MiniMax-H3-Image vs GPT Image 2.5: oba przyjmują 16 referencji i na tym podobieństwa się kończą

The number sixteen appears on both spec sheets, and it means two different things. MiniMax-H3-Image accepts up to sixteen reference images in a single edit, addressed by upload order as <Picture 1> through <Picture 16>, with the request body capped by nothing except a 32,000-character prompt. GPT Image 2.5 — the Sunburst and Flare pair that O​penAI shipped on 8 September 2026 — accepts up to sixteen input images too, and its documentation is explicit about what happens when you send more than one: markup and masks apply to the first image, and everything after it is a reference. Sixteen slots against sixteen slots, one of which is the whole control surface and the other of which is a parameter you will probably never fill.

Ten zbieg okoliczności jest najbardziej użyteczną rzeczą w zestawieniu tych dwóch modeli obok siebie, ponieważ wszystko inne w ich przypadku jest asymetryczne w sposób, który łatwo stwierdzić, a trudno przecenić. GPT Image 2.5 jest drugim i czwartym najlepszym modelem obrazowym na świecie na tablicy text-to-image Artificial Analysis, a za każdym z tych miejsc stoi trzynaście tysięcy głosów oddanych w ciemno. MiniMax-H3-Image nie ma żadnego miejsca — jego wagi trafiły na Hugging Face 10 listopada 2026 r. o 14:50 UTC, dzień przed napisaniem tego tekstu, i żadna arena nie miała czasu go ocenić. To nie jest więc porównanie dwóch kandydatów na równych zasadach. To porównanie modelu zmierzonego i niezmierzonego, a użyteczne pytanie brzmi, co oferuje ten niezmierzony, co uzasadniałoby sprawdzenie.

Jak faktycznie wyglądają te dwa wywołania

O​penAI's side is two model ids doing one job between them. gpt-image-2.5-sunburst is positioned for detailed compositions and precise editing; gpt-image-2.5-flare is the fast everyday variant. Both share the same snapshot date, the same endpoint surface and the same rate, and the split is latency against precision rather than capability against capability. There is no bare gpt-image-2.5 alias — you pick a variant. Generation goes to v1/images/generations, edits to v1/images/edits as multipart form data, and Batch is supported at half the output rate. Quality is a dial with six settings — low, medium, high, xhigh, max and auto, with auto the default.

M​iniMax's side is one model with two service tiers. MiniMax-H3-Image is a 33.1B dense diffusion transformer — 50 layers, hidden size 5,376, 56 attention heads, FFN width 14,336, 3D multimodal RoPE — distilled to six sampling steps with no classifier-free guidance. The served API enforces that: num_inference_steps must be 6 and guidance_scale must be 1, or you get an HTTP 400, and negative prompts are refused. Highspeed is the same weights at a higher per-token rate. There is no quality dial, no step count to raise, no second variant with different behaviour. You send a prompt and up to sixteen pictures and you get one image back, in a fixed number of passes.

Read those two paragraphs next to each other and the design philosophies separate cleanly. O​penAI gives you knobs and expects you to find the setting that fits the job. M​iniMax gives you one setting and expects the model to be good enough at it. The first is a tool; the second is an appliance.

To w rozmiarze luka jest największa — i wcale nie jest mała.

GPT Image 2.5 tops out at 3840×2160 — 8.29 megapixels — with dimensions required to be multiples of 16, an aspect ratio between 1:3 and 3:1, and anything above 2560×1440 flagged as experimental in O​penAI's own documentation. The recommended presets are 1024×1024, 1536×1024 and 1024×1536, and the custom-size path allows a pixel budget from 655,360 up to that 8,294,400 ceiling.

MiniMax-H3-Image's ceiling is roughly double that, and its floor is higher than O​penAI's ceiling-to-floor gap. The card claims about 16 megapixels at every aspect ratio — 4096×4096 at 1:1, 4736×3552 at 4:3, 5024×3360 at 3:2, 5472×3072 at 16:9, 6272×2688 at 21:9 — with the API capping output area at 20 megapixels and the practical working range described as 4 to 20 MP. There is no upscaler in the path; the model regenerates detail rather than enlarging it.

• Maksymalna rozdzielczość wyjściowa — GPT Image 2.5: 3840×2160, 8,29 MP. MiniMax-H3-Image: około 16 MP, do 20 MP przez API.

