MiniMax-H3-Image-PE: MiniMax wydał 27B rozszerzacz promptów dla swojego modelu obrazowego i nikomu o tym nie powiedział

There is no launch post for MiniMax-H3-Image-PE. There is no entry on M​iniMax's news feed, no blog, no changelog line, no social post — on 2026-11-11 the company's news index lists H3, M3.1 Flash, Speech 2.8 and Music 3.0, and nothing about images at all. What exists instead is a Hugging Face repository whose first commit is timestamped 2026-11-10 at 14:38 UTC, a model card that never states a release date, and a license file dated November 10, 2026. That is the whole announcement. MiniMax-H3-Image-PE is a prompt-expansion model — a caption writer — built to feed its sibling MiniMax-H3-Image, the open-weights 33.1B image generator M​iniMax published on 2026-11-03. The image model got eight days of quiet; its prompt expander has had one. Everything below that carries a number comes from those two repositories, the license text, or M​iniMax's own API documentation, and where something is not knowable from those sources it is marked as such rather than guessed. MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter as of 2026-11-11, so this is a self-hosted evaluation. the catalogue The rest of the catalogue is one key away when you want to compare the expansion against a text model you already trust.

The short version, for anyone deciding whether to care: this model does not draw anything. You give it a sentence, it gives you back a long English description of the image you meant plus a recommended aspect ratio, wrapped in a two-key JSON object. A 27B model exists to write that paragraph because MiniMax-H3-Image is unusually fussy about its input — the parent card says it "expects a detailed English description of the whole image" and truncates anything past 4096 tokens. If you have ever typed six words into an image model and gotten six words' worth of thinking back, that gap is what this repository is trying to close, and on 2026-11-10 M​iniMax open-sourced its side of the fix.

Co faktycznie jest w repozytorium i co mówią znaczniki czasu

The repository is MiniMaxAI/MiniMax-H3-Image-PE on Hugging Face. Its creation timestamp is 2026-11-08 15:35 UTC; its first commit — unhelpfully titled "Init MiniMaxAI/MiniMax-H3-Image-PE" — landed two days later, on 2026-11-10 at 14:38 UTC, authored by M​iniMax staff accounts ryanlee-dev and 500kg. A second commit followed 38 minutes later adding a Diffusers usage section, and that one is a pull request merged from Hugging Face's own multimodalart, which tells you the diffusers integration was contributed from outside M​iniMax rather than shipped by it. Three pull requests were opened against the repo on its first day, all closed or merged. None of them is an announcement.

What is inside is a checkpoint in four safetensors shards totalling roughly 17.9 GB, a tokenizer, a chat template, a quantisation config, and — the part that matters more than the weights — a prompt/ directory containing the actual system prompt, task prompt and request parameters M​iniMax uses. There is also a single client script, scripts/expand_prompt.py. The repository declares 27.4B parameters in total across two tensor types: about 25.6B stored as U8 and 1.76B left in BF16. That split is explained by the quantisation config, which records NVFP4 with a group size of 16 and lists the modules held out of quantisation — the embedding table and the convolution and gating projections inside each linear-attention block.

The base model is stated plainly on the card and in the metadata: Qwen3.8-27B, the Apache 2.0 vision-language model Q​wen published on 2026-08-05. So the architecture is Q​wen's, the weights are M​iniMax's fine-tune, and the packaging — NVFP4 rather than BF16 — is M​iniMax optimising for deployment rather than for redistribution fidelity. The card says the FP4 weights occupy about 19 GiB of GPU memory and that GPUs with native FP4 support run the NVFP4 weights directly while others fall back to bitsandbytes.

Co dokładnie robi

W repozytorium są dwa przepływy pracy i nie są tym samym. To najważniejsza rzecz, którą trzeba zrozumieć przed pobraniem 18 GB.

• Text-to-image PE — dostajesz wszystko: dostrojone wagi, prompt systemowy, prompt zadania, parametry żądania i działającego klienta. Ta ścieżka jest kompletna i gotowa do uruchomienia już dziś.

