MiniMax-H3-Image: 16 megapikseli w 10 sekund to twierdzenie, a jeszcze nie pomiar

Dziesięć sekund na obraz szesnastomegapikselowy nie jest twierdzeniem o jakości. To twierdzenie o tym, jak model jest harmonogramowany, i to jedyna część premiery MiniMax-H3-Image, którą użytkownik może sprawdzić w jedno popołudnie. MiniMax ogłosił model 10 listopada 2026 r. krótkim postem, który zaczyna się dokładnie od tej liczby: wyjście 4K, około szesnastu milionów pikseli, do szesnastu obrazów referencyjnych, w dziesięć sekund, z otwartymi wagami i własnym API dostawcy, MiniMax Code i Hailuo jako sposobami dostępu. Czego ogłoszenie nie zawiera, to ani jednego pomiaru opóźnienia, ani jednego testu jakości, ani linku do wpisu na blogu wyjaśniającego, jak cokolwiek z tego osiągnięto. Bajty są prawdziwe — 68,65 GB na Hugging Face, plus koder tekstu zapożyczony z drugiego repozytorium — i cennik też. Dziesięć sekund to obietnica. Oto, na czym ta obietnica się opiera, ile kosztuje i co trzeba by uruchomić, żeby wiedzieć, czy utrzyma się na własnym sprzęcie.

Warto podać te daty wprost, bo udostępnienie przebiegło nietypowo. Repozytorium MiniMax-H3-Image na Hugging Face powstało 3 listopada 2026 r. i stało puste. Wagi pojawiły się 10 listopada o 14:50 UTC. Tego samego dnia w dokumentacji API MiniMaxa pojawiła się karta informacji o wydaniu zatytułowana „MiniMax H3 Image” ze zdaniem „Wiodący model obrazowy z otwartymi wagami. Od pomysłów do nowych światów” — zdaniem, w którym nie ma żadnej specyfikacji — a firmowy blog i indeks aktualności nadal nie zawierają zupełnie nic o modelu obrazowym. Model trafił więc na rynek po cichu, a dopiero potem został zapowiedziany, w tej właśnie kolejności, co jest odwrotnością typowego przebiegu większości premier i dlatego zapowiedź czyta się jak tekst marketingowy doklejony do checkpointu, który już można było pobrać.

Skąd mogłoby realnie pochodzić dziesięć sekund

Większość wyjaśnień znajduje się w liście plików, a nie w samym poście. MiniMax-H3-Image to gęsty transformator dyfuzyjny o 33,1B — 50 warstw, rozmiar ukryty 5 376, 56 głów uwagi, szerokość FFN 14 336, 3D multimodalne RoPE — i jest destylowany do sześciu kroków próbkowania bez jakiegokolwiek classifier-free guidance. To nie jest domyślne ustawienie, które wywołujący może dostroić. Udostępniane API odrzuca wszystko poza num_inference_steps=6 i guidance_scale=1 z HTTP 400, a negatywne prompty są kategorycznie odrzucane. Osobny plik o rozmiarze 12 MB, pdd_fused_heads.safetensors, zawiera głowy wyjściowe dla poszczególnych kroków, które zastępują warstwę wyjściową transformatora, a harmonogram znajduje się w pdd_config.json.

Sześć przebiegów bez naprowadzania to powód, dla którego liczba dziesięciu sekund nie jest absurdalna. Próbnik 30-krokowy z naprowadzaniem przy szesnastu megapikselach to zadanie wsadowe; sześć kroków na tym samym obszarze to pojedyncze żądanie. Czy zmieści się w dziesięciu sekundach, zależy wyłącznie od akceleratora, konfiguracji równoległości sekwencji oraz rozdzielczości, o jaką faktycznie prosisz — a żadnej z tych trzech rzeczy nie ma w ogłoszeniu. Karta modelu MiniMax nigdzie nie podaje czasu generowania. Ta liczba istnieje w jednym miejscu: w poście premierowym.