• Minimalna użyteczna rozdzielczość wyjściowa — GPT Image 2.5: 655 360 pikseli, więc miniatura 768-pikselowa jest obsługiwanym żądaniem. MiniMax-H3-Image: około 4 MP, bez poziomu dla małych obrazów.

• Reference images — both up to 16; O​penAI types the first as the edit target and treats the rest as references, M​iniMax orders all sixteen positionally with no typing.

• Kontrola jakości — GPT Image 2.5: sześć ustawień jakości oraz auto. MiniMax-H3-Image: brak; sześć kroków, bez guidance, wymuszone.

• Format wyjściowy — GPT Image 2.5: domyślnie PNG, dostępne JPEG i WebP, kompresja 0–100, przezroczyste tło przez background: "transparent". MiniMax-H3-Image: plik PNG w data[0].b64_json.

Jedna z tych różnic rozstrzyga o większej liczbie wdrożeń niż pozostałe. Jeśli Twoim produktem końcowym jest materiał 4K, GPT Image 2.5 nie jest w stanie go stworzyć — nie w niższej jakości, nie po zmianie ustawienia. Zatrzymuje się na 8,29 megapiksela, a reszta to skalowanie w górę. To nie jest krytyka modelu; to stwierdzenie, do czego służy produkt. Oznacza to jednak, że oba modele przestają konkurować w momencie, gdy Twoje wymaganie przekracza 8,3 MP, i żadna zmierzona wartość Elo tego nie zasypie.

Oba tokeny licznikowe, przy czym tylko jeden publikuje, co można kupić za token.

O​penAI bills GPT Image 2.5 by tokens: $5 per million text input tokens ($1.25 cached), $8 per million image input tokens ($2 cached), and $30 per million image output tokens, halved to $15 on the Batch API. Text output is not charged because the model returns images rather than prose. Those rates are unchanged from GPT Image 2, which is worth knowing if you priced the previous generation.

The number that matters and does not appear in O​penAI's rate card is how many output tokens an image costs, and O​penAI does not publish it — per-image consumption was not documented at launch and is still not documented per size. The only per-image figure in circulation is Artificial Analysis's derived $210.72 per thousand images, which is about $0.21 a frame at 1024×1024 with default settings. That is a third-party derivation from measured usage, not an O​penAI price, and it should be treated as an estimate that moves with quality setting and resolution.

M​iniMax publishes the resolved number directly, because its output rate is low enough that the arithmetic is simple: $2.30 per million input text tokens, $1.50 per million input image tokens, $3.80 per million output image tokens. The vendor's own worked examples give $0.02179 for a 1K image, $0.02333 at 2K and $0.06879 at 4K — the last of which is $0.03439 while a 50% discount holds, and that discount expires on 17 November 2026 at 16:00 UTC and applies only when the delivered image is at least 16,600,000 pixels.

Put the two side by side and the shape of the trade is stark. At 1024×1024, roughly $0.21 against $0.02179 — about ten to one. At the sizes each model is designed for, the comparison gets harder to make honestly, because GPT Image 2.5 at 8.29 MP and MiniMax-H3-Image at 16 MP are not the same product. What can be said without hedging is that if you are generating at 1K in volume, M​iniMax's price is an order of magnitude lower and its quality is unmeasured; that is the entire bet, stated plainly.

Two billing details on the M​iniMax side are easy to miss. Input images are billed per token at $1.50 per million, so references are not free — going from one to three references lifts a 2K edit from $0.02658 to $0.04177 in the vendor's own example. And the API charges for a request that times out, so a client-side retry policy turns one generation into two or three billed generations. O​penAI's documented behaviour is the opposite for failed and moderated requests, which it does not charge for.

Baza dowodowa jest jednostronna, a obie jej połowy mają znaczenie.

Na tablicy text-to-image Artificial Analysis GPT Image 2.5 Sunburst zajmuje drugie miejsce z wynikiem Elo 1228 na 13 370 próbkach, a Flare czwarte z wynikiem 1209 na 12 695 próbkach. Na tablicy edycji ta sama para zajmuje trzecie i piąte miejsce — 1199 na 18 617 próbkach dla Sunburst i 1181 na 19 498 dla Flare. Te liczby to oszacowania punktowe z przedziałami ufności rzędu dziesiątek Elo, co oznacza, że Sunburst i Flare nie są w istotny sposób od siebie odseparowane w text-to-image, a oba plasują się istotnie powyżej wszystkiego poniżej piątej pozycji.