• Image editing PE — otrzymujesz prompt i przykład składania wiadomości. Brak wag. Karta mówi wprost: „Image editing PE jest wciąż w fazie rozwoju; to wydanie udostępnia tylko jego prompt”. Oczekuje się, że uruchomisz ten prompt w modelu językowo-wizyjnym według własnego wyboru.

Ścieżka tekst-na-obraz pobiera Twoją instrukcję, rozwija ją i zwraca JSON ograniczony przez schemat do dokładnie dwóch kluczy. Wynik dla testowego polecenia — „Pomarańczowy pręgowany kot śpiący na nasłonecznionym parapecie” — to jedno zdanie o ciepłych fotografiach i miękkim popołudniowym świetle oraz proporcja „3:2”. Schemat jest ścisły, z additionalProperties ustawionym na false, a pole proporcji jest enumeracją dziesięciu wartości: 1:1, 5:4, 4:3, 3:2, 16:9, 21:9, 4:5, 3:4, 2:3, 9:16. Nie ma proporcji w dowolnym tekście, nie ma tokenu „auto” w wyniku i nie ma sposobu, by model odpowiedział czymkolwiek innym niż jeden z tych dziesięciu ciągów. To celowa decyzja projektowa i przekłada się bezpośrednio na opublikowaną tabelę rozmiarów modelu nadrzędnego, która wymienia dokładnie te proporcje z wymiarami w pikselach od 4096×4096 przy 1:1 do 6272×2688 przy 21:9.

Decyzja o proporcjach nie jest kwestią wyczucia. Udostępniony prompt zadania poświęca kilkaset słów ścisłej hierarchii pierwszeństwa: jawnie określone finalne płótno wygrywa jako pierwsze, potem zamówiony produkt (plakat jest pionowy, nagłówek slajdu — poziomy, awatar — kwadratowy), następnie podstawowa kompozycja obiektu, a na końcu opcjonalny kontekst — z wyraźnym ostrzeżeniem, że „ogólne pomieszczenie, park, las, niebo lub kinowe tło nie mogą sprawić, że obiekt będący w centrum uwagi stanie się poziomy”. Prompt zabrania też wymyślania platformy: nie wolno zakładać Instagrama. Rozróżnia również przedstawioną scenę od artefaktu komunikacyjnego — panel, plakat, opakowanie, schemat techniczny lub kompozycja wielopanelowa są budowane jako architektura informacji, a nie jako scena zawierająca zamówione obiekty. Dla każdego, kto widział, jak model obrazu zamienia „slajd z wynikami kwartalnymi” w fotografię sali konferencyjnej, to rozróżnienie jest najciekawszym elementem tego wydania.

Po co wydawać 27 mld parametrów na podpis?

Odpowiedź znajduje się w dokumentacji modelu nadrzędnego i jest ciekawsza niż sam rozszerzacz promptów. MiniMax-H3-Image to gęsty jednoprzepływowy transformator dyfuzyjny z 33,1 mld parametrów, 50 warstw, wymiar ukryty 5376, 56 głowic uwagi, odczytujący stany ukryte z 50. warstwy pełnego enkodera tekstu Qwen3-VL odziedziczonego bez zmian po MiniMax-H3. Ten enkoder tekstu ma 66,7 GB i nie znajduje się w repozytorium obrazu — pobiera się go osobno z repozytorium modelu wideo. Checkpoint jest destylowany do sześciu kroków próbkowania bez guidance bezklasyfikatorowego, a API to wymusza: każda wartość num_inference_steps inna niż 6 i każda wartość guidance_scale inna niż 1 zwraca HTTP 400, a negative_prompt jest całkowicie odrzucany. Nie ma żadnej gałki do przekręcenia.

When there is no dial, the prompt is the control surface. That is the design logic connecting the two repositories: a six-step distilled sampler with no negative prompt has very little room to interpret a short instruction, so M​iniMax moved the interpretation into a separate model that can think before it writes. The hosted equivalent is an API endpoint called H3-Image-Context-IR, which does the same job server-side — accepts up to 32,000 characters of prompt and one to sixteen reference images, returns a revised prompt and a chosen ratio, and bills by converting the expansion model's input, output and thinking tokens into text tokens. MiniMax-H3-Image-PE is that endpoint's local escape hatch, and the parent card recommends exactly that usage: run the PE, save its expanded_caption into the generation call, and skip paying for enhancement twice.

