MiniMax-H3-Image vs Nano Banana 2.1: Bijna dezelfde prijs, lang niet hetzelfde bewijs

Twee beeldmodellen, beide rond drie cent per afbeelding, en de keuze tussen MiniMax-H3-Image en Nano Banana 2.1 wordt niet door de prijs beslecht. Bij 1024×1024 kost de nieuwkomer met open gewichten $0,02179 per generatie en Google's Nano Banana 2.1 kost $0,0336 — een verschil van ongeveer een cent. Bij 4096×4096 groeit de kloof naar $0,06879 tegen $0,113. Dus de goedkope is echt goedkoper, met een derde tot de helft. Wat je op dit moment tegen geen enkele prijs kunt kopen, is een reden om de kwaliteitsclaim van de goedkope te geloven, want niemand buiten MiniMax heeft die gemeten. Nano Banana 2.1 staat vierde op beide beeldranglijsten van Artificial Analysis, met duizenden samples achter elke positie. MiniMax-H3-Image komt op geen van beide ranglijsten voor, in geen enkele positie, met geen enkel aantal samples. Die asymmetrie is de hele vergelijking, en geen enkele hoeveelheid rekenwerk op specsheets dicht dat gat.

Het is de moeite waard om concreet te zijn over data voordat we verdergaan, want de twee modellen bevinden zich niet in dezelfde fase. Nano Banana 2.1 is algemeen beschikbaar sinds 6 oktober 2026 als gemini-nano-banana-2.1, en het verving gemini-3.1-flash-image, dat Google heeft afgeschaft met een stopdatum van 29 oktober 2026 — dus als je het oudere model aanriep, heb je al moeten overstappen. De gewichten van MiniMax-H3-Image zijn op 10 november 2026 om 14:50 UTC op Hugging Face verschenen, met een summiere modelkaart in MiniMax' API-releaseopmerkingen van dezelfde dag en zonder bijbehorende blogpost. Het ene model heeft een maand productieverkeer; het andere is één dag downloadbaar. Oordeel daarom dienovereenkomstig.

Wat elk ervan je daadwerkelijk oplevert

Nano Banana 2.1 is een derivaat van Gemini 3.6 Flash dat uitsluitend via de API van Google wordt verkocht. Drie resolutieniveaus — 1K, 2K, 4K, en geen optie van 512 pixels — met beeldverhoudingen uit de gebruikelijke set, een invoercontext van 131.072 tokens en 32.768 tokens uitvoer. Het accepteert tot 14 referentieafbeeldingen in één verzoek, door Google opgesplitst in 10 objectreferenties en 4 karakterreferenties, en het kan een generatie baseren op resultaten van Google Search of Image Search. Thinking staat standaard aan op medium, met minimal en high beschikbaar, en het kan via de API helemaal niet worden uitgeschakeld. Elke uitvoer bevat een SynthID-watermerk.

MiniMax-H3-Image is een 33.1B dichte diffusietransformer met een CNN-encoder en een 24-laags ViT-decoder voor zijn VAE, uitgegeven onder de eigen communitylicentie van MiniMax. Tekst-naar-afbeelding en bewerken lopen beide via één endpointpaar; bewerkingen gebruiken 1 tot 16 referentieafbeeldingen die positioneel worden aangeduid als <Picture 1> tot en met <Picture 16> in uploadvolgorde, en het model is gedistilleerd tot zes samplingstappen zonder classifier-free guidance — de aangeboden API retourneert HTTP 400 als je iets anders opgeeft dan num_inference_steps=6 en guidance_scale=1. De uitvoeroppervlakte is via de API beperkt tot 20.000.000 pixels, met oppervlaktetiers op 1K, 2K en 4K, waarbij 4K de standaard is; de modelkaart claimt ongeveer 16 megapixels bij elke beeldverhouding. Er wordt nergens in de repository of de licentie melding gemaakt van zoekgronding, een denkbudget of een watermerkschema.

De lijsten met mogelijkheden lopen uiteen op een manier die naadloos aansluit bij voor wie elk product bedoeld is. G​oogle leverde orchestratie: referenties, retrieval, een redeneerbudget, herkomstmarkeringen. M​iniMax leverde resolutie en controle: zestien referentieslots, een plafond van 20 megapixel, een vaste sampler van zes stappen die je exact op je eigen hardware kunt repliceren.