Warto również zauważyć, że GPT Image 2.5 nie jest już najlepszym modelem w swojej własnej rodzinie. Warianty 2.6 — Sunburst i Flare — zajmują obecnie pierwsze i trzecie miejsce na liście text-to-image oraz pierwsze i drugie w edycji, przy tej samej cenie 210,72 USD za tysiąc obrazów. Czytelnik wybierający między MiniMax-H3-Image a GPT Image 2.5 wybiera więc między niezmierzonym nowicjuszem a poprzednią generacją zmierzonej serii, podczas gdy obecna generacja tej serii jest o jedno id modelu dalej, w tej samej cenie. Każdy, kto wybiera 2.5 ze względu na wynik, powinien sprawdzić, do czego ten wynik jest właściwie odnoszony.

MiniMax-H3-Image nie ma wyniku na żadnej z tych tablic ani tabeli ewaluacji dostawcy — żadnego GenEval, żadnego DPG-Bench, żadnych liczb dotyczących preferencji ludzi. Twierdzenie z karty ma charakter jakościowy: „najlepsze podążanie za instrukcjami wśród modeli open source”, bez dołączonej tabeli porównawczej. Siatka prezentacyjna to jedyny istniejący dowód w postaci wyników, a siatka prezentacyjna to artefakt wyselekcjonowany. Nic z tego nie jest podejrzane w przypadku modelu, który w chwili pisania tego tekstu był publicznie dostępny od zaledwie jednego dnia. Oznacza to jednak, że każdy argument za nim w tym artykule jest argumentem opartym na cenie, na rozdzielczości lub na architekturze, a żaden z nich nie jest argumentem opartym na zmierzonej jakości.

Budżet promptu, a także to, co model może utrzymać w głowie

GPT Image 2.5 accepts a normal O​penAI prompt and, per O​penAI's documentation, up to sixteen input images; the practical constraint on complex edits is not a character count but the mechanics of the request — the mask must match the first image in size and carry an alpha channel, and the annotation layer for markup edits must match the first image's dimensions exactly. There is no published token ceiling for image prompts in the model's documentation, which means the ceiling you plan against is the API's, not the model's.

MiniMax-H3-Image publishes a specific and modest budget: 32,000 characters on the served API, of which only about the first 4,096 tokens take effect, and the local SGLang path truncates at 4,096 tokens outright. For a model whose pitch is instruction following, four thousand tokens is tight — a detailed brief with sixteen reference images referenced by position eats a large fraction of it. M​iniMax's answer is a companion model: MiniMax-H3-Image-PE, a 27B prompt expander that rewrites a short request into a long caption plus an aspect-ratio recommendation and emits it as JSON. It fits in about 19 GiB of VRAM. Its editing path is described as prompt-only, so it helps text-to-image today and not much else.

That asymmetry is worth naming because it changes what “prompt following” means for each. O​penAI's model takes the prompt you wrote. M​iniMax's takes the prompt you wrote, or a prompt another model rewrote for it, and either way it has less room to hold the instruction. If your workflow depends on long, structured briefs with many named references, that is a real constraint and it will show up before quality ever does.

Licencja, retencja i koszt bycia zamkniętym

GPT Image 2.5 is closed. There are no weights, no self-hosting, no checkpoint to pin, and the commercial terms are an API contract. What O​penAI's developer documentation does state is that API data is not used for training unless you opt in, that the images endpoints are listed as not used for training, and that the models are Zero Data Retention compatible. Ownership and commercial-use terms live in separate policies, not in the developer docs.

MiniMax-H3-Image jest otwarty, a jego licencja jest bardziej restrykcyjna, niż sugeruje to słowo. Umowa licencyjna społeczności MiniMax-H3-Image z definicji wyklucza Unię Europejską, Zjednoczone Królestwo, Republikę Korei i Stany Zjednoczone; wymaga odrębnej pisemnej zgody powyżej miliona dolarów amerykańskich rocznego przychodu; wymaga tego samego w przypadku każdej usługi hostowanej, bez progu przychodowego; wymaga wyraźnego wyświetlania nazwy modelu w interfejsach komercyjnych; oraz zabrania wykorzystywania wyników do trenowania lub ulepszania innych modeli. Strona Hugging Face przedstawia to wszystko jako licencja: inna.