The request parameters released with the PE are worth reading as a statement of intent rather than as tuning advice. Temperature 1.0, top_p 0.95, top_k 20, a 4096-token budget that includes thinking, and reasoning_effort set to "xhigh", with thinking enabled and preserved. M​iniMax is running its caption writer in maximum-deliberation mode and constraining only the final serialisation, not the reasoning. Serving that means SGLang 0.5.23 or newer with XGrammar 0.2.7 or newer, the q​wen3 reasoning parser, and constrained JSON decoding — or the Diffusers modular-blocks route the card documents. One caveat on that second route: the blocks repository the card points at, diffusers/minimax-h3-image-pe-blocks, returned HTTP 401 when checked on 2026-11-11, so it was not publicly readable at the time of writing. The card's Diffusers section may well be ahead of the artifact it depends on.

Licencja to ta część, która faktycznie powstrzyma ludzi.

MiniMax-H3-Image-PE nie jest objęty odrębną licencją. Karta stwierdza, że „jest częścią MiniMax-H3-Image i w związku z tym podlega” umowie MiniMax-H3-Image Community License Agreement, a plik licencji zawiera wiersz daty o treści „data wydania/data licencji: 10 listopada 2026 r.”. Przeczytaj to uważnie, ponieważ oznacza to, że data licencji ekspandera promptów i data publikacji nadrzędnego modelu obrazu różnią się o osiem dni, podczas gdy sama licencja jest jednym dokumentem obejmującym oba.

Trzy klauzule mają większe znaczenie niż pozostałe, a żadna z nich nie jest tą zwykłą historią o „otwartych wagach”:

• Terytorium — udzielenie licencji obowiązuje wyłącznie na „Obowiązującym Terytorium”, zdefiniowanym jako cały świat z wyłączeniem Unii Europejskiej, Zjednoczonego Królestwa, Republiki Korei i Stanów Zjednoczonych Ameryki. Jest to wyłączenie terytorialne, a nie ograniczenie użytkowania, i zostało określone w definicjach, a nie ukryte w załączniku.

• Skala komercyjna — Sekcja IV wymaga odrębnej uprzedniej pisemnej zgody, jeżeli Twój roczny przychód lub przychód Twoich podmiotów powiązanych przekracza 1 mln USD, lub jeżeli w ogóle świadczysz usługę hostowaną podmiotom trzecim. Drugi warunek nie ma progu przychodowego.

• Atrybucja w interfejsie — ta sama sekcja wymaga, abyś w widoczny sposób wyświetlał „MiniMax-H3-Image” w interfejsie użytkownika każdego komercyjnego produktu lub usługi wykorzystującej te utwory.

Istnieje również warunek redystrybucji wymagający pliku NOTICE z określoną linią dotyczącą praw autorskich oraz obowiązek z Sekcji V polegający na utrzymywaniu zabezpieczeń przed naruszającymi wynikami wraz z mechanizmem zgłaszania i obowiązkiem działania na podstawie zgłoszeń dokonanych w dobrej wierze. Nic z tego nie jest nietypowe dla licencji społecznościowej w 2026 roku. Wyłączenie terytorialne to ten element, który dla wielu zespołów rozstrzygnie, czy pobieranie 18 GB jest w ogóle warte rozpoczęcia — i jest to klauzula, którą najłatwiej przeoczyć, ponieważ strona modelu Hugging Face uwidacznia ją tylko jako „other” z linkiem.

Czego jeszcze nie można poznać

Jasne określenie granicy jest bardziej użyteczne niż jej wypełnianie.

• Brak liczb z benchmarków. Żadna z kart nie publikuje ani jednego wyniku. Podmiot nadrzędny formułuje wyłącznie jakościowe twierdzenia — „najlepsze przestrzeganie instrukcji wśród modeli open-source”, „najnowocześniejsze rozwiązanie” — a na dzień 2026-11-11 nie znaleziono niezależnej oceny MiniMax-H3-Image ani jego ekspandera promptów. Nie ma żadnego Elo, wskaźnika wygranych w preferencjach ani porównania jakości rozszerzania z hostowanym punktem końcowym Context-IR.

