MiniMax-H3-Image vs Nano Banana 2.1: prawie ta sama cena, zupełnie nieporównywalne dowody

Dwa modele do generowania obrazów, oba w cenie około trzech centów za obraz, a decyzji między MiniMax-H3-Image i Nano Banana 2.1 nie rozstrzyga cena. Przy 1024×1024 nowy model o otwartych wagach kosztuje $0.02179 za wygenerowanie, a Nano Banana 2.1 od Google kosztuje $0.0336 — różnica wynosi około jednego centa. Przy 4096×4096 luka rośnie do $0.06879 wobec $0.113. Tańszy model jest więc naprawdę tańszy — o jedną trzecią do połowy. Nie da się jednak za żadne pieniądze kupić powodu, by wierzyć w deklarowaną jakość tańszego modelu, ponieważ nikt spoza MiniMax go nie zmierzył. Nano Banana 2.1 zajmuje czwarte miejsce na obu rankingach obrazów Artificial Analysis, a za każdą pozycją stoją tysiące próbek. MiniMax-H3-Image nie pojawia się na żadnym z tych rankingów, w żadnej pozycji, z żadną liczbą próbek. Ta asymetria to całe porównanie i żadna arytmetyka kart specyfikacji tego nie domknie.

Warto sprecyzować daty, zanim przejdziemy dalej, ponieważ te dwa modele nie są na tym samym etapie życia. Nano Banana 2.1 jest ogólnie dostępny od 6 października 2026 r. jako gemini-nano-banana-2.1, a zastąpił gemini-3.1-flash-image, który Google oznaczył jako przestarzały, z datą wyłączenia 29 października 2026 r. — więc jeśli wywoływano starszy model, trzeba było już przejść dalej. Wagi MiniMax-H3-Image trafiły na Hugging Face 10 listopada 2026 r. o 14:50 UTC, wraz ze zwięzłą kartą w notatkach o wydaniu API MiniMax z tego samego dnia i bez towarzyszącego wpisu na blogu. Jeden model ma za sobą miesiąc ruchu produkcyjnego; drugi — dzień od udostępnienia do pobrania. Oceń odpowiednio.

Co każde z nich faktycznie ci daje

Nano Banana 2.1 to pochodna Gemini 3.6 Flash sprzedawana wyłącznie przez interfejs API Google. Trzy poziomy rozdzielczości — 1K, 2K, 4K, bez opcji 512 pikseli — z proporcjami obrazu z typowego zestawu, kontekstem wejściowym 131 072 tokenów i 32 768 tokenami wyjściowymi. Przyjmuje do 14 obrazów referencyjnych w jednym żądaniu, dzielonych przez Google na 10 referencji obiektów i 4 referencje postaci, a generowanie może opierać na wynikach wyszukiwania Google lub wyszukiwania obrazów. Tryb myślenia jest domyślnie włączony na poziomie średnim, dostępne są też minimalny i wysoki, a przez API nie można go w ogóle wyłączyć. Każde wyjście ma znak wodny SynthID.

MiniMax-H3-Image to gęsty transformator dyfuzyjny o 33,1 mld parametrów z enkoderem CNN i 24-warstwowym dekoderem ViT dla VAE, udostępniany na własnej licencji społecznościowej MiniMax. Generowanie obrazów z tekstu i edycja działają przez jedną parę punktów końcowych; edycje przyjmują od 1 do 16 obrazów referencyjnych adresowanych pozycyjnie jako <Obraz 1> do <Obraz 16> w kolejności przesłania, a model jest destylowany do sześciu kroków próbkowania bez mechanizmu classifier-free guidance — obsługiwane API zwraca HTTP 400, jeśli przekażesz cokolwiek innego niż num_inference_steps=6 i guidance_scale=1. Obszar wyjściowy jest ograniczony przez API do 20 000 000 pikseli, z poziomami obszaru 1K, 2K i 4K, przy czym domyślny to 4K; karta modelu twierdzi, że wynosi około 16 megapikseli w każdym współczynniku proporcji. W repozytorium ani w licencji nie ma żadnej wzmianki o ugruntowaniu w wyszukiwaniu, budżecie na myślenie ani o schemacie znakowania wodnego.

