten gehost model waarvan de recente winst vooral gaat over wat je erin kunt stoppen en wat je terugkrijgt: hergebruikte referentieafbeeldingen, markup-gestuurde bewerkingen, GIF- en SVG-uitvoer. Als jouw knelpunt het beheersen van een lange bewerkingsketen is, is een van deze duidelijk de juiste keuze. Als jouw knelpunt een resolutie of een rekening is, dan is de andere dat.

Beide verdienen het serieus te worden genomen. Ze falen alleen in verschillende richtingen, en de faalwijzen zijn al louter aan de bedieningsoppervlakken af te lezen.

De sampler is aan de ene kant een draaiknop en aan de andere kant een constante.

MiniMax-H3-Image geeft je vrijwel niets om aan te tunen, en dwingt dat af aan de API-grens. Het checkpoint is CFG-gedistilleerd tot zes functie-evaluaties, wat betekent dat de gebruikelijke twee knoppen van diffusiewerk — stapaantal en guidance-schaal — in de gewichten zijn samengevoegd. Roep het aan met num_inference_steps op iets anders dan zes en het verzoek komt terug als HTTP 400. Zet guidance_scale op iets anders dan één en het wordt op dezelfde manier afgewezen. Stuur een negative_prompt mee en het wordt ronduit geweigerd, omdat er geen tweede forward pass is waarop het kan inwerken.

Dat klinkt beperkend en is grotendeels een vereenvoudiging. Zes stappen is snel, deterministisch gegeven een seed, en onmogelijk verkeerd te configureren — er is geen "ik heb de stappen verhoogd en het werd slechter"-fout. Wat je verliest, is de mogelijkheid om binnen het model kwaliteit tegen latentie in te ruilen, en elke truc met negatieve prompts die je hebt verzameld.

G​PT Image 2.6 behoudt zijn eigen kleine bedieningsoppervlak in plaats van sampler-knoppen: een complexity-parameter die standaard op hoog staat, wat bij beide modellen het dichtst in de buurt komt van een "harder nadenken"-schakelaar. De gedocumenteerde toevoegingen voor 2.6 betreffen invoer en uitvoer, niet sampling — referentieafbeeldingen die bij vervolgbewerkingen behouden blijven, zodat je ze niet opnieuw hoeft te uploaden, markup die op een referentieafbeelding wordt aangebracht om een bewerking aan te sturen, en twee uitvoerformaten die de vorige generatie niet bood.

• Aantal stappen — MiniMax-H3-Image vast op zes, anders wordt het afgewezen; G​PT Image 2.6 heeft geen instelbare stapregeling.

• Guidance — MiniMax-H3-Image zet guidance_scale vast op één; G​PT Image 2.6 biedt in plaats daarvan complexity (standaard hoog).

• Negatieve prompts — geweigerd met een 400-door MiniMax-H3-Image; geen gedocumenteerd oppervlak op G​PT Image 2.6.

• Promptbudget — MiniMax-H3-Image wordt afgekapt bij 4.096 tokens; het promptplafond van G​PT Image 2.6 staat niet op de modelpagina's.

Zestien referentieslots is de meest uitgebreide controle die elk van beide modellen biedt.

Het grootste functionele verschil is hoeveel context je vóór de bewerking kunt plaatsen. MiniMax-H3-Image accepteert tot zestien referentieafbeeldingen in één verzoek, en de modelkaart stelt dat de bewerkingsmodus ongeveer dezelfde getrouwheid haalt als generatie — de vLLM-Omni-port rapporteert 0,985 SSIM en ongeveer 35 dB PSNR ten opzichte van zijn eigen single-GPU-referentie bij een bewerking van 2048², wat een zelfconsistentiecheck is en geen kwaliteitsscore, maar het betekent wel dat het geparalleliseerde pad je uitvoer niet stilletjes verslechtert.

