MiniMax-H3-Image kontra GPT Image 2.6: co tak naprawdę możesz zmienić w każdym żądaniu

Większość porównań modeli obrazowych poświęca miejsce na wyniki. To poświęca je na pokrętła, ponieważ MiniMax-H3-Image i G​PT Image 2.6 Sunburst nie konkurują o to samo pokrętło. MiniMax-H3-Image to transformer dyfuzyjny o otwartych wagach i 33,1 mld parametrów, udostępniony 10 listopada 2026 r., który uruchamia stały próbnik sześciokrokowy bez skali guidance, przyjmuje do szesnastu obrazów referencyjnych i natywnie generuje obrazy o rozdzielczości do szesnastu megapikseli. G​PT Image 2.6 Sunburst — oraz jego szybszy bliźniak G​PT Image 2.6 Flare, oba wydane 4 listopada 2026 r. — to zamknięty model hostowany, którego ostatnie postępy dotyczą głównie tego, co można mu przekazać i co zwraca: ponownie wykorzystywanych obrazów referencyjnych, edycji sterowanych znacznikami, danych wyjściowych w formatach GIF i SVG. Jeśli Twoim wąskim gardłem jest kontrolowanie długiego łańcucha edycji, oczywiście właściwy jest jeden z nich. Jeśli wąskim gardłem jest rozdzielczość lub rachunek, właściwy jest drugi.

Oba warto traktować poważnie. One po prostu zawodzą w różnych kierunkach, a tryby awarii są czytelne już z samych powierzchni sterowania.

Sampler to z jednej strony pokrętło, a z drugiej stała.

MiniMax-H3-Image nie daje niemal niczego do strojenia i egzekwuje to na granicy API. Checkpoint jest destylowany z CFG do sześciu ewaluacji funkcji, co oznacza, że zwykłe dwa pokrętła pracy dyfuzji — liczba kroków i skala guidance — zostały wtopione w wagi. Wywołaj go z num_inference_steps ustawionym na cokolwiek innego niż sześć, a żądanie wróci jako HTTP 400. Ustaw guidance_scale na cokolwiek innego niż jeden, a zostanie odrzucone w ten sam sposób. Wyślij negative_prompt, a zostanie kategorycznie odrzucony, ponieważ nie ma drugiego przejścia w przód, na którym mógłby zadziałać.

To brzmi restrykcyjnie i jest w większości uproszczeniem. Sześć kroków jest szybkie, deterministyczne przy danym ziarnie i niemożliwe do błędnej konfiguracji — nie ma awarii typu „podkręciłem liczbę kroków i zrobiło się gorzej”. Tracisz możliwość wymiany jakości na opóźnienie wewnątrz modelu oraz wszelkie sztuczki z negatywnym promptem, które zdążyłeś zgromadzić.

GPT Image 2.6 zachowuje własną niewielką powierzchnię sterowania zamiast pokręteł próbkowania: złożonościowy parametr, który domyślnie przyjmuje wysoką wartość, co jest najbliższym odpowiednikiem przełącznika „pomyśl mocniej”, jaki ma którykolwiek z modeli. Jego udokumentowane dodatki w wersji 2.6 dotyczą danych wejściowych i wyjściowych, a nie próbkowania — obrazy referencyjne, które utrzymują się przez kolejne edycje, dzięki czemu nie trzeba ich ponownie przesyłać, znaczniki rysowane na obrazie referencyjnym, aby ukierunkować edycję, oraz dwa formaty wyjściowe, których poprzednia generacja nie oferowała.

• Liczba kroków — MiniMax-H3-Image jest na stałe ustawiona na sześć, w przeciwnym razie odrzucana; GPT Image 2.6 nie ma udostępnionej kontroli liczby kroków.

• Wskazówka — MiniMax-H3-Image przypina guidance_scale do wartości jeden; zamiast tego GPT Image 2.6 udostępnia complexity (domyślnie wysoka).

• Negatywne prompty — odrzucane z kodem 400 przez MiniMax-H3-Image; nieudokumentowana funkcja w GPT Image 2.6.

• Budżet promptu — MiniMax-H3-Image obcina po 4096 tokenach; górny limit promptu w GPT Image 2.6 nie jest publikowany na jego stronach modelu.

Szesnaście slotów referencyjnych to najszersza kontrola, jaką oferuje którykolwiek z modeli.