De prijsladder, met de kortingsperiode expliciet vermeld

Nano Banana 2.1 wordt afgerekend tegen $30 per miljoen output-afbeeldingstokens, wat volgens de eigen documentatie van Google neerkomt op $0,0336 per 1K-afbeelding, $0,0504 per 2K en $0,113 per 4K. Invoerafbeeldingen worden gefactureerd tegen $1,50 per miljoen tokens en tekstoutput tegen $7,50 per miljoen. Er is een batchtarief tegen de helft van die outputtarieven voor taken die kunnen wachten, en Artificial Analysis vermeldt het effectieve 1K-tarief als $33,60 per duizend afbeeldingen — hetzelfde getal, maar dan in bulk uitgedrukt.

MiniMax-H3-Image wordt in principe op dezelfde manier afgerekend, maar met een heel ander resultaat. Standaardniveau: $2,30 per miljoen tokens voor invoertekst, $1,50 per miljoen tokens voor invoerafbeeldingen, $3,80 per miljoen tokens voor uitvoerafbeeldingen. Doorgerekend met de eigen voorbeelden van de leverancier:

• 1K tekst-naar-afbeelding — Nano Banana 2.1 $0.0336 vs. MiniMax-H3-Image $0.02179.

• 2K tekst-naar-afbeelding — $0.0504 vs $0.02333.

• 4K tekst-naar-afbeelding — $0,113 versus $0,06879, of $0,03439 met de tijdelijke korting van 50% van M​iniMax.

• Bewerken met één referentie — G​oogle publiceert geen bewerkingsprijs per afbeelding voor deze tariefniveaus; M​iniMax rekent $0.02654 voor 1K, $0.02658 voor 2K en $0.07312 voor 4K.

Bewerken met drie referenties — $0.03563 bij 1K, $0.04177 bij 2K, $0.07914 bij 4K op M​iniMax.

Twee details in die ladder zijn makkelijk over het hoofd te zien en veranderen de rekensom. Ten eerste geldt de korting van MiniMax alleen wanneer de geleverde afbeelding ten minste 16.600.000 pixels heeft, en ze verloopt op 17 november 2026 om 16:00 UTC — zes dagen nadat de gewichten online kwamen. Prijs je een pipeline op het kortingscijfer voor 4K, dan prijs je op een promotie. Ten tweede is de ladder van MiniMax ongewoon vlak: zestien keer zoveel pixels voor iets meer dan drie keer zoveel geld, omdat de meter in tokens rekent en het tokenaantal niet met de oppervlakte schaalt zoals de stickerprijs suggereert. De ladder van Google ligt dichter bij evenredig. Bij 4K, de resolutie waarvoor het open-weightmodel is gebouwd, schuilt de echte besparing in die vlakheid.

Waar een routeringslaag hier haar plaats verdient, is dat je je er niet om hoeft te bekommeren op welke van die twee meters je zit. OrcaRouter geeft de lijstprijs van de provider door met 0% opslag, wat betekent dat een prijswijziging van een leverancier — inclusief een promotie zoals die van M​iniMax, en inclusief het aflopen daarvan — dezelfde dag aan onze kant live is in plaats van te wachten op een factureringsmigratie. Geen van beide modellen in deze vergelijking staat in onze catalogus: MiniMax-H3-Image is een week oud zonder gehoste route, en Nano Banana 2.1 wordt bereikt via de eigen API van G​oogle. Wat we uit die lijn wél aanbieden, is de vorige generatie, google/gemini-3.1-flash-image-preview, naast de beeldroutes van O​penAI en een videoroute voor H3 van M​iniMax. De reden om dit ronduit te zeggen, is dat een artikel dat een ongemeten open-weight-checkpoint vergelijkt met een gescoord gesloten model, niet moet doen alsof het nieuwe checkpoint één toetsaanslag verwijderd is.

Slechts één kant hiervan heeft een scorebord.

Artificial Analysis geeft Nano Banana 2.1 een Elo van 1160 op zijn ranglijst voor tekst-naar-afbeelding, een vierde plaats, op meer dan 6.055 steekproeven, en een Elo van 1137 op zijn ranglijst voor beeldbewerking, ook een vierde plaats, op meer dan 5.968 steekproeven. Beide posities hebben een rangbereik van vierde tot zesde, afhankelijk van het interval dat je bekijkt. Die zijn onafhankelijk, op steekproeven gebaseerd en vergelijkbaar met elk ander model op de ranglijst — inclusief de modellen die je al gebruikt.

