MiniMax-H3-Image vs MiniMax-H3: de ene is een videomodel, de andere is de stilstaande-frameversie ervan

Het meest eerlijke aan MiniMax-H3-Image is het bestandsoverzicht. Zesenzestig gigabyte aan diffusietransformer, 2,34 GB aan VAE, twaalf megabyte aan sampling-heads per stap — en nergens in de repository een tekstencoder. De encoder ontbreekt niet. Die is geleend: model_index.json grijpt in MiniMax-H3, het 33B omnimodale videomodel dat MiniMax op 31 juli 2026 open source heeft gemaakt, en laadt text_encoder/ daaruit, 66,7 GB Qwen3-VL, ongewijzigd. Als MiniMax-H3 al op je schijf staat, kost het afbeeldingsmodel niets extra om een prompt te encoderen. Als dat niet zo is, kost je eerste stilstaande beeld 135 GB aan downloads, en doet het tweede model in deze vergelijking echt werk voor het eerste.

Die ene regel configuratie is de relatie tussen de twee modellen, en verklaart de meeste praktische verschillen ertussen. MiniMax-H3-Image is MiniMax-H3 met de audiobranch verwijderd, de output-head opnieuw gericht van een latente video naar een latente afbeelding, en het geheel gedistilleerd tot zes samplingstappen. Aan de tekstkant is niets veranderd. De DiT leest zelfs dezelfde hidden states van de 50e laag van dezelfde encoder, waardoor de tokenizer- en processorfolders byte-identiek zijn en het beeldmodel H3's Engelse promptafhandeling erft zonder één regel nieuwe training op dat pad.

Wat dit nu de moeite van het opschrijven waard maakt, is de manier waarop de release plaatsvond, niet de inhoud ervan. M​iniMax heeft geen blogpost over het beeldmodel gepubliceerd. De blog en nieuwsindex van het bedrijf bevatten niets over het beeldmodel — het nieuwste item daar is de M3.1 Flash-post van 19 oktober — en op de modelpagina's staat H3 nog steeds bovenaan als videosysteem. De enige erkenning van de kant van de leverancier die we konden vinden, is een kaart met datum 10 november 2026 in de lijst met modelreleases van de API-documentatie, met de tekst “Een toonaangevend open-weight beeldmodel. Van ideeën naar nieuwe werelden” — een zin zonder specificatie, zonder benchmark en zonder eigen datum. De Hugging Face-repository is op 3 november aangemaakt, en de gewichten zijn op 10 november om 14:50 UTC verschenen. Twee README-revisies en een vLLM-Omni-deploymenthandleiding volgden binnen een uur. Dat is een stille release: de artefacten zijn echt en downloadbaar, de aankondiging niet. Alles hieronder is afgelezen uit de repository, het licentiebestand en M​iniMax' eigen documentatie, en waar een getal een niet-gereproduceerde claim van de leverancier zelf is, zeggen we dat.

De twee modellen, op de voorwaarden waarop elk daadwerkelijk wordt verkocht

MiniMax-H3 is een omnimodale generator voor algemeen gebruik. Hij neemt tekst, afbeeldingen, video en audio op als één verpakte context en produceert 4 tot 15 seconden video met 24 frames per seconde, met native 32 kHz stereo-audio, native in 768p, met een afzonderlijke regeneratieronde — H3-Regenerate-2K — die het resultaat en de oorspronkelijke context weer door het model voert om 2K te bereiken. Twee invoervarianten zijn van belang: H3-Base-FL2VA neemt nul, één of twee afbeeldingen als eerste/laatste frames, en H3-Base-Ref2VA neemt maximaal 9 afbeeldingen, 3 videoclips en 3 audioclips, in totaal beperkt tot 12 bestanden. Een gehoste voorprocessor genaamd H3-Context-IR parseert de gemengde invoer en herschrijft deze naar een gestructureerde vorm, en M​iniMax stelt expliciet dat deze geen deel uitmaakt van de open release omdat deze van meerdere gehoste modellen afhankelijk is.