• Brak dowodów, że ścieżka edycji działa. Prompt edycyjny jest przemyślany i nietypowo konkretny — wymaga od wywołującego podania zredukowanego stosunku W:H każdego obrazu referencyjnego, nakazuje modelowi nigdy nie szacować proporcji źródła na podstawie podglądu i instruuje go, aby konstruował zamierzony cel, zamiast udawać, że widział ukryty wynik. Nie dostarczono jednak dla niego żadnych wag, więc nikt nie zmierzył, czy ogólny VLM stosuje się do niego tak dobrze, jak przypuszczalnie robiłby to model dostrojony.

• No announcement, therefore no stated intent. Whether this is a permanent commitment or a byproduct of the image launch is not stated anywhere. The repository has no roadmap, no model index entry, and no discussion from M​iniMax explaining why the expander was split out rather than folded into the image checkpoint.

• Liczby pobrań są zbyt niskie, by cokolwiek z nich wyczytać. MiniMax-H3-Image miała 667 pobrań i 136 polubień w dniu 2026-11-11, osiem dni po publikacji. Model PE miał 0 pobrań i 7 polubień. W repozytorium, które ma jeden dzień, to dolna granica, a nie wyrok — ale oznacza to, że nikt jeszcze nie opublikował raportu z praktyki.

Gdzie to pasuje, jeśli naprawdę coś budujesz

Praktyczne pytanie nie brzmi „czy to dobry model” — na to nikt jeszcze nie potrafi odpowiedzieć — lecz „do czego zobowiązuje mnie jego przyjęcie”. Konkretnie do trzech rzeczy. Zobowiązujesz się do uruchamiania dwóch modeli zamiast jednego: 18 GB ekspandera plus 68,65 GB checkpointu obrazu plus 66,7 GB enkodera tekstu, który prawdopodobnie już masz, jeśli używasz MiniMax-H3. Zobowiązujesz się do stałego budżetu dekodowania wynoszącego 4096 tokenów, w tym rozumowania, co przy limicie czasu żądania ustalonym w dokumentacji API na 600 sekund nie jest opóźnieniem, które można bez ostrożności ukryć za interaktywnym interfejsem użytkownika. I zobowiązujesz się do licencji, której zakres terytorialny wyklucza cztery główne rynki.

The mitigation for the first two is the same one that applies to any model you have not measured yourself: put it behind a routing layer rather than into a hardcoded call path. This is the case routing is built for — the expander is a text-generation model behind an OpenAI-compatible /v1/chat/completions endpoint, so it can sit alongside everything else on one key, and a routing rule can send long or structured prompts to it while a shorter path handles the rest. If the expansion turns out to degrade a particular workload, failover moves that traffic without a redeploy. That is also the honest way to evaluate an unproven model: run it on a slice, keep the old path warm, and let the comparison decide. One clarification worth stating plainly, since it is easy to assume otherwise — MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter's catalogue as of 2026-11-11, so this is a self-hosted evaluation, not a call we can make for you. What the catalogue does carry is M​iniMax's H3 video model and the M3.x text line at provider list price with zero markup passed through, which is the same arithmetic that applies the day an image endpoint arrives.

For the third — the territory clause — no amount of engineering helps. If you are in the EU, the UK, Korea or the US, the license does not grant you the rights it grants everyone else, and M​iniMax's own remedy is to contact them for a separate grant "based on robust controls and guardrails." That is a business conversation, and it should happen before the download, not after.

Co obejrzeć

Two signals would turn this from a repository into a release. The first is an announcement: a blog post, a model-index entry, a mention on M​iniMax's news feed. Its absence is currently the most informative thing about the launch, and its arrival would clarify whether the PE is meant to be the default local path or a stopgap. The second is the Diffusers blocks repository becoming publicly reachable — right now it returns 401, and until it resolves, the "run it locally through Diffusers" route documented on the card is a claim rather than a path.

In between, the thing to actually read is the task prompt. It is a few hundred lines of plain English describing how to decide what an image is for, and it is the most concrete artefact M​iniMax has published about how it thinks image prompts should work. You can learn more from it in ten minutes than from any benchmark table, and unlike the weights, it costs nothing to read.