MiniMax-H3-Image staat op geen van beide leaderboards vermeld. Niet laag; helemaal niet. De productkaart van de leverancier noemt het “een toonaangevend open-weight beeldmodel”, en het showcase-raster in de repository is het enige bewijs van uitvoerkwaliteit dat bestaat — precies het soort bewijs dat ontworpen is om er goed uit te zien. Er is ook geen evaluatietabel van de leverancier: geen GenEval, geen DPG-Bench, geen cijfers over menselijke voorkeuren, niets om te vergelijken met de gepubliceerde evaluatie van een concurrent. Over een maand kan dat veranderd zijn. Vandaag is de eerlijke samenvatting dat het goedkopere model goedkoper is en het gemeten model gemeten is, en die twee feiten zijn niet met elkaar in tegenspraak omdat ze over verschillende dingen gaan.

Er is een kostenpost van de tweede orde die de prijs per afbeelding volledig verbergt, en het is het grootste getal in dit artikel: 68,65 GB aan diffusietransformer en VAE in BF16 en FP32, plus een tekstencoder die helemaal niet in de repository staat. MiniMax-H3-Image laadt text_encoder/ uit het MiniMax-H3-videomodel, 66,7 GB aan Qwen3-VL, dus een eerste lokale generatie is een download van ongeveer 135 GB verspreid over twee repositories. Voeg de GPU's toe: MiniMax' eigen serveeradvies voor vLLM-Omni noemt H200, RTX PRO 6000 Blackwell en AMD Instinct MI350X, en multi-GPU-sequentieparallelisme — --ulysses-degree op SGLang, --usp op vLLM-Omni — is de gedocumenteerde manier om acceptabele latentie bij volledige resolutie te halen. Bij $0,02179 per 1K-afbeelding is de API nog heel lang goedkoper dan de elektriciteit. De open gewichten zijn waardevol voor controle en voor de licentievoorwaarden, niet voor de unit economics op kleine schaal.

Limieten die meer deployments bepalen dan kwaliteit doet

Het resolutieplafond is het meest voor de hand liggende verschil, en het verschil is allesbehalve klein. Nano Banana 2.1 stopt bij 4K. MiniMax-H3-Image gaat tot 20 megapixels via de API en ongeveer 16 megapixels in de voorbeelden van de kaart — 4096×4096 bij 1:1, 6272×2688 bij 21:9, 5472×3072 bij 4K 16:9. Als je eindproduct een plaat op drukformaat is of een achtergrond die stevig bijgesneden wordt, valt het gesloten model af voordat kwaliteit zelfs maar ter sprake komt, en houden de twee modellen in dit artikel helemaal op met concurreren.

Referentieverwerking is het omgekeerde. Google's 14 referenties zijn getypeerd — 10 objecten, 4 personages — en die typering doet werk: ze vertelt het model welke rol elke afbeelding speelt. MiniMax' 16 zijn ongetypeerde slots die op positie worden aangesproken, wat meer speelruimte en minder structuur betekent. Als je workflow is “deze persoon in dit jasje tegen deze achtergrond zetten”, dan is Google's typering juist het kenmerk. Als het is “hier zijn zestien frames, houd de identiteit over allemaal vast”, dan is MiniMax' plafond juist het kenmerk. Geen van beide is een superset.

Het promptbudget is het derde. Nano Banana 2.1 heeft 131.072 tokens aan invoercontext tot zijn beschikking. MiniMax-H3-Image accepteert tot 32.000 tekens op de aangeboden API, maar met promptverbetering uit hebben alleen ruwweg de eerste 4.096 tokens effect, en het lokale SGLang-pad kapt zonder meer af bij 4.096 tokens. Voor een model dat wordt aangeprezen om zijn instructieopvolging is dat een krap budget, en daarom heeft M​iniMax een metgezel uitgebracht: MiniMax-H3-Image-PE, een 27B FP4-fine-tune van Qwen3.8-27B die een korte aanvraag herschrijft tot een lange caption plus een aanbeveling voor de beeldverhouding en die als JSON volgens een schema uitvoert. Het past in ongeveer 19 GiB VRAM. Het deel voor bewerken wordt beschreven als prompt-only en is nog in ontwikkeling, dus de expander helpt momenteel bij tekst-naar-afbeelding en niet veel meer dan dat.