MiniMax-H3-Image neemt tekst en tot 16 referentieafbeeldingen en levert één afbeelding op. De diffusietransformer heeft 33,1 miljard parameters — een dense single-stream-ontwerp, 50 lagen, verborgen grootte 5.376, 56 attention-heads, FFN-breedte 14.336, 3D multimodale RoPE, BF16-gewichten met FP32-embedding-, timestep- en uitvoerlagen. De beeld-VAE is een CNN-encoder met een 24-laags ViT-decoder, 16× ruimtelijke downsampling en 24 latente kanalen; de DiT patchificeert die latente representatie 2×2, zodat één transformer-token een blok van 32×32 pixels dekt. Het uitvoeroppervlak loopt via de API op tot 20 megapixels, en de belangrijkste claim van de kaart is ongeveer 16 megapixels bij elke beeldverhouding — 4096×4096 bij 1:1 tot 6272×2688 bij 21:9, zonder upscaler.

Lees die twee alinea's naast elkaar en de tweesprong is overduidelijk. Het videomodel besteedt zijn capaciteit aan tijd en aan een tweede modaliteit. Het beeldmodel besteedt die aan ruimte. Dezelfde stam, een andere doelstelling.

Zes stappen en geen classifier-free guidance is de eigenlijke engineering

Het deel van MiniMax-H3-Image dat niet alleen aftrekking is, is de distillatie, en die wordt afgedwongen in plaats van aanbevolen. Het checkpoint draait zes samplingstappen — zes NFEs — zonder enige classifier-free guidance. De aangeboden API behandelt die niet als standaardwaarden: num_inference_steps moet worden weggelaten of 6 zijn, guidance_scale moet worden weggelaten of 1 zijn, en elke andere waarde geeft HTTP 400. Negatieve prompts worden direct geweigerd. Een apart bestand, pdd_fused_heads.safetensors, bevat per-stap output-heads die de outputlaag van de transformer vervangen, met het schema in pdd_config.json; dat is 12 MB van de in totaal 68,65 GB die een onevenredig groot deel van het werk doet.

Dit is het verschil tussen een model dat je achter een interactief oppervlak kunt zetten en een model waarbij dat niet kan. Een geleid diffusiemodel met 30 stappen bij 16 megapixels is een batchtaak. Zes ongeleide stappen bij dezelfde resolutie is een verzoek. MiniMax' eigen formulering — "16-megapixelafbeeldingen tegen praktische computationele kosten" — is een bewering over FLOPs per pixel, en het schema van zes stappen is hoe die bewering wordt ingelost. Of dat standhoudt op het kwaliteitsniveau dat de showcase-afbeeldingen suggereren, is een vraag die geen enkele derde partij heeft beantwoord; per 10 november 2026 is er op geen van beide imageboards een Artificial Analysis-vermelding voor MiniMax-H3-Image, en in de kaart staat geen leveranciersevaluatietabel.

Voor lokaal serveren is het frameworkverhaal ongewoon compleet voor een model dat zo jong is. SGLang is het referentiepad met een gedocumenteerd kookboek; vLLM-Omni publiceert een recept met configuraties per hardware en gemeten latency, met vermelding van NVIDIA H200, RTX PRO 6000 Blackwell en AMD Instinct MI350X; diffusers en ComfyUI bieden beide ondersteuning. Sequence-parallelisme is een flag — --ulysses-degree op SGLang, --usp op vLLM-Omni — en één GPU is genoeg om te beginnen. De tekstencoder is de echte geheugenkosten, en het is de tekstencoder van het videomodel, wat het punt van deze hele vergelijking is.

Twee meters, en geen van beide is een tokenteller die je met het blote oog kunt aflezen.

MiniMax rekent deze twee modellen af in onverenigbare eenheden, en dat is de valkuil in elke vraag over “welke is goedkoper”. H3 wordt gemeten in seconden gegenereerde output, per resolutie: $0,08 per seconde bij 768P, $0,13 per seconde bij 2K, met inputmateriaal dat daarbovenop wordt gerekend — de eerste vijf referentieafbeeldingen zijn gratis en daarna $0,04 per stuk op het basismodel, audio-input is gratis, referentievideo wordt gefactureerd op basis van de eigen duur bij de outputresolutie. Een 2K-clip van 10 seconden kost $1,30 aan output vóór eventuele referenties.

