MiniMax-H3-Image jest dostępny na trzech platformach: co każda z nich faktycznie ci daje

Najkrótsze prawdziwe zdanie o MiniMax-H3-Image w tym tygodniu brzmi: jest dostępny w trzech miejscach — na Hugging Face, w MiniMax Code i we własnym API MiniMax. Zdanie, którego kupujący naprawdę potrzebuje, jest węższe. Dwa z tych trzech miejsc dają ci punkt końcowy żądań i cennik; jedno daje ci 135 gigabajtów wag, licencję do przeczytania i decyzję dotyczącą sprzętu. To nie są trzy warianty tego samego dostępu, a traktowanie ich jako wymiennych prowadzi do tego, że zespół rezerwuje tydzień na coś, co mógłby kupić za dwa centy za obraz.

Sam model to prawdziwa premiera, a nie przepakowanie. MiniMax udostępnił wagi w repozytorium Hugging Face MiniMaxAI/MiniMax-H3-Image 10 listopada 2026 r. o 14:50 UTC i napisał o tym o 15:40 tego samego popołudnia; samo repozytorium pochodzi z 3 listopada, co oznacza tydzień, w którym wagi istniały prywatnie, zanim ktokolwiek mógł je pobrać. To transformer dyfuzyjny z 33,1 miliarda parametrów, który generuje obrazy o rozdzielczości około szesnastu megapikseli — to właśnie „4K” z ogłoszenia — i wykonuje tekst-na-obraz oraz edycję sterowaną referencją z jednego punktu kontrolnego. Dalsza część jest zorganizowana wokół jednego pytania, na które ogłoszenie nie odpowiada: na której powierzchni powinieneś się znajdować.

Troje drzwi wejściowych, a tylko jedne z nich można pobrać

Zacznij od tego, czym są poszczególne drzwi, ponieważ różnica jest strukturalna, a nie kosmetyczna.

To API jest konwencjonalną ścieżką. Model jest wymieniony jako MiniMax-H3-Image z wariantem Highspeed, na międzynarodowych i chińskich platformach M​iniMax, rozliczany za milion tokenów wejściowych i wyjściowych, a nie za obraz. Interfejs jest nietypowo restrykcyjny — sześć kroków próbkowania, brak skali guidance, brak promptu negatywnego — a własna dokumentacja M​iniMax mówi, że żądanie zawierające jakiekolwiek inne wymagania zwraca HTTP 400. Kupujesz działający endpoint z ustaloną receptą w środku.

M​iniMax Code i Hailuo AI to powierzchnie produktowe: ten sam model za polem tekstowym, z już podjętymi decyzjami dotyczącymi próbkowania i bez arytmetyki na tokenach do wykonania. Przydatne do oceny, czy wynik jest dobry; nieprzydatne do budowania czegokolwiek, ponieważ to, na czym miałbyś budować, nie jest udostępnione. Zauważ też, że M​iniMax Code to produkt typu agent kodujący, więc generowanie obrazów jest tam bocznymi drzwiami, a nie główną funkcją — nie czytaj „dostępne na M​iniMax Code” jako API obrazów z nakładką kodową.

Hugging Face to trzecie drzwi i jedyne, które są transferem, a nie usługą. Otrzymujesz repozytorium, plik licencji i zestaw wag, które teraz musisz uruchomić. Samodzielne hostowanie jest powodem, dla którego większość zespołów w ogóle patrzy na model obrazu z otwartymi wagami; to także moment, w którym arytmetyka przestaje dotyczyć modelu, a zaczyna dotyczyć twojej szafy rack.

Repozytorium jest cięższe, niż wynikałoby to z podanej w nagłówku liczby parametrów.

33,1 mld parametrów w BF16 to około 66 GB, zanim doliczy się cokolwiek innego, a „cokolwiek innego” to miejsce, w którym repozytorium zaskakuje ludzi. Sam transformer dyfuzyjny ma 66,28 GB. Pełne pobranie to 68,65 GB, co obejmuje transformer oraz VAE i konfigurację. Enkoder tekstu nie jest uwzględniony w tej liczbie: MiniMax-H3-Image ponownie wykorzystuje enkoder tekstu Qwen3-VL z repozytorium wideo MiniMax-H3, odczytuje z jego warstwy 50, a ten enkoder to osobne pobieranie o rozmiarze 66,7 GB. Innymi słowy, należy zarezerwować około 135 GB artefaktów na dysku przed pierwszym obrazem, i to jeszcze przed własnym cache'em jakiegokolwiek frameworka.