Największą różnicą funkcjonalną jest to, ile kontekstu można umieścić przed edycją. MiniMax-H3-Image przyjmuje do szesnastu obrazów referencyjnych w jednym żądaniu, a karta modelu opisuje tryb edycji jako działający z mniej więcej taką samą wiernością jak generowanie — port vLLM-Omni raportuje 0,985 SSIM i około 35 dB PSNR względem własnej referencji na pojedynczym GPU przy edycji 2048², co jest testem spójności wewnętrznej, a nie oceną jakości, ale oznacza, że ścieżka zrównoleglona nie pogarsza po cichu Twojego wyniku.

Szesnaście referencji to zupełnie inny poziom kontroli niż „jeden obraz plus jedno zdanie”. Fotografię produktową z sześciu ujęć, arkusz stylu, kartę postaci i wytyczne marki można wprowadzić jednocześnie. Ceną tej rozległości jest to, że inżynieria promptów zamienia się w inżynierię kontekstu: gdy w grę wchodzi szesnaście obrazów, tekst musi wskazywać, który z nich odpowiada za który atrybut, a model nie ma sposobu, by dopytać.

Odpowiedź G​PT Image 2.6 na ten sam problem to pamięć, a nie szerokość. Obrazy referencyjne pozostają dostępne w kolejnych edycjach w ramach sesji, więc wieloetapowa retusz nie wymaga ponownego przesyłania oryginału za każdym razem, a ścieżka edycji sterowana znacznikami pozwala wskazać region zamiast go opisywać. W przypadku pracy iteracyjnej na jednym obrazie jest to lepszy interfejs niż szesnaście statycznych slotów. W przypadku jednorazowego kompozytu zbudowanego z kilkunastu zasobów już nie.

Co wychodzi z powrotem

Lista formatów wyjściowych to obszar, w którym G​PT Image 2.6 wyprzedza każdy model obrazowy z otwartymi wagami, w tym ten. Wersja 2.6 dodała wyjście animowanego GIF-a i wyjście SVG obok zwykłych formatów rastrowych. Wynik w SVG ma większe znaczenie, niż się wydaje: to różnica między modelem obrazowym, którego używasz do tworzenia wstępnej koncepcji logo, a takim, który możesz przekazać front-endowi. MiniMax-H3-Image zwraca PNG — jego ścieżka serwowania jest walidowana przez porównanie bitowo identycznych plików PNG — a nic w potoku vLLM-Omni ani w karcie modelu nie wskazuje na wyjście wektorowe ani animowane.

Rozdzielczość wypada w drugą stronę i to bez porównania. MiniMax-H3-Image generuje natywnie do szesnastu megapikseli, przy każdym współczynniku proporcji od kwadratu po ultraszeroki, bez upscalera w torze przetwarzania — 4096×4096 i 6272×2688 to oba natywne wyniki. Zakres roboczy to około czterech do dwudziestu megapikseli, a jakość osiąga szczyt blisko jego górnej granicy. Strony modelu G​PT Image 2.6 dokumentują formaty i obsługę referencji, ale nie podają maksymalnej liczby pikseli, więc spór o rozdzielczość w tym starciu to liczba opublikowana przez M​iniMax przeciwko brakowi takiej liczby u O​penAI, a nie zmierzony pojedynek bezpośredni.

• Natywna rozdzielczość wyjściowa — MiniMax-H3-Image do 16 MP przy dowolnym współczynniku proporcji, bez upscalowania; G​PT Image 2.6 nie podaje maksimum.

• Formaty — MiniMax-H3-Image zwraca PNG; G​PT Image 2.6 dodaje GIF i SVG.

• Proporcje — MiniMax-H3-Image akceptuje dowolną parę szerokości i wysokości; zestaw dla GPT Image 2.6 nie jest publikowany na stronie modelu.

• Dane wejściowe do edycji — MiniMax-H3-Image przyjmuje do 16 obrazów referencyjnych na żądanie; G​PT Image 2.6 zachowuje referencje między turami i akceptuje rysowane znaczniki.

Rachunek, na podstawie własnych przykładów obliczeniowych każdego dostawcy

Obaj dostawcy rozliczają obrazy jako tokeny, przez co ceny z cennika wydają się porównywalne, a koszty przypadające na obraz nie mają ze sobą nic wspólnego. M​iniMax publikuje rozpisane przykłady na swojej stronie z cennikiem, więc to arytmetyka na ich własnych liczbach, a nie wyprowadzenie:

• MiniMax-H3-Image 1024×1024, tekst na obraz — 0,02179 USD za obraz, w porównaniu z 3,80 USD za milion tokenów wyjściowych.