Karta natomiast określa — bardziej szczegółowo niż we wpisie — geometrię. Wynik sięga około 16 megapikseli przy każdym współczynniku proporcji — 4096×4096 przy 1:1, 4736×3552 przy 4:3, 5024×3360 przy 3:2, 5472×3072 przy 16:9, 6272×2688 przy 21:9 — bez osobnego upscaler-a na ścieżce. API ogranicza powierzchnię wyjściową do 20 megapikseli, a karta opisuje praktyczny zakres roboczy jako około 4 do 20 megapikseli. Edycja przyjmuje do 16 obrazów referencyjnych, przywoływanych pozycyjnie w prompcie jako <Picture 1> do <Picture 16> w kolejności przesłania. Prompty mogą mieć do 32 000 znaków w udostępnianym API, choć efektywne jest tylko około pierwszych 4096 tokenów.

Twierdzenia obok istniejących dla nich dowodów

• Rozdzielczość — „16 milionów pikseli” i 4K: podane w poście i odtworzone w tabeli rozmiarów karty. Nie zostało niezależnie zmierzone, ale to można trywialnie sprawdzić, generując obraz i odczytując jego wymiary.

• Szybkość — „wszystko w 10 sekund”: według dostawcy, bez określonego sprzętu i bez opublikowanych do 11 listopada 2026 r. pomiarów czasu przez strony trzecie. Karta nie podaje żadnej wartości.

• Podążanie za promptem — „precyzyjne podążanie za promptem”: twierdzenie jakościowe. Mocniejsze sformułowanie na karcie to „najsilniejsze podążanie za instrukcjami wśród modeli open source”, co jest porównaniem bez dołączonej tabeli.

• Edycja — „do 16 obrazów referencyjnych”: potwierdzone w karcie i w dokumentacji API, a w jednym szczególe zaprzeczone przez przepis vLLM-Omni z pierwszego dnia, który na swojej ścieżce dokumentuje do 9 obrazów na żądanie. 16 traktuj jako górny limit modelu, a 9 jako to, co obejmuje przepis frameworka.

• Otwarte wagi — to prawda i ma istotne znaczenie w sposób, którego post nie wyjaśnia: wagi są otwarte na licencji z warunkami terytorialnymi i przychodowymi, a nie na licencji zatwierdzonej przez OSI. Więcej na ten temat poniżej.

Ile to kosztuje, oraz zniżka, na którą zostało jeszcze sześć dni

Warunki handlowe są najbardziej konkretnym elementem tego wydania. Rozliczanie opiera się na tokenach według stawki za obrazy wyjściowe: 2,30 USD za milion tokenów tekstu wejściowego, 1,50 USD za milion tokenów obrazu wejściowego i 3,80 USD za milion tokenów obrazu wyjściowego w wariancie standardowym. Przykłady obliczeniowe samego MiniMaxa sprowadzają to do drabinki, która jest niezwykle płaska, ponieważ miernikiem są tokeny, a ich liczba nie skaluje się z powierzchnią tak, jak podpowiada intuicja:

• Generowanie obrazu z tekstu 1K — $0.02179 za obraz.
• Generowanie obrazu z tekstu 2K — $0.02333.
• Generowanie obrazu z tekstu 4K — $0.06879 cena katalogowa, $0.03439 w okresie obowiązywania obecnego rabatu.
• Edycja 1K z jedną referencją — $0.02654; 2K — $0.02658; 4K — $0.07312, po rabacie $0.03656.
• Edycja 1K z trzema referencjami — $0.03563; 2K — $0.04177; 4K — $0.07914, po rabacie $0.03957.

Szesnaście razy więcej pikseli za nieco ponad trzykrotność ceny to proporcja, którą warto zapamiętać, ponieważ właśnie w tym miejscu model naprawdę się wyróżnia: przy 4K checkpoint z otwartymi wagami kosztuje około jednej ósmej ceny katalogowej klatki FLUX 3 Image 4K i około jednej piątej ceny katalogowej klatki Nano Banana 2.1 4K.

Rabat jest realny i jest tymczasowy. Obniżka o 50% obowiązuje tylko wtedy, gdy dostarczony obraz ma co najmniej 16 600 000 pikseli, obejmuje całą sumę żądania i wygasa 17 listopada 2026 r. o 16:00 UTC — sześć dni po podniesieniu wag. Każdy, kto planuje budżet pipeline'u na 0,03439 USD, planuje go z myślą o promocji. Wyceniaj na 0,06879 USD i traktuj rabat jako marżę.