En de licentie, waarvoor aan de kant van Google geen equivalent bestaat, omdat er niets te licenseren valt. De communityovereenkomst van MiniMax vereist afzonderlijke voorafgaande schriftelijke toestemming bij meer dan één miljoen Amerikaanse dollar aan geannualiseerde omzet, of, als je gehoste diensten aanbiedt, dat de woorden “MiniMax-H3-Image” prominent worden weergegeven op elke commerciële interface die ervan gebruikmaakt; zij beperkt het gebruik tot een bepaald grondgebied en verbiedt het gebruik van outputs om andere modellen te trainen of te verbeteren. De voorwaarden van Google zijn een standaard API-contract. “Open weights” betekent hier een licentie die je moet lezen, niet een licentie die je kunt negeren.

Hoe de twee rekeningen eruitzien voor een echte maand

Stel dat je 20.000 afbeeldingen per maand genereert op 2K. Nano Banana 2.1 kost $1.008 volgens de lijstprijs, of $504 op de batch-tier als de job in de wachtrij kan. MiniMax-H3-Image kost $466,60 volgens de lijstprijs via MiniMax' API — of, self-hosted, wat twee tot vier van die GPU's je kosten voor de uren die ermee gemoeid zijn, wat voor de meeste teams meer is. Stel dat je in plaats daarvan 2.000 afbeeldingen per maand genereert op 4K en het kortingsvenster is verstreken: $226 voor Google, $137,58 voor MiniMax. De besparing is reëel en het gaat om drie cijfers per maand, niet vijf. Dat is de juiste omvang van de opbrengst, en die moet worden afgewogen tegen de kosten om de eerste te zijn die ontdekt waar een ongemeten model breekt.

Die asymmetrie pleit voor een specifiek patroon in plaats van een winnaar. Leid het productiepad naar het model met het scorebord, en stuur een deel van het verkeer naar het goedkope model om je eigen bewijs op te bouwen — een vaste promptset, je eigen beoordeling, twee weken vergelijking. Dit is precies waar failover voor bedoeld is: een onbekend model dat als kandidaatroute wordt behandeld in plaats van als vervanging, met het bewezen goede model erachter wanneer een taak fout terugkomt. Sampling in zes stappen zonder begeleiding op 16 megapixels is naar beeldmaatstaven ook een lang verzoek, en het is niet idempotent aan de kant van MiniMax — een clienttimeout wordt in rekening gebracht, en de OpenAI-SDK's proberen standaard twee keer opnieuw tenzij je max_retries=0 instelt. Lange verzoeken die bij een timeout worden gefactureerd, zijn precies de verzoeken waar je een tweede route onder wilt.

De vraag die dit binnen ongeveer een maand oplost

Geen van beide modellen is de verkeerde keuze; de keuze hangt ervan af of je het je kunt veroorloven degene te zijn die meet. Als de oplevering eerder een scorebord nodig heeft dan een beslissing, is Nano Banana 2.1 de enige kant van deze vergelijking die er een heeft, en bij 4K kost het $0.113 tegenover $0.06879 van MiniMax — een verschil waarover je meer dan eens intern zult discussiëren. Als de oplevering 16 megapixel nodig heeft, doen getypeerde referenties er niet toe en resolutie wel, en MiniMax-H3-Image is de enige kant die dit levert.

Wat de doorslag zou geven, is het ding dat niet is gebeurd: een onafhankelijke plaatsing. MiniMax-H3-Image is pas één dag publiek, over de licentievoorwaarden werd uren nadat de gewichten verschenen nog steeds gevraagd in de discussiethread van de repository, en de eigen prompt-uitbreider is half af. Wanneer het op Artificial Analysis opduikt met een steekproefgrootte, is het prijsverschil geen proxy-argument meer maar een echte afweging. Tot die tijd koop je het gemeten model voor het werk dat moet worden opgeleverd, en beschouw je het goedkope model als een kandidaat die je aan het evalueren bent — niet als een vervanging waarop je al hebt besloten.