• MiniMax-H3-Image 2048×2048 — 0,02333 USD za obraz. Podwojenie liczby pikseli kosztuje pół centa, ponieważ na tym końcu zakresu liczba tokenów rośnie znacznie wolniej niż powierzchnia.

• MiniMax-H3-Image 4096×4096 — 0,06879 USD za obraz, obniżona do 0,03439 USD w ramach ograniczonej czasowo oferty -50%, która trwa do 17 listopada 2026 r. do godz. 16:00 UTC i wymaga, aby dostarczony obraz miał co najmniej 16 600 000 pikseli.

• Edycja {{1}}MiniMax-H3-Image{{/1}}, jedna referencja w rozmiarze {{2}}1024×1024{{/2}} — {{3}}$0.02654{{/3}} za obraz, przy czym obrazy wejściowe są rozliczane po {{4}}$1.50{{/4}} za milion tokenów, a tekst wejściowy po {{5}}$2.30{{/5}}.

• G​PT Image 2.6 — tokeny wyjściowe po 30 USD za milion. Przy liczbie tokenów, jaką dla wyniku 1024×1024 implikuje dokumentacja samego O​penAI, daje to blisko 21 centów za obraz, czyli mniej więcej dziesięć razy więcej niż wartość M​iniMax dla tego samego nominalnego rozmiaru.

Prędkości też się różnią i właśnie tutaj oba produkty przestają być wymienne. Według liczb opublikowanych przez MiniMax przy wydaniu z 4 listopada GPT Image 2.6 Flare realizuje żądanie text-to-image w medianie około 30 sekund, wobec około 55 w poprzedniej generacji, a edycję w około 32 sekundy, wobec około 58. Sunburst to wolniejszy, wyższej wierności poziom i stał się jeszcze wolniejszy — około 135 sekund wobec 113. Opóźnienie samego MiniMax-H3-Image da się zmierzyć tylko tam, gdzie go hostujesz: 0,88 sekundy dla obrazu 2048² na czterech H200, 1,35 sekundy dla edycji 2048², zgodnie z oficjalną recepturą. To nie są liczby tego samego rodzaju — opóźnienie węzła hostowanego samodzielnie kontra mediana zarządzanego endpointu obejmująca kolejkę — i umieszczanie ich w jednym zdaniu tak, jakby były tym samym, byłoby nieuczciwe. To, co porównanie może uczciwie stwierdzić, to że hostowane żądanie 2.6 zajmuje dziesiątki sekund, a lokalne żądanie H3-Image poniżej dwóch, pod warunkiem że masz już cztery GPU.

Co obejmuje publiczny materiał dowodowy, a czego nie

Artificial Analysis ocenia oba z nich w tych samych dwóch rankingach, dzięki czemu to jedno z niewielu miejsc w tym starciu, w których obie strony można porównać bezpośrednio, a nie na podstawie danych z arkuszy specyfikacji. W AA-Image-Editing v2.1 GPT Image 2.6 Sunburst ma 1 210 Elo na podstawie około 6 400 próbek, Flare – 1 206 na podstawie około 6 700, a MiniMax-H3-Image – 1 138 w przedziale rankingowym od ósmego do siedemnastego miejsca na podstawie około 3 200 próbek. W AA-Image-T2I v2.1 różnica się powiększa: Sunburst ma 1 261 i zajmuje pierwsze miejsce na podstawie 5 282 próbek, podczas gdy MiniMax-H3-Image ma 1 066 i jest sklasyfikowany na dwudziestym trzecim miejscu. Ta sama pula głosów, ta sama skala Elo, około siedemdziesięciu punktów różnicy w edycji i niemal dwieście w generowaniu.

Przy uczciwej lekturze widać, że to mówi dwie rzeczy naraz. MiniMax-H3-Image to najwyżej sklasyfikowany model z otwartymi wagami na liście edycji — przed Fibo 2.0 z wynikiem 1085 i Qwen-Image-2.1 z 1084 — więc jego twierdzenie o jakości nie jest już deklaracją; to zmierzona liczba. Ale ta liczba jest o około siedemdziesiąt punktów Elo niższa niż G​PT Image 2.6 Sunburst, a jego przedział obejmuje dziesięć miejsc, podczas gdy pasmo Sunburst w pierwszej trójce — nie. Na osi, która najoczywiściej jest wspólna dla obu modeli, G​PT Image 2.6 wygrywa, i wygrywa wyraźniej na liście, na której H3-Image wypada słabiej. Argument o rozdzielczości 16 megapikseli i cena dwóch centów nadal bronią się same; po prostu nie są to argumenty o jakości.