MiniMax-H3-Image wordt per token afgerekend tegen een tarief voor beeldoutput. Op de standaardlaag vermeldt de gepubliceerde tariefkaart $2,30 per miljoen invoerteksttokens, $1,50 per miljoen invoerbeeldtokens en $3,80 per miljoen uitvoerbeeldtokens, en de eigen uitgewerkte voorbeelden van de leverancier komen daarop neer:

• 1K (1024×1024) tekst-naar-afbeelding — $0,02179 per afbeelding.

• 2K (2048×2048) tekst-naar-afbeelding — $0,02333 per afbeelding.

• 4K (4096×4096) tekst-naar-afbeelding — $0.06879 per afbeelding, aangeboden voor $0.03439 met een tijdelijke korting van 50%.

• 1K-bewerking met één referentie — $0,02654; 2K — $0,02658; 4K — $0,07312, met korting naar $0,03656.

1K-bewerking met drie referenties — $ 0,03563; 2K — $ 0,04177; 4K — $ 0,07914, verlaagd naar $ 0,03957.

De vorm van die ladder is het interessante deel. Zestien keer zoveel pixels kost iets meer dan drie keer zoveel geld, omdat er in tokens wordt afgerekend en het aantal tokens niet lineair met de oppervlakte meeschaalt zoals de intuïtie suggereert. De high-speedvariant, MiniMax-H3-Image-Highspeed, gebruikt dezelfde parameters en limieten en rekent $7,60 per miljoen output-imagetokens — $0,03529 bij 1K, $0,13001 bij 4K vóór dezelfde korting. De korting geldt wanneer de geleverde afbeelding ten minste 16.600.000 pixels telt en loopt tot 17 november 2026 om 16:00 UTC, wat het enige gedateerde commerciële feit in de hele release is.

Zet de twee meters naast elkaar en de vork krijgt een prijs. Eén seconde 768P-video kost $0,08; het goedkoopste stilstaande beeld van MiniMax is ongeveer $0,022. Een clip van vier seconden — de kortste die H3 maakt — kost ruwweg vijftien 1K-afbeeldingen. Dat is geen argument voor een van beide modellen. Het is de reden dat "welke is goedkoper" geen antwoord heeft tot je zegt wat je produceert.

Waar de fork toeslaat in een echte deployment

Drie asymmetrieën zijn belangrijker dan de benchmarkvraag.

Het eerste is invoerafhandeling. H3-Image accepteert tot 16 referentieafbeeldingen in één bewerking en verwijst er positioneel naar als <Picture 1>, <Picture 2> enzovoort, in uploadvolgorde; de totale request-body is beperkt tot 64 MiB, en Base64 blaast een bestand met ongeveer een derde op, dus een verzoek met 16 afbeeldingen moet URL's of vooraf geüploade bestandsreferenties gebruiken in plaats van inlinegegevens. De referentiemodus van H3 is een ander verhaal — 9 afbeeldingen, 3 video's, 3 audioclips, 12 bestanden, allemaal in één sequentie met temporele structuur gepropt. De referentieafhandeling van geen van beide modellen is een superset van die van het andere.

De tweede is de promptlengte. De aangeboden API van H3-Image accepteert maximaal 32.000 tekens, maar met promptverrijking uitgeschakeld werken slechts ruwweg de eerste 4.096 tokens; het lokale SGLang-pad kapt af bij 4.096 tokens, punt. Dat is geen groot budget voor een model waarvan het verkoopargument gedetailleerde instructieopvolging is, en dat is precies waarom de bijbehorende prompt-uitbreider bestaat — MiniMax-H3-Image-PE, een 27B FP4-finetune van Qwen3.8-27B die een korte aanvraag herschrijft naar een lange beschrijving plus een aanbeveling voor de beeldverhouding, uitgebracht op 8 november en vallend onder dezelfde communitylicentie. De bewerkingshelft is alleen als prompt uitgebracht; de gewichten voor uitbreiding aan de bewerkingskant worden nog steeds beschreven als in ontwikkeling.