Listy możliwości różnią się w sposób, który wprost przekłada się na to, dla kogo jest każdy z produktów. G​oogle wprowadziło orkiestrację: referencje, wyszukiwanie, budżet rozumowania, znaczniki pochodzenia. M​iniMax wprowadził rozdzielczość i kontrolę: szesnaście slotów referencyjnych, limit 20 megapikseli, stały sześcioetapowy sampler, który można dokładnie odtworzyć na własnym sprzęcie.

Drabinka cenowa ze szczegółowo określonym oknem rabatowym

Nano Banana 2.1 jest rozliczany według stawki 30 USD za milion tokenów wyjściowych obrazu, co — zgodnie z własną dokumentacją Google — daje 0,0336 USD za obraz 1K, 0,0504 USD za obraz 2K i 0,113 USD za obraz 4K. Obrazy wejściowe są rozliczane po 1,50 USD za milion tokenów, a tekst wyjściowy po 7,50 USD za milion. Dostępny jest poziom wsadowy po połowie tych stawek wyjściowych dla zadań, które mogą poczekać, a Artificial Analysis podaje efektywną stawkę 1K jako 33,60 USD za tysiąc obrazów — tę samą liczbę wyrażoną zbiorczo.

MiniMax-H3-Image jest rozliczany zasadniczo w ten sam sposób, ale z bardzo różnym skutkiem. Poziom standardowy: 2,30 USD za milion tokenów tekstu wejściowego, 1,50 USD za milion tokenów obrazu wejściowego, 3,80 USD za milion tokenów obrazu wyjściowego. Przeanalizowano to na własnych przykładach dostawcy:

• Generowanie obrazu z tekstu 1K — Nano Banana 2.1 $0.0336 vs MiniMax-H3-Image $0.02179.

• Generowanie obrazów z tekstu w 2K — 0,0504 USD vs 0,02333 USD.

• Generowanie obrazów 4K z tekstu — 0,113 USD vs 0,06879 USD, czyli 0,03439 USD w ramach ograniczonej czasowo 50% zniżki M​iniMax.

• Edycja z jedną referencją — G​oogle nie publikuje ceny edycji pojedynczego obrazu na tych poziomach; M​iniMax pobiera 0,02654 USD przy 1K, 0,02658 USD przy 2K i 0,07312 USD przy 4K.

• Edycja z trzema odniesieniami — $0.03563 przy 1K, $0.04177 przy 2K, $0.07914 przy 4K na M​iniMax.

Dwa szczegóły w tej drabince cenowej łatwo przeoczyć, a zmieniają one arytmetykę. Po pierwsze, zniżka MiniMax obowiązuje tylko wtedy, gdy dostarczony obraz ma co najmniej 16 600 000 pikseli, i wygasa 17 listopada 2026 r. o 16:00 UTC — sześć dni po udostępnieniu wag. Jeśli wyceniasz pipeline według dyskontowej stawki dla 4K, wyceniasz go na podstawie promocji. Po drugie, drabinka MiniMax jest nietypowo płaska: szesnaście razy więcej pikseli za nieco ponad trzykrotność ceny, ponieważ rozliczenie opiera się na tokenach, a liczba tokenów nie skaluje się z powierzchnią tak, jak sugeruje cena katalogowa. Drabinka Google'a jest bliższa proporcjonalności. Przy 4K — rozdzielczości, dla której powstał model z otwartymi wagami — to właśnie w tej płaskości kryją się rzeczywiste oszczędności.

Warstwa routingu zasługuje tutaj na swoje miejsce dlatego, że nie trzeba się przejmować, na którym z tych dwóch liczników się znajdujesz. OrcaRouter przekazuje cenę katalogową dostawcy bez marży (0%), co oznacza, że zmiana ceny dostawcy — w tym promocja taka jak ta od M​iniMax, a także jej wygaśnięcie — jest widoczna po naszej stronie tego samego dnia, zamiast czekać na migrację rozliczeń. Żaden z modeli w tym porównaniu nie znajduje się w naszym katalogu: MiniMax-H3-Image ma tydzień i nie ma hostowanej trasy, a do Nano Banana 2.1 prowadzi własne API G​oogle. Z tej linii mamy natomiast poprzednią generację, google/gemini-3.1-flash-image-preview, obok tras obrazowych O​penAI i trasy wideo dla M​iniMax H3. Powód, by mówić to wprost, jest taki, że artykuł porównujący niezmierzony checkpoint z otwartymi wagami z ocenionym modelem zamkniętym nie powinien udawać, że nowy checkpoint jest oddalony o jedno naciśnięcie klawisza.