Zestien referenties is een andere orde van controle dan "één afbeelding plus één zin". Productfotografie met zes hoeken, een style sheet, een character sheet en een merkrichtlijn kunnen allemaal in één keer worden ingevoerd. De prijs van die breedte is dat prompt engineering context engineering wordt: bij zestien afbeeldingen moet de tekst zeggen welke afbeelding welk attribuut bepaalt, en het model heeft geen manier om het te vragen.

Het antwoord van G​PT Image 2.6 op hetzelfde probleem is geheugen in plaats van breedte. Referentieafbeeldingen blijven behouden bij vervolgbewerkingen binnen een sessie, zodat een retouche in meerdere beurten niet telkens het origineel opnieuw hoeft te uploaden, en via het op markup gebaseerde bewerkingspad kun je een gebied aanwijzen in plaats van het te beschrijven. Voor iteratief werk aan één afbeelding is dat een betere interface dan zestien statische slots. Voor een eenmalige compositie uit een dozijn assets is dat het niet.

Wat er weer uit komt

De lijst met uitvoerformaten is waar GPT Image 2.6 vooroploopt op elk open-weight beeldmodel, inclusief dit. Versie 2.6 voegde geanimeerde GIF-uitvoer en SVG-uitvoer toe naast de gebruikelijke rasterformaten. Een SVG-resultaat is belangrijker dan het klinkt: het is het verschil tussen een beeldmodel dat je gebruikt om een logoconcept te schetsen en een dat je aan een front-end kunt geven. MiniMax-H3-Image levert PNG — het serveerpad ervan is gevalideerd op bit-identieke PNG-vergelijking — en niets in de vLLM-Omni-pipeline of de modelkaart wijst op vector- of animatie-uitvoer.

Op het vlak van resolutie is het net omgekeerd, en het is niet nipt. MiniMax-H3-Image genereert native tot zestien megapixels, in elke beeldverhouding van vierkant tot ultrabreed, zonder upscaler in het proces — 4096×4096 en 6272×2688 zijn beide native outputs. Het werkbereik ligt ongeveer tussen vier en twintig megapixels, waarbij de kwaliteit het hoogst is tegen de bovenkant van dat bereik. De modelpagina's van GPT Image 2.6 documenteren formaten en referentieverwerking, maar publiceren geen maximaal aantal pixels, dus het resolutieargument in deze vergelijking is dat MiniMax een getal publiceert tegenover OpenAI dat er geen publiceert, in plaats van een gemeten rechtstreekse vergelijking.

• Native output — MiniMax-H3-Image tot 16 MP in elke beeldverhouding, geen upscaler; GPT Image 2.6 vermeldt geen maximum.

• Indelingen — MiniMax-H3-Image retourneert PNG; G​PT Image 2.6 voegt GIF en SVG toe.

• Beeldverhoudingen — MiniMax-H3-Image accepteert elk paar van breedte en hoogte; de set van G​PT Image 2.6 wordt niet per modelpagina gepubliceerd.

• Invoer bewerken — MiniMax-H3-Image accepteert maximaal 16 referentieafbeeldingen per verzoek; GPT Image 2.6 behoudt referenties tussen beurten en accepteert getekende markup.

Het wetsvoorstel, op basis van de eigen uitgewerkte voorbeelden van elke leverancier

Beide leveranciers rekenen afbeeldingen af als tokens, waardoor de stickerprijzen vergelijkbaar lijken en de kosten per afbeelding er totaal niet op lijken. M​iniMax publiceert uitgewerkte voorbeelden op de prijspagina, dus dit is rekenwerk met hun eigen cijfers in plaats van een afleiding:

• MiniMax-H3-Image 1024×1024, tekst-naar-afbeelding — $0,02179 per afbeelding, tegenover $3,80 per miljoen uitvoertokens.

• MiniMax-H3-Image 2048×2048 — $0,02333 per afbeelding. Het verdubbelen van de pixels kost een halve cent, omdat het aantal tokens veel langzamer groeit dan de oppervlakte aan dit eind van het bereik.