De derde is de licentie, en het is slechts in naam dezelfde licentie voor beide modellen. De MiniMax-H3-Image Community License Agreement vereist afzonderlijke voorafgaande schriftelijke toestemming van MiniMax als uw geannualiseerde omzet, of die van uw gelieerde ondernemingen, meer dan één miljoen Amerikaanse dollar bedraagt, of als u gehoste diensten aan derden levert. Het vereist dat u “MiniMax-H3-Image” prominent weergeeft op de interface van elk commercieel product dat het gebruikt. Het beperkt het gebruik tot het gedefinieerde Toepassingsgebied, verbiedt het gebruik van uitvoer om enig ander AI-model te verbeteren, en claimt geen rechten op de uitvoer zelf. De H3-videolicentie is een afzonderlijke overeenkomst met eigen voorwaarden. Als u een product op beide bouwt, hebt u twee licenties, niet één.

Wat geen van beide modellen doet

MiniMax-H3-Image kan geen video maken. Het heeft geen tijdsas, geen audiotak, geen duurparameter — de audio-VAE is simpelweg uit de architectuur verdwenen, en de output is één latente afbeelding per verzoek, tot tien per aanroep via de API. MiniMax-H3 kan geen still van 16 megapixel maken. Het genereert standaard 768p en bereikt 2K via een regeneratieronde; vragen om één enkel frame van 4096×4096 is geen ondersteund verzoek. Als je pipeline een hero-still en een loop van vijf seconden met gesynchroniseerde dialoog uit dezelfde visuele wereld nodig heeft, roep je twee modellen aan, en op het platform van MiniMax betaal je twee verschillende meters.

Beide delen wel één ding dat gemakkelijk over het hoofd wordt gezien: geen negatieve prompt. H3-Image wijst dat veld af. De promptsturing van H3 stuurt via positieve beschrijving en via Context-IR in plaats van via uitsluiting. Wie een Stable Diffusion-workflow naar een van beide modellen overzet, verliest die hefboom vanaf dag één.

Wie te bellen

De eerlijke taakverdeling is gebaseerd op het op te leveren product, niet op kwaliteit. Als het artefact een stilstaand beeld is — een productrender, een keyframe, een plaat van 16 megapixel met leesbare tekst erin — dan is MiniMax-H3-Image het model, en het zesstappenschema betekent dat je het je kunt veroorloven om erop te itereren. Als het artefact beweegt, is H3 het model, en de audiotak is de reden om het te verkiezen boven het aaneenrijgen van stilstaande beelden tot een sequentie.

Wat een routeringslaag hier verandert, is beperkter dan het klinkt, en het is de moeite waard om het ronduit te zeggen: OrcaRouter serveert MiniMax-H3-Image niet. De gewichten van het model zijn op 10 november openbaar geworden en het heeft geen route in onze catalogus, dus als je het vandaag wilt, haal je het via de eigen API van MiniMax of draai je zelf de checkout van 68,65 GB. Wat we wel aanbieden, is minimax/minimax-h3, het videomodel, per seconde gefactureerd tegen de lijstprijs zonder opslag — en de nuttige eigenschap voor een pijplijn met twee modellen is dat je met dezelfde sleutel waarmee je H3 aanroept ook de andere ruim 200 modellen op het platform bereikt.

Waar je op moet letten, is niet of H3-Image goed is. Het is of MiniMax er überhaupt iets over zegt. Een model dat wordt geleverd met gewichten, een licentie, een prijsoverzicht en vier frameworkintegraties, maar zonder blogpost en zonder benchmark, is een model waarvan de claims nog volledig van de leverancier zijn. De eerste onafhankelijke plaatsing op een imageboard, of de eerste head-to-head tegen een gesloten model op dezelfde resolutie, zal je meer vertellen dan het showcase-raster doet. Tot dan is de repository het verslag, en de repository zegt: dit is H3 met het geluid uitgeschakeld.