Tylko jedna strona tego ma tablicę wyników.

Artificial Analysis przyznaje Nano Banana 2.1 wynik Elo 1160 na swojej tablicy generowania obrazów z tekstu — czwarte miejsce na podstawie ponad 6,055 próbek — oraz Elo 1137 na tablicy edycji obrazów, również czwarte miejsce na podstawie ponad 5,968 próbek. Oba miejsca mieszczą się w zakresie od czwartego do szóstego, w zależności od odczytywanego przedziału. Są to wyniki niezależne, oparte na próbkach i porównywalne z każdym innym modelem na tablicy — w tym z tymi, których już używasz.

MiniMax-H3-Image nie ma wpisu na żadnej z tych list rankingowych. Nie niskiego — żadnego. Karta dostawcy nazywa go „wiodącym modelem obrazowym z otwartymi wagami”, a siatka prezentacyjna w repozytorium to jedyny istniejący dowód jakości wyników, czyli dokładnie taki rodzaj dowodu, który jest zaprojektowany, by wyglądać dobrze. Nie ma też tabeli ewaluacji dostawcy — żadnego GenEval, żadnego DPG-Bench, żadnych liczb dotyczących preferencji ludzi, niczego do porównania z opublikowaną ewaluacją konkurenta. Za miesiąc może to już wyglądać inaczej. Dziś uczciwe podsumowanie brzmi tak: tańszy model jest tańszy, a zmierzony model jest zmierzony, i te dwa fakty nie są ze sobą sprzeczne, ponieważ dotyczą różnych rzeczy.

Istnieje koszt drugiego rzędu, który cena za obraz całkowicie ukrywa, i jest to największa liczba w tym artykule: 68,65 GB transformatora dyfuzyjnego i VAE w BF16 i FP32, plus koder tekstowy, który w ogóle nie znajduje się w repozytorium. MiniMax-H3-Image wczytuje text_encoder/ z modelu wideo MiniMax-H3, 66,7 GB Qwen3-VL, więc pierwsze lokalne generowanie oznacza pobranie około 135 GB z dwóch repozytoriów. Dodaj do tego GPU: własne wytyczne MiniMax dotyczące serwowania dla vLLM-Omni wymieniają H200, RTX PRO 6000 Blackwell i AMD Instinct MI350X, a równoległość sekwencyjna na wielu GPU — --ulysses-degree w SGLang, --usp w vLLM-Omni — to udokumentowany sposób uzyskania akceptowalnego opóźnienia przy pełnej rozdzielczości. Przy cenie $0.02179 za obraz 1K API jest tańsze niż prąd przez bardzo długi czas. Otwarte wagi są cenne ze względu na kontrolę i warunki licencji, a nie na ekonomikę jednostkową w małej skali.

Limity, które decydują o liczbie wdrożeń w większym stopniu niż jakość.

Limit rozdzielczości jest oczywisty i nie ma tu nawet blisko. Nano Banana 2.1 zatrzymuje się na 4K. MiniMax-H3-Image osiąga 20 megapikseli przez API i około 16 megapikseli w przykładach na karcie — 4096×4096 przy 1:1, 6272×2688 przy 21:9, 5472×3072 przy 4K 16:9. Jeśli twoim rezultatem ma być plansza w rozmiarze do druku albo tło, które zostanie mocno przycięte, model zamknięty odpada, zanim jakość w ogóle wejdzie do dyskusji, a dwa modele z tego artykułu w ogóle przestają ze sobą konkurować.

Obsługa referencji działa w drugą stronę. 14 referencji G​oogle jest typowanych — 10 obiektów, 4 postacie — a typowanie robi robotę: mówi modelowi, jaką rolę odgrywa każdy obraz. 16 referencji M​iniMax to nietypowane sloty adresowane przez pozycję, czyli więcej swobody i mniej struktury. Jeśli Twój workflow to