• MiniMax-H3-Image 4096×4096 — $0,06879 per afbeelding, verlaagd naar $0,03439 met een tijdelijke korting van 50% die loopt tot 17 november 2026 om 16:00 UTC en vereist dat de geleverde afbeelding ten minste 16.600.000 pixels bevat.

• MiniMax-H3-Image bewerken, één referentie op 1024×1024 — $ 0,02654 per afbeelding, waarbij invoerafbeeldingen worden gefactureerd tegen $ 1,50 per miljoen tokens en invoertekst tegen $ 2,30.

• G​PT Image 2.6 — outputtokens tegen $30 per miljoen. Bij het aantal tokens dat O​penAI's eigen documentatie impliceert voor een 1024×1024-resultaat, komt dat neer op bijna 21 cent per afbeelding, ongeveer tien keer het cijfer van M​iniMax voor dezelfde nominale grootte.

De snelheden verschillen ook, en dit is waar de twee producten ophouden inwisselbaar te zijn. Volgens de cijfers die MiniMax bij de release van 4 november publiceerde, doet GPT Image 2.6 Flare een tekst-naar-afbeeldingsverzoek in een mediaan van ongeveer 30 seconden, tegenover ongeveer 55 voor de vorige generatie, en een bewerking in ongeveer 32 seconden, tegenover ongeveer 58. Sunburst is de tragere variant met hogere getrouwheid en werd nog trager — ongeveer 135 seconden tegen 113. De eigen latentie van MiniMax-H3-Image is alleen meetbaar waar je het host: 0,88 seconden voor een afbeelding van 2048² op vier H200's, 1,35 seconden voor een bewerking van 2048², volgens het officiële recept. Dat zijn niet hetzelfde soort getal — latentie van een zelfgehoste node versus een mediaan van een beheerd endpoint inclusief wachtrij — en ze in één zin zetten alsof dat wel zo is, zou oneerlijk zijn. Wat de vergelijking terecht zegt, is dat een gehost 2.6-verzoek tientallen seconden duurt en een lokaal H3-Image-verzoek minder dan twee seconden, mits je de vier GPU's al bezit.

Wat het openbare bewijs wel en niet omvat

Artificial Analysis beoordeelt beide op dezelfde twee boards, waardoor dit een van de weinige plekken in de vergelijking is waar de twee kanten direct vergelijkbaar zijn in plaats van beargumenteerd op basis van specsheets. Op AA-Image-Editing v2.1 staat G​PT Image 2.6 Sunburst op 1.210 Elo over ongeveer 6.400 samples, Flare op 1.206 over zo'n 6.700, en MiniMax-H3-Image op 1.138 in een rangband van acht tot zeventien over ongeveer 3.200 samples. Op AA-Image-T2I v2.1 wordt de kloof groter: Sunburst op 1.261 op de eerste plaats over 5.282 samples tegenover MiniMax-H3-Image op 1.066, gerangschikt drieëntwintigste. Dezelfde stemmenpool, dezelfde Elo-schaal, ongeveer zeventig punten verschil bij editing en bijna tweehonderd bij generation.

Lees dat eerlijk en het zegt twee dingen tegelijk. MiniMax-H3-Image is het hoogst gerangschikte open-weightmodel op de ranglijst voor beeldbewerking — vóór Fibo 2.0 met 1.085 en Qwen-Image-2.1 met 1.084 — dus de kwaliteitsclaim is geen bewering meer; het is een gemeten getal. Maar het getal ligt ongeveer zeventig Elo onder GPT Image 2.6 Sunburst, en het interval beslaat tien posities, terwijl de top-drie-band van Sunburst dat niet doet. Op de as die de twee modellen het duidelijkst delen, wint GPT Image 2.6, en het wint met een grotere marge op de ranglijst waarop H3-Image zwakker is. Het resolutieargument van 16 megapixel en de prijs van twee cent blijven op zichzelf staan; het zijn alleen geen kwaliteitsargumenten.