Warto poświęcić architekturze akapit, ponieważ mówi ona, czym jest model. Pięćdziesiąt warstw transformera, rozmiar ukryty 5,376, 56 głów uwagi, szerokość feed-forward 14,336, z trójwymiarowymi multimodalnymi obrotowymi osadzeniami pozycji. VAE to enkoder konwolucyjny połączony z 24-warstwowym dwuwymiarowym dekoderem ViT przy 16× zmniejszeniu rozdzielczości przestrzennej i 24 kanałach utajonych — wybór dekodera, który kosztuje więcej obliczeń na końcu potoku niż zwykły dekoder konwolucyjny, i prawdopodobnie stąd bierze się część drobnych szczegółów przy 4K. W karcie modelu projekt opisano jako architekturę H3 minus audio, co jest trafnym podsumowaniem: to gałąź obrazowa modelu wideo, dostarczana osobno.

Wynikają z tego dwie konsekwencje. Po pierwsze, transformator dyfuzyjny klasy 33B przy rozdzielczości szesnastu megapikseli nie jest modelem dla laptopa, niezależnie od tego, jak liczba parametrów brzmi na tle współczesnych modeli językowych; pamięć aktywacji skaluje się z powierzchnią wyjścia, a powierzchnia jest całym sensem tego wydania. Po drugie, ponieważ enkoder tekstu jest współdzielony z modelem wideo, firma, która już korzysta z MiniMax-H3, ma już na dysku większość tego, co trzeba pobrać. To realna oszczędność i coś, czego zdanie „dostępne na Hugging Face” nie przekazuje.

Cztery sposoby podania i jedna liczba, która się nie zgadza

Karta modelu wymienia cztery ścieżki: SGLang, vLLM-Omni, diffusers i ComfyUI. Zespół vLLM dostarczył wsparcie od dnia zero w vLLM-Omni zarówno dla sprzętu NVIDIA, jak i AMD w dniu premiery, z natywnym wyjściem o rozdzielczości około szesnastu megapikseli, co jest silniejszym sygnałem startowym niż samo istnienie wag — ktoś spoza M​iniMax uruchomił go, zanim minęła godzina od ogłoszenia. Diffusers obejmuje ścieżkę referencyjną, a ComfyUI zaspokaja środowisko grafów przepływu pracy.

Ta niezgodność jest warta odnotowania, bo na pewno komuś da się we znaki. Karta modelu opisuje edycję z użyciem do 16 obrazów referencyjnych, adresowanych pozycyjnie jako <Picture 1> do <Picture 16> w kolejności wysyłania. Przepis wydania vLLM-Omni dla tego samego modelu dokumentuje do 9 obrazów na żądanie. Obie informacje mogą być jednocześnie prawdziwe — limit serwowania danego frameworka i wytrenowana pojemność modelu to różne liczby, a ograniczenie dotyczące batchowania lub pamięci w stosie serwującym zadziała jako pierwsze — ale jeśli Twój workflow potrzebuje dwunastu referencji, uczciwa odpowiedź jest dziś taka, że zdolność istnieje, a udokumentowana ścieżka serwowania może jej nie udźwignąć. Sprawdź tę liczbę na własnym stosie, zamiast ufać któremukolwiek z tych dokumentów.

Ta sama ostrożność dotyczy okna promptu. Karta przyjmuje do 32 000 znaków, z których mniej więcej pierwsze 4096 tokenów to faktycznie to, na czym model się warunkuje. Długi prompt nie zostaje odrzucony; ogon po prostu nie wykonuje pracy. Każdy, kto przenosi szczegółowy prompt art-direction z nawyku pracy z modelami językowymi, przekona się o tym kosztowną metodą.

Sampler jest ograniczeniem, które dziedziczysz, a nie ustawieniem, które dostrajasz.