Istnieje drugi, szybszy poziom. MiniMax-H3-Image-Highspeed przyjmuje identyczne parametry i limity oraz rozlicza $7.60 za milion tokenów wyjściowych obrazu: $0.03529 przy 1K, $0.03622 przy 2K, $0.13001 przy 4K, zanim ta sama zniżka obniży ją o połowę do $0.06501. Jeśli twierdzenie o dziesięciu sekundach jest powodem Twojego zainteresowania, Highspeed jest wariantem, który musi być prawdziwy, aby miało to znaczenie — a MiniMax nie publikuje żadnej różnicy w opóźnieniu między nimi.

„Open weight” oznacza tutaj licencję, którą trzeba przeczytać.

Wagi można pobrać, a architektura jest udokumentowana — to więcej, niż oferuje większość czołowych modeli obrazu. Licencja jest miejscem, w którym słowo „open” przestaje pełnić rolę, której ludzie oczekują. MiniMax-H3-Image jest udostępniany na warunkach Umowy licencyjnej społeczności MiniMax-H3-Image, a warunki decydujące o wdrożeniach nie są przypisami:

• Terytorium. Definicja terytorium wyłączonego w licencji obejmuje Unię Europejską, Zjednoczone Królestwo, Republikę Korei i Stany Zjednoczone, co stanowi dużą część rynku komercyjnego modelu obrazów.

• Skala. Wymagana jest odrębna uprzednia pisemna zgoda w przypadku rocznego przychodu przekraczającego milion dolarów amerykańskich.

• Hosting. Ten sam wymóg uzyskania zgody dotyczy oferowania modelu jako usługi hostowanej, bez jakiegokolwiek minimalnego progu przychodów — klauzula wymierzona wprost w model odsprzedaży API.

• Atrybucja. Komercyjne interfejsy wykorzystujące model muszą w widoczny sposób wyświetlać „MiniMax-H3-Image”.

• Dalsze wykorzystanie. Wyniki nie mogą być wykorzystywane do trenowania ani ulepszania innych modeli.

Strona Hugging Face prezentuje to jako pojedynczy wiersz o treści license: other, co jest technicznie poprawne i praktycznie bezużyteczne. Jeśli oceniasz model pod kątem produktu, a nie notebooka, plik licencji jest pierwszą rzeczą do przeczytania i być może powodem, by się zatrzymać.

Ile naprawdę kosztuje cię uruchamianie modeli z otwartymi wagami

68,65 GB transformatora i VAE oraz enkoder tekstu, którego nie ma w repozytorium. model_index.json sięga do modelu wideo MiniMax-H3 i wczytuje text_encoder/ stamtąd — 66,7 GB Qwen3-VL, bez zmian. Pierwsza lokalna generacja to zatem pobranie około 135 GB z dwóch repozytoriów, a enkoder stanowi większą połowę.

Wsparcie frameworków jest wyjątkowo dobre jak na tak młody checkpoint i pojawiło się już pierwszego dnia, a nie dopiero w ciągu następnego miesiąca. SGLang to ścieżka referencyjna z udokumentowanym cookbookiem i jedną komendą dla pojedynczego GPU; równoległość sekwencji to flaga (--ulysses-degree w SGLang, --usp w vLLM-Omni); vLLM-Omni publikuje przepisy dla poszczególnych konfiguracji sprzętowych, wymieniając NVIDIA H200, RTX PRO 6000 Blackwell i AMD Instinct MI350X; zarówno diffusers, jak i ComfyUI go obsługują. Własne wytyczne MiniMax dotyczące serwowania wskazują na użycie wielu GPU, aby uzyskać akceptowalne opóźnienie przy pełnej rozdzielczości, co najbardziej zbliża dostawcę do przyznania, że dziesięć sekund to konfiguracja, a nie stała.