Wat geen van beide boards je vertelt, is hoeveel van de voorsprong van G​PT Image 2.6 overblijft wanneer de taak degene is waarover dit artikel gaat — een lange bewerkingsketen met veel referenties en een vaste sampler. Elo is een aggregatie van menselijke voorkeuren op onbekende prompts, en een model kan op dat aggregaat zeventig punten voorstaan terwijl het verliest op een specifieke workflow. De enige manier om erachter te komen is je eigen prompts door beide te laten draaien, wat de aanbeveling is aan het einde van dit stuk in plaats van een slag om de arm in het midden ervan.

Ze naast elkaar laten draaien zonder een tweede contract

De praktische complicatie is dat geen van beide modellen voor de meeste teams binnen één API-aanroep bereikbaar is. Het dag-1-traject van MiniMax-H3-Image is self-hosted — een totale opbouw van 67B bestaande uit een transformer van 33,1B, een Qwen3-VL-tekstencoder van 33,4B die ongewijzigd uit het videomodel is hergebruikt, en een VAE van 0,58B, waarbij de sweet spot van 16 megapixel vier datacenter-GPU's op volle snelheid vereist. Het is ook beschikbaar via de eigen API van de leverancier en verschillende platforms van derden tegen de hierboven genoemde tokenprijzen. G​PT Image 2.6 is uitsluitend bij O​penAI verkrijgbaar.

Als je de twee op je eigen prompts wilt A/B-testen, is dit de eerlijke beschrijving van de routeringslaag: OrcaRouter heeft MiniMax-H3-Image nog niet in het aanbod, en ook G​PT Image 2.6 Sunburst en Flare niet. Wat het wel heeft, is het vorige G​PT Image-paar — gpt-image-2.5-sunburst en gpt-image-2.5-flare — naast gpt-image-2 en gpt-image-1.5, allemaal tegen de lijstprijs van de provider, zonder dat er een opslag bovenop komt. Dat maakt het een nuttige tussenstap om te testen: bouw de harness tegen 2.5 via één sleutel, bevestig dat je evaluatie daadwerkelijk onderscheid maakt tussen Sunbursts getrouwheid en Flares snelheid, en beslis pas daarna of de 2.6-delta of een zelf gehost open-weight-model is wat je nodig hebt. Model fusion is de andere optie die hier het kennen waard is — een panel van modellen die dezelfde afbeeldingsprompt beantwoorden, geeft je per prompt een spreiding aan outputs zonder dat je drie clients hoeft te schrijven.

Het omgekeerde geval is trouwens al gedekt: minimax/minimax-h3, het videomodel waarvan MiniMax-H3-Image de DiT en tekstencoder heeft overgenomen, is vandaag al routeerbaar. Als je naar het imagemodel kijkt omdat je al H3-video draait, antwoordt de familie al op één sleutel.

Welke moet je kiezen?

Kies MiniMax-H3-Image wanneer de beperking pixels, referenties of eenheidsprijs is: een native uitvoer van 16 megapixel, zestien invoerafbeeldingen en ongeveer twee cent voor een 1024²-generatie. Kies G​PT Image 2.6 wanneer de beperking de vorm van de uitvoer of de soepelheid van een bewerkingslus is: SVG en GIF aan de uitvoerkant, persistente referenties en getekende markup aan de invoerkant, en een voorsprong van zeventig Elo op de bewerkingsranglijst met een top-drie-interval erachter.

Kies met vertrouwen geen van beide als wat je eigenlijk nodig had een score voor jouw prompts was. Beide modellen hebben nu openbare scores, en beide scores zijn aggregaten over de prompts van iemand anders; de vergelijking die jouw geval beslist, is degene die je zelf uitvoert, met aan elke kant ervan een rekening. Wat het leaderboard je oplevert, is een prior — G​PT Image 2.6 ligt voor, en bij tekst-naar-afbeelding ligt het zodanig voor dat je mag verwachten het te zien. Wat het je niet kan opleveren, is het antwoord voor een productcompositie met zestien referenties op vier megapixels, omdat niemand die vergelijking heeft gepubliceerd en de Elo-borden die niet meten.