To, czego nie mówi ci żaden z tych dwóch rankingów, to jak duża część przewagi G​PT Image 2.6 przetrwa, gdy zadaniem jest to, o którym traktuje ten artykuł — długi łańcuch edycji z wieloma odniesieniami i stałym samplerem. Elo to agregat preferencji ludzi na nieznanych promptach, a model może wyprzedzać w tym agregacie o siedemdziesiąt punktów, jednocześnie przegrywając w konkretnym przepływie pracy. Jedynym sposobem, by się tego dowiedzieć, jest przepuszczenie własnych promptów przez oba modele, co jest zaleceniem na końcu tego tekstu, a nie asekuracyjnym zastrzeżeniem w jego środku.

Uruchamianie ich równolegle bez drugiej umowy

Praktyczna komplikacja polega na tym, że dla większości zespołów żaden z modeli nie jest osiągalny jednym wywołaniem API. Ścieżka dostępu do MiniMax-H3-Image od pierwszego dnia prowadzi przez hosting własny — to całkowity zestaw 67B składający się z transformera 33,1B, enkodera tekstowego Qwen3-VL 33,4B użytego bez zmian z modelu wideo oraz VAE 0,58B, a optymalny punkt 16 megapikseli wymaga czterech GPU w centrum danych do pracy z pełną prędkością. Jest też dostępny przez API samego dostawcy i kilka platform firm trzecich w ramach podanego powyżej cennika tokenów. GPT Image 2.6 jest dostępny wyłącznie u OpenAI.

Jeśli chcesz porównać A/B te dwa modele na własnych promptach, uczciwy opis warstwy routingu jest taki: OrcaRouter nie obsługuje jeszcze MiniMax-H3-Image i nie obsługuje G​PT Image 2.6 Sunburst ani Flare. Obsługuje natomiast poprzednią parę G​PT Image — gpt-image-2.5-sunburst i gpt-image-2.5-flare — obok gpt-image-2 i gpt-image-1.5, wszystkie po cenie katalogowej dostawcy, bez doliczanej marży. To daje przydatny test pośredni: zbuduj harness pod 2.5 przez jeden klucz, potwierdź, że Twoja ewaluacja rzeczywiście odróżnia wierność Sunburst od szybkości Flare, a dopiero potem zdecyduj, czy tym, czego potrzebujesz, jest różnica w 2.6, czy samodzielnie hostowany model open-weight. Fuzja modeli to inna opcja, o której warto tu wiedzieć — panel modeli odpowiadających na ten sam prompt obrazowy daje rozrzut wyników na prompt bez konieczności pisania trzech klientów.

Odwrotny przypadek jest zresztą już objęty: minimax/minimax-h3, model wideo, z którego DiT i enkodera tekstu zbudowany jest MiniMax-H3-Image, jest dziś dostępny w routingu. Jeśli powodem, dla którego rozważasz model obrazu, jest to, że już używasz wideo H3, rodzina odpowiada już na jednym kluczu.

Który wybrać?

Wybierz MiniMax-H3-Image, gdy ograniczeniem są piksele, referencje lub koszt jednostkowy: natywny wynik 16 megapikseli, szesnaście obrazów wejściowych i około dwóch centów za generację 1024². Wybierz GPT Image 2.6, gdy ograniczeniem jest kształt wyniku lub płynność pętli edycji: SVG i GIF na wyjściu, trwałe referencje i rysowane znaczniki na wejściu oraz siedemdziesięciopunktowa przewaga Elo na tablicy edycji, za którą stoi przedział obejmujący pierwszą trójkę.

Z pełnym przekonaniem nie wybieraj żadnego z nich, jeśli tak naprawdę potrzebowałeś wyniku dla swoich promptów. Oba modele mają teraz publiczne wyniki, a oba te wyniki są agregatami z czyichś promptów; porównaniem, które rozstrzyga twoją sprawę, jest to, które sam przeprowadzisz, z rachunkiem przypisanym do każdej jego strony. Ranking daje ci punkt wyjścia — G​PT Image 2.6 jest z przodu, a w text-to-image wyprzedza na tyle, że powinieneś się tego spodziewać. Nie da ci natomiast odpowiedzi dla kompozycji produktowej z szesnastoma referencjami przy czterech megapikselach, ponieważ nikt nie opublikował tego porównania, a tablice Elo go nie mierzą.