MiniMax-H3-Image vs MiniMax-H3: Jeden jest modelem wideo, a drugi — jego wyciętą klatką statyczną

Najbardziej szczerą rzeczą w MiniMax-H3-Image jest jego lista plików. Sześćdziesiąt sześć gigabajtów transformatora dyfuzyjnego, 2,34 GB VAE, dwanaście megabajtów głowic próbkowania na krok — i nigdzie w repozytorium żadnego enkodera tekstu. Enkoder nie zaginął. Jest pożyczony: model_index.json sięga do MiniMax-H3, 33B wszechmodalnego modelu wideo M​iniMax, udostępnionego jako open source 31 lipca 2026 r., i ładuje text_encoder/ stamtąd 66,7 GB Qwen3-VL, bez zmian. Jeśli MiniMax-H3 już masz na dysku, model obrazu nie kosztuje nic dodatkowego przy kodowaniu promptu. Jeśli nie, twoja pierwsza nieruchoma klatka wiąże się z pobraniem 135 GB, a drugi model w tym porównaniu naprawdę pracuje na rzecz pierwszego.

Ta jedna linia konfiguracji określa relację między tymi dwoma modelami i wyjaśnia większość praktycznych różnic między nimi. MiniMax-H3-Image to MiniMax-H3 z usuniętą gałęzią audio, głowicą wyjściową przekierowaną z latentnego wideo na latentny obraz i całością zdestylowaną do sześciu kroków próbkowania. Po stronie tekstu nic się nie zmieniło. DiT odczytuje nawet te same stany ukryte z 50. warstwy z tego samego enkodera, dlatego foldery tokenizera i procesora są identyczne co do bajtu i dlatego model obrazu dziedziczy obsługę angielskojęzycznych promptów po H3, bez ani jednej linii nowego treningu na tej ścieżce.

To, co czyni ten temat wartym opisania teraz, to sposób wydania, a nie jego zawartość. MiniMax nie opublikował wpisu na blogu poświęconego modelowi obrazowemu. Blog firmy i indeks aktualności nie zawierają nic na temat modelu obrazowego — najnowsza pozycja to wpis o M3.1 Flash z 19 października — a strony modeli wciąż wysuwają na pierwszy plan H3 jako system wideo. Jedynym potwierdzeniem ze strony dostawcy, jakie udało się znaleźć, jest karta datowana na 10 listopada 2026 w liście wydań modeli w dokumentacji API, o treści „Wiodący model obrazowy o otwartych wagach. Od pomysłów do nowych światów” — zdanie bez specyfikacji, bez benchmarku i bez własnej daty. Repozytorium na Hugging Face powstało 3 listopada, a wagi trafiły tam 10 listopada o 14:50 UTC. W ciągu godziny pojawiły się dwie rewizje README oraz przewodnik wdrożeniowy dla vLLM-Omni. To ciche wydanie: artefakty są prawdziwe i możliwe do pobrania, ogłoszenia nie ma. Wszystko poniżej odczytano z repozytorium, pliku licencji i dokumentacji samego MiniMax, a tam, gdzie jakaś liczba jest niepowtórzonym twierdzeniem dostawcy, mówimy o tym wprost.

Dwa modele, na warunkach, na jakich każdy z nich faktycznie jest sprzedawany

MiniMax-H3 to uniwersalny generator omnimodalny. Przyjmuje tekst, obrazy, wideo i dźwięk jako jeden spakowany kontekst i generuje od 4 do 15 sekund wideo przy 24 klatkach na sekundę z natywnym dźwiękiem stereo 32 kHz, natywnie w 768p, z osobnym przebiegiem regeneracji — H3-Regenerate-2K — który przepuszcza wynik i oryginalny kontekst ponownie przez model, aby osiągnąć 2K. Istotne są dwa warianty wejściowe: H3-Base-FL2VA przyjmuje zero, jeden lub dwa obrazy pełniące rolę klatki pierwszej i/lub ostatniej, a H3-Base-Ref2VA przyjmuje do 9 obrazów, 3 klipy wideo i 3 klipy audio, łącznie maksymalnie 12 plików. Hostowany preprocesor o nazwie H3-Context-IR analizuje mieszane dane wejściowe i przekształca je w ustrukturyzowaną postać, a MiniMax wyraźnie zaznacza, że nie jest on częścią otwartego wydania, ponieważ zależy od kilku hostowanych modeli.