Dla większości zespołów poniższa kalkulacja jest niewygodna. Przy $0.02179 za obraz 1K i $0.06879 za obraz 4K hostowane API jest tańsze niż prąd i amortyzacja przez bardzo długi czas. Powód, by zdecydować się na 135 GB, to kontrola — stały sześciokrokowy próbnik, który można odtworzyć dokładnie, licencja, którą można racjonalnie ocenić, oraz brak zależności od kolejki dostawcy w momencie, gdy potrzebna jest przepustowość.

Trzy testy, które warto uruchomić przed commitem

Pierwszy sposób jest tani: wygeneruj ten sam prompt 4K dziesięć razy przez API MiniMax, zapisz czas zegarowy każdego żądania i wymiary pikselowe każdego zwróconego wyniku. To rozstrzyga obie główne liczby — dziesięć sekund i szesnaście megapikseli — w odniesieniu do własnej sieci i własnych długości promptów, w mniej niż godzinę, za znacznie mniej niż dolara.

Drugi to test tożsamości i to tam szesnaście referencji albo uzasadnia swoją przydatność, albo nie. Wprowadź od ośmiu do szesnastu klatek jednego obiektu z różnych kątów, poproś o nową scenę i sprawdź, czy twarz, tkanina i logo przetrwają. Sloty pozycyjne są mniej ustrukturyzowane niż referencje typowane — nie ma sposobu, by powiedzieć modelowi, który obraz to postać, a który to kurtka — więc test polega na tym, czy sama pozycja wystarczy do przeniesienia tej intencji.

Trzeci punkt to ten, którego nikt nie może zrobić za ciebie: test A/B przeciwko temu, czego używasz teraz, na własnych promptach, w trybie ślepym. MiniMax-H3-Image nie ma wpisu na żadnej z tablic obrazów Artificial Analysis na dzień 11 listopada 2026 r. — nie niskiego, po prostu żadnego — ani tabeli ocen producenta. Żadnego GenEval, żadnego DPG-Bench, żadnych liczb dotyczących preferencji ludzi. Siatka pokazowa na karcie modelu to jedyny istniejący dowód jakości wyników, a siatka pokazowa jest projektowana tak, by dobrze wyglądać. Tydzień własnych porównań powie ci więcej niż wpis premierowy.

Co to oznacza dla premiery

Uczciwe podsumowanie jest takie, że MiniMax-H3-Image to prawdziwy checkpoint z niezwykle kompletną historią wdrożenia, drabinką cenową, która przy 4K oferuje znacznie niższe ceny niż modele zamknięte, oraz kluczowym wynikiem, którego nikt spoza firmy nie zweryfikował. Twierdzenie o szybkości jest wiarygodne na gruncie architektury — sześć kroków bez sterowania to naprawdę inna klasa kosztów niż trzydziestokrokowy próbnik ze sterowaniem — a wiarygodność nie jest dowodem.

To, co zmieniłoby obraz sytuacji, jest konkretne i prawdopodobnie nastąpi za kilka tygodni: niezależne miejsce na rankingu obrazów z dołączoną liczbą próbek, pomiar czasu ścieżki 4K przez stronę trzecią na wskazanym sprzęcie oraz przyjrzenie się temu, jak szesnaście odniesień pozycyjnych zachowuje się pod realną presją tożsamości. Do tego czasu użytecznym podejściem jest wariant kandydacki, a nie zamiennik — uruchamiaj go obok modelu, któremu ufasz, na stałym zestawie promptów, i pozwól, aby obrazy rozstrzygnęły.

OrcaRouter nie udostępnia dziś modelu MiniMax-H3-Image; w naszym katalogu nie ma dla niego żadnej trasy, a twierdzenie inaczej byłoby właśnie tym rodzajem deklaracji, z którą ten artykuł polemizuje. To, co mamy z tej samej rodziny, to model wideo minimax/minimax-h3, w cenie katalogowej dostawcy z 0% narzutu przekazywanego dalej — co oznacza, że zmiana ceny MiniMax, w tym rabat na 4K i jego wygaśnięcie, obowiązuje tutaj w dniu, w którym następuje, a nie dopiero przy kolejnej migracji rozliczeń. Jeśli model obrazu pojawi się w katalogu, pojawi się na tych samych zasadach. Dopóki tak się nie stanie, pozostaje własne API MiniMax lub Twoje własne GPU.