Sześć kroków, bez classifier-free guidance, bez negatywnych promptów. To nie jest ustawienie domyślne z jakimkolwiek zapasem; API kategorycznie odrzuca inne liczby kroków i wartości guidance. Model jest zdestylowany tak, by działać w sześciu przebiegach forward, a cały powód, dla którego 33B transformer może wystarczająco szybko zwrócić szesnastomagapikselowy obraz, by był użyteczny, tkwi w tej destylacji.

Dla ścieżki API jest to niewidoczne i w porządku. Dla ścieżki self-hostingu to najbardziej użyteczna liczba w karcie specyfikacji — i to podwójnie. Ogranicza obliczenia na obraz do sześciu ewaluacji transformera, a nie od dwudziestu pięciu do pięćdziesięciu, których potrzebowałby model niedystylowany, dzięki czemu szesnaście megapikseli jest w ogóle praktyczne. Oznacza to też, że zwykła pętla dostrajania przy self-hostingu — spróbuj więcej kroków, dodaj guidance, dodaj negatywny prompt, iteruj — tutaj nie istnieje. Jeśli jakość wyników rozczarowuje, dźwigniami są prompt i referencje, a nie sampler. Zespoły, które planują tydzień na „dostrajanie modelu”, powinny zaplanować go na pracę nad promptami.

Ile kosztuje każda ścieżka — w jednostkach, w których jest faktycznie rozliczana

API rozlicza tokeny, a najlepiej widać to po rozpisanych przykładach z samej karty. Żądanie tekst-na-obraz 1 024×1 024 kosztuje 0,02179 USD. Żądanie 2 048×2 048 kosztuje 0,02333 USD — 1,07 razy większa cena za czterokrotnie większą liczbę pikseli, ponieważ liczba tokenów rośnie znacznie wolniej niż powierzchnia. Żądanie 4 096×4 096 kosztuje 0,06879 USD według cennika i 0,03439 USD w ramach ograniczonej czasowo 50-procentowej zniżki obowiązującej do 17 listopada 2026 r. do godz. 16:00 UTC i wymagającej, aby dostarczony obraz miał co najmniej 16 600 000 pikseli. Stawki w warstwie standardowej wynoszą 2,30 USD za milion wejściowych tokenów tekstowych, 1,50 USD za milion wejściowych tokenów obrazu i 3,80 USD za milion wyjściowych tokenów obrazu; warstwa Highspeed zachowuje stawki wejściowe i pobiera 7,60 USD za wyjście.

Zestaw te trzy liczby razem, a argument cenowy za 4K w dużej mierze znika. Czterokrotna liczba pikseli za 1,07-krotność kosztu przy przejściu na 2K to prezent; przejście z 2K na 4K kosztuje około trzech razy więcej za ten sam czterokrotny wzrost powierzchni, a jedynie rabat zbliża to z powrotem do stawki 2K. Jeśli Twój przypadek użycia nie wymaga 4096 pikseli na bok, ten model jest tani właśnie na poziomie 2K.

OrcaRouter nie obsługuje MiniMax-H3-Image — nie ma tu dla niego trasy, a CTA w tym tekście wskazuje na bliźniaczy model wideo, minimax/minimax-h3, który u nas ma trasę. To, co oferujemy, jest istotne w dniu, w którym ta trasa będzie dostępna: 0% narzutu i cena katalogowa dostawcy przekazywana bez zmian, co oznacza, że zmiana ceny przez dostawcę, taka jak ta obniżka na 4K, trafia na Twoje rozliczenie tego samego dnia, w którym pojawia się na stronie dostawcy, a także automatyczne przełączanie awaryjne, jeśli ścieżka dostawcy ulegnie pogorszeniu. Do tego czasu istotnym porównaniem są wydatki na API w zestawieniu z własnym sprzętem, a żadna warstwa routingu nie zmienia tej arytmetyki.