MiniMax-H3-Image przyjmuje tekst oraz do 16 obrazów referencyjnych i generuje jeden obraz. Transformer dyfuzyjny ma 33,1 mld parametrów — gęstą architekturę jednostrumieniową, 50 warstw, wymiar ukryty 5376, 56 głowic uwagi, szerokość FFN 14 336, 3D multimodalne RoPE, wagi BF16 z osadzaniem, warstwą timestep i warstwą wyjściową w FP32. VAE obrazu to enkoder CNN z 24-warstwowym dekoderem ViT, 16× podpróbkowaniem przestrzennym i 24 kanałami latentnymi; DiT dzieli ten latent na patchе 2×2, więc jeden token transformera obejmuje blok 32×32 pikseli. Obszar wyjściowy sięga 20 megapikseli przez API, a najważniejsza deklaracja karty to około 16 megapikseli przy każdej proporcji — od 4096×4096 przy 1:1 do 6272×2688 przy 21:9, bez upscalera.

Przeczytaj te dwa akapity obok siebie, a rozwidlenie staje się oczywiste. Model wideo zużywa swoją pojemność na czas i na drugą modalność. Model obrazu zużywa ją na przestrzeń. Ten sam trzon, inny cel.

Sześć kroków i brak classifier-free guidance to prawdziwa inżynieria.

Tym, co w MiniMax-H3-Image nie jest wyłącznie odejmowaniem, jest destylacja, i jest ona wymuszana, a nie zalecana. Checkpoint wykonuje sześć kroków próbkowania — sześć NFE — całkowicie bez guidance'u classifier-free. Udostępniane API nie traktuje ich jako wartości domyślnych: num_inference_steps musi zostać pominięty lub wynosić 6, guidance_scale musi zostać pominięty lub wynosić 1, a każda inna wartość zwraca HTTP 400. Negatywne prompty są kategorycznie odrzucane. Osobny plik, pdd_fused_heads.safetensors, zawiera głowice wyjściowe dla poszczególnych kroków, które zastępują warstwę wyjściową transformera, z harmonogramem w pdd_config.json; to 12 MB z łącznych 68,65 GB wykonujące nieproporcjonalnie dużą część pracy.

To jest różnica między modelem, który można umieścić za interaktywną powierzchnią, a takim, którego nie można. Model dyfuzyjny z 30 krokami i guidance przy 16 megapikselach to zadanie wsadowe. Sześć kroków bez guidance przy tej samej rozdzielczości to pojedyncze żądanie. Własne sformułowanie M​iniMax — „16-megapikselowe obrazy przy praktycznym koszcie obliczeniowym” — jest twierdzeniem o liczbie FLOPs na piksel, a harmonogram sześciu kroków jest sposobem, w jaki to twierdzenie się realizuje. Czy utrzymuje się ono na poziomie jakości sugerowanym przez obrazy pokazowe, to pytanie, na które nie odpowiedziała żadna strona trzecia; na dzień 10 listopada 2026 r. nie ma wpisu w Artificial Analysis dla MiniMax-H3-Image na żadnej z dwóch tablic obrazów ani tabeli oceny dostawcy w karcie.

Jeśli chodzi o serwowanie lokalne, wsparcie frameworków jest wyjątkowo kompletne jak na tak młody model. SGLang to ścieżka referencyjna z udokumentowanym cookbookiem; vLLM-Omni publikuje przepis z konfiguracjami dla poszczególnych sprzętów i zmierzoną latencją, wymieniając NVIDIA H200, RTX PRO 6000 Blackwell i AMD Instinct MI350X; zarówno diffusers, jak i ComfyUI zapewniają wsparcie. Równoległość sekwencji to jedna flaga — --ulysses-degree w SGLang, --usp w vLLM-Omni — a do rozpoczęcia wystarczy jedna karta GPU. Prawdziwym kosztem pamięci jest enkoder tekstu, i jest to enkoder tekstu modelu wideo, co jest sednem całego tego porównania.

Dwa mierniki i żaden z nich nie jest licznikiem tokenów, który da się ocenić na oko.

MiniMax rozlicza te dwa modele w niekompatybilnych jednostkach, co jest pułapką w każdym pytaniu „który jest tańszy”. H3 jest rozliczany w sekundach wygenerowanego materiału, według rozdzielczości: 0,08 USD za sekundę przy 768P, 0,13 USD za sekundę przy 2K, a materiał wejściowy jest rozliczany dodatkowo — pierwsze pięć obrazów referencyjnych bezpłatnie i 0,04 USD za każdy kolejny w modelu bazowym, wejście audio bezpłatnie, wideo referencyjne rozliczane według własnego czasu trwania w rozdzielczości wyjściowej. 10-sekundowy klip 2K to 1,30 USD za materiał wyjściowy, zanim doliczy się jakiekolwiek referencje.