Zwykłe ujęcie odwraca się tutaj. Model zamknięty ma prostsze warunki i słabsze uzależnienie — możesz odejść, po prostu nie możesz zabrać wag. Model otwarty ma trudniejsze warunki i silniejsze uzależnienie, ponieważ licencja wykluczająca cztery główne rynki jest ograniczeniem dla twojej działalności, którego nie zrekompensuje żadna ilość wag do pobrania. Jeśli powodem, dla którego patrzysz na MiniMax-H3-Image, jest ścieżka self-hosted, przeczytaj licencję przed kartą modelu.

Kiedy ten niezmierzony jest właściwym wyborem

Istnieją trzy przypadki, w których MiniMax-H3-Image jest oczywistym wyborem, mimo braku rankingu, i w żadnym z nich powodem nie jest to, że „jest taniej”.

Pierwsza kwestia to rozdzielczość. Jeśli potrzebujesz ponad 8,29 megapiksela z jednego generowania, GPT Image 2.5 wypada z gry i porównanie się kończy. Szesnaście megapikseli za $0.06879 w porównaniu z powiększaniem klatki 8,29 MP to nie jest wyrównana konkurencja.

Druga kwestia to powtarzalność. Sześć kroków, brak guidance, opublikowany harmonogram w pdd_config.json, a także wagi, które możesz pobrać. Jeśli za rok będziesz potrzebować tego samego wyniku z tych samych danych wejściowych na własnym sprzęcie, GPT Image 2.5 nie może tego zaoferować, a MiniMax-H3-Image może — o ile pozwala na to licencja.

Trzeci aspekt to wolumen przy małych rozmiarach. Przy $0.02179 wobec około $0.21 przy 1K pipeline generujący sto tysięcy miniatur miesięcznie widzi różnicę rzędu dziesiątek tysięcy dolarów. To wystarczająco dużo pieniędzy, by uzasadnić przeprowadzenie własnego porównania w ciemno przez tydzień, co jest jedynym sposobem, by którakolwiek z tych liczb stała się podstawą decyzji.

Everything else points the other way. If you need a model that will not surprise you, GPT Image 2.5 has two board placements with thirteen thousand votes each and six weeks of paying traffic behind them; MiniMax-H3-Image has a day. If you need a quality dial, O​penAI has six settings and M​iniMax has none. If you need a small image, O​penAI goes down to 655,360 pixels and M​iniMax does not go below about 4 MP. And if you need the current best in that family rather than the previous generation, the 2.6 variants are the same price.

OrcaRouter routes both GPT Image 2.5 variants — gpt-image-2.5-sunburst and gpt-image-2.5-flare — under one key, at provider list price with 0% markup passed through, so a cut or a retirement on O​penAI's side is reflected the day it happens rather than the next time you migrate a billing integration. We do not serve MiniMax-H3-Image; it has no route on our catalogue, and the honest path to it today is M​iniMax's own API or the 135 GB of downloads. What we can do in a comparison like this is keep the measured side cheap to test and easy to fail over from, which is the part of the decision that does not depend on an arena score.

Co sprawiłoby, że byłoby to prawdziwym porównaniem?

Two things, and both are weeks rather than months away. The first is a MiniMax-H3-Image entry on an image arena with a few thousand samples, which will either confirm the price is a bargain or show it as what it currently is — an untested discount. The second is a per-image token figure from O​penAI at 2K and 4K, because the $0.21 estimate is a 1K number and the whole price argument shifts if the 4K multiplier is not what people assume.

Dopóki oba nie istnieją, decyzja jest wyjątkowo prosta: kupuj sprawdzony model do prac, które trzeba dostarczyć w umiarkowanej rozdzielczości, a MiniMax-H3-Image traktuj jako kandydata do zadań, których GPT Image 2.5 strukturalnie nie potrafi wykonać — szesnaście megapikseli, dokładna powtarzalność albo wolumen, w którym dziesięciokrotna różnica ceny zwraca się za samą ocenę wielokrotnie.