Self-hosting w uczciwej cenie

Nikt nie poda ci kosztu self-hostingu na obraz bez znajomości twojej karty GPU, ponieważ dominującym czynnikiem jest to, czy 135 GB wag mieści się w pamięci, czy musi zostać offloadowane. Co można stwierdzić precyzyjnie: sześcioetapowy sampler ustala nakład obliczeniowy, a wyjście 16 megapikseli ustala budżet aktywacji — i oba są duże. Pojedyncza karta 80 GB pomieści transformer, ale nie transformer wraz z enkoderem Qwen3-VL w pełnej precyzji, więc realistyczne konfiguracje to wiele GPU, offloading enkodera albo skwantyzowany transformer z powiązanym pytaniem o jakość. Dolicz energię, dolicz tydzień pracy inżyniera na poprawne uruchomienie serwowania SGLang lub vLLM-Omni, a próg rentowności względem $0.02333 za obraz 2K to liczba wolumenowa rzędu setek tysięcy obrazów, a nie kilkudziesięciu.

Który z nich jest argumentem za API w większości przypadków, a który argumentem za wagami w nielicznych: sklep, który z powodów związanych z danymi potrzebuje modelu wewnątrz własnych granic, czy taki, który już obsługuje MiniMax-H3 i dysponuje enkoderem, czy taki, który generuje w wolumenie pozwalającym zamortyzować stały koszt. Cała reszta powinna najpierw wycenić API i hostować model samodzielnie tylko wtedy, gdy granica naprawdę tego wymaga.

Czytanie licencji przed pobraniem, a nie po pobraniu

Wagi są udostępniane na warunkach MiniMax-H3-Image Community License Agreement, która nie jest licencją Apache 2.0 ani MIT. „Open-weight” jest trafne; „open-source” to słowo, które wpędza zespoły w kłopoty, a to jest moment w procesie, w którym prawnik powinien przeczytać właściwy plik, a nie wpis na blogu — w tym ten. Praktyczne pytanie dotyczy komercyjnego wykorzystania na dużą skalę oraz tego, czy licencja zawiera warunki, które wiążą się z Twoim produktem, a odpowiedź na to pytanie znajduje się w repozytorium i żadne podsumowanie jej nie zastąpi.

Jest jeszcze drugi, mniejszy artefakt, o którym warto wiedzieć: M​iniMax dostarcza komponent Context-IR dla modelu oraz opcjonalny model rozszerzający prompty, MiniMax-H3-Image-PE. Rozszerzacz wyjaśnia częściowo, dlaczego model toleruje długie, szczegółowe prompty; jest opcjonalny, jest oddzielny od 68.65 GB i jest to coś, co znajdziesz raczej na liście repozytorium niż w ogłoszeniu.

Co sprawdzić w swoim stacku w tym tygodniu

• Odniesienia — potwierdź, czy Twoja ścieżka serwowania obsługuje 16 obrazów, czy 9 dokumentowanych przez recepturę vLLM-Omni, za pomocą rzeczywistego żądania, a nie odczytu dokumentacji.

• Efektywny obszar — model będzie działać poniżej szesnastu megapikseli, a konfiguracja udostępnia minimalny obszar generowania domyślnie wynoszący 4,194,304 pikseli. Przetestuj dolny zakres, jeśli Twoim przypadkiem użycia są miniatury, ponieważ model o takim rozmiarze może nie być tanią opcją przy 1K.

• Pamięć — zmierz szczytowe zużycie VRAM przy 4,096×4,096 przed zakupem sprzętu. Sześć kroków to tanie obliczenia; aktywacje już nie.

• Zegar rabatowy — jeśli w planach jest 4K, stawka 50% wygasa 17 listopada 2026 r. o 16:00 UTC, a to, czy korzystasz z API, czy z własnego sprzętu, decyduje o tym, czy ten termin ma dla ciebie znaczenie.

• Licencja — przeczytaj ją. Pobieranie to 135 GB, a decyzja jest odwracalna; licencja nie.

W tym wydaniu interesujące nie jest to, że pojawił się dobry otwarty model generowania obrazów — lecz to, że po raz pierwszy od dłuższego czasu pojawił się model, w przypadku którego wagi, receptury frameworka i hostowany endpoint trafiły w tym samym tygodniu. To silniejszy sygnał niż wykres benchmarku, ponieważ oznacza, że to działa. To, czy powinieneś go uruchomić, czy wywołać, zależy wyłącznie od tego, przez które z trojga drzwi przejdziesz, a te trzy drzwi są znacznie dalej od siebie, niż sugeruje ogłoszenie.