MiniMax-H3-Image jest rozliczany w tokenach według stawki za generowanie obrazów. W standardowym planie opublikowany cennik podaje $2.30 za milion wejściowych tokenów tekstowych, $1.50 za milion wejściowych tokenów obrazowych i $3.80 za milion wyjściowych tokenów obrazowych, a własne przykłady obliczeń dostawcy sprowadzają to do:

• 1K (1024×1024) tekst na obraz — 0,02179 USD za obraz.

• 2K (2048×2048) generowanie obrazu z tekstu — $0.02333 za obraz.

• 4K (4096×4096) generowanie obrazów z tekstu — $0.06879 za obraz, w cenie $0.03439 w ramach ograniczonej czasowo zniżki 50%.

• Edycja 1K z jedną referencją — 0,02654 USD; 2K — 0,02658 USD; 4K — 0,07312 USD, po obniżce do 0,03656 USD.

• Edycja 1K z trzema referencjami — $0.03563; 2K — $0.04177; 4K — $0.07914, po rabacie do $0.03957.

Najciekawszy jest kształt tej drabiny. Szesnaście razy więcej pikseli kosztuje nieco ponad trzy razy więcej pieniędzy, ponieważ licznikiem są tokeny, a liczba tokenów nie skaluje się liniowo wraz z powierzchnią tak, jak podpowiada intuicja. Wariant wysokiej szybkości, MiniMax-H3-Image-Highspeed, przyjmuje identyczne parametry i limity i nalicza 7,60 USD za milion tokenów wyjściowych obrazu — 0,03529 USD przy 1K, 0,13001 USD przy 4K przed tym samym rabatem. Rabat obowiązuje, gdy dostarczony obraz ma co najmniej 16 600 000 pikseli, i trwa do 17 listopada 2026 r. do godz. 16:00 UTC, co jest jedynym datowanym faktem komercyjnym w całym wydaniu.

Postaw dwa mierniki obok siebie, a widelec dostaje cenę. Jedna sekunda wideo 768P kosztuje 0,08 USD; najtańszy obraz statyczny M​iniMax to około 0,022 USD. Czterosekundowy klip — najkrótszy, jaki wykona H3 — kosztuje mniej więcej piętnaście obrazów 1K. To nie jest argument za żadnym z modeli. To powód, dla którego „który jest tańszy” nie ma odpowiedzi, dopóki nie powiesz, co produkujesz.

Gdzie fork daje o sobie znać w rzeczywistym wdrożeniu

Trzy asymetrie mają większe znaczenie niż kwestia benchmarku.

Pierwsza kwestia to obsługa danych wejściowych. H3-Image przyjmuje do 16 obrazów referencyjnych podczas jednej edycji i odwołuje się do nich pozycyjnie jako <Picture 1>, <Picture 2> i tak dalej, w kolejności przesyłania; całkowity rozmiar treści żądania jest ograniczony do 64 MiB, a Base64 zwiększa rozmiar pliku o około jedną trzecią, więc żądanie z 16 obrazami musi korzystać z adresów URL lub wcześniej przesłanych odwołań do plików, a nie z danych wbudowanych. Tryb referencyjny H3 to zupełnie inna sprawa — 9 obrazów, 3 filmy, 3 klipy audio, 12 plików, wszystko upakowane w jedną sekwencję ze strukturą czasową. Obsługa referencji żadnego z modeli nie jest nadzbiorem obsługi drugiego.

Drugim jest długość promptu. Udostępniane API H3-Image przyjmuje do 32 000 znaków, ale przy wyłączonym ulepszaniu promptu efektywnie działają tylko mniej więcej pierwsze 4096 tokenów; lokalna ścieżka SGLang obcina na 4096 tokenach i koniec. To niewielki budżet jak na model, którego atutem jest szczegółowe podążanie za instrukcjami, i właśnie dlatego istnieje towarzyszący ekspander promptów — MiniMax-H3-Image-PE, fine-tune 27B FP4 modelu Qwen3.8-27B, który przepisuje krótkie zapytanie na długi opis oraz rekomendację proporcji, wydany 8 listopada i objęty tą samą licencją społecznościową. Jego część edycyjna ukazała się wyłącznie jako prompt; wagi do rozszerzania po stronie edycji nadal są opisywane jako będące w opracowaniu.

Trzecia to licencja i jest to ta sama licencja dla obu modeli tylko z nazwy. Umowa licencyjna społeczności MiniMax-H3-Image wymaga odrębnej uprzedniej pisemnej zgody MiniMax, jeśli Twój roczny przychód lub przychód Twoich podmiotów powiązanych przekracza milion dolarów amerykańskich albo jeśli świadczysz usługi hostowane stronom trzecim. Wymaga wyraźnego wyświetlania „MiniMax-H3-Image” w interfejsie każdego komercyjnego produktu, który go używa. Ogranicza użycie do zdefiniowanego Terytorium Obowiązywania, zabrania wykorzystywania wyników do ulepszania jakiegokolwiek innego modelu AI i nie rości sobie praw do samych wyników. Licencja na wideo H3 to odrębna umowa z własnymi warunkami. Jeśli budujesz produkt na obu, masz dwie licencje, a nie jedną.

Czego nie robi żaden z modeli

MiniMax-H3-Image nie potrafi tworzyć wideo. Nie ma osi czasowej, gałęzi audio ani parametru czasu trwania — VAE audio po prostu zniknął z architektury, a wynikiem jest jeden obraz latentny na żądanie, maksymalnie dziesięć na wywołanie przez API. MiniMax-H3 nie potrafi wygenerować nieruchomego obrazu o rozdzielczości 16 megapikseli. Domyślnie generuje 768p, a 2K osiąga dzięki przebiegowi regeneracji; żądanie pojedynczej klatki 4096×4096 nie jest obsługiwanym żądaniem. Jeśli Twój potok wymaga głównego nieruchomego obrazu i pięciosekundowej pętli z zsynchronizowanym dialogiem z tego samego świata wizualnego, wywołujesz dwa modele, a na platformie MiniMax rozliczasz się według dwóch różnych liczników.

Oba łączy jedna rzecz, którą łatwo przeoczyć: brak negatywnego promptu. H3-Image odrzuca to pole. Sterowanie promptem w H3 odbywa się poprzez opis pozytywny i Context-IR, a nie poprzez wykluczanie. Każdy, kto przenosi workflow Stable Diffusion do któregokolwiek z tych modeli, traci tę dźwignię już pierwszego dnia.

Do kogo zadzwonić?

Uczciwy podział pracy opiera się na rezultatach, a nie na jakości. Jeśli artefaktem jest nieruchomy obraz — render produktu, klatka kluczowa, 16-megapikselowy obraz z czytelnym tekstem — modelem jest MiniMax-H3-Image, a sześcioetapowy harmonogram oznacza, że możesz pozwolić sobie na iterowanie. Jeśli artefakt się porusza, modelem jest H3, a gałąź audio jest powodem, by preferować go zamiast łączenia nieruchomych obrazów w sekwencję.

Zakres zmian, jaki wprowadza tutaj warstwa routingu, jest węższy, niż to brzmi, i warto powiedzieć to wprost: OrcaRouter nie udostępnia MiniMax-H3-Image. Model uzyskał publiczne wagi 10 listopada i nie ma trasy w naszym katalogu, więc jeśli chcesz go już dziś, możesz pobrać go z własnego API MiniMax albo samodzielnie uruchomić checkout o rozmiarze 68,65 GB. To, co natomiast oferujemy, to minimax/minimax-h3, model wideo, rozliczany za sekundę po cenie katalogowej, bez marży — a użyteczna właściwość w potoku z dwoma modelami polega na tym, że ten sam klucz, który wywołuje H3, daje też dostęp do ponad 200 innych modeli na platformie.

Nie trzeba patrzeć na to, czy H3-Image jest dobry. Trzeba patrzeć na to, czy MiniMax mówi o nim cokolwiek. Model dostarczany z wagami, licencją, cennikiem i czterema integracjami z frameworkami, ale bez wpisu na blogu i bez benchmarku, to model, którego twierdzenia wciąż pochodzą wyłącznie od dostawcy. Pierwsze niezależne umieszczenie na tablicy obrazów albo pierwsze bezpośrednie starcie z zamkniętym modelem przy tej samej rozdzielczości powie Ci więcej niż siatka prezentacyjna. Do tego czasu repozytorium jest zapisem, a repozytorium mówi: to jest H3 z wyłączonym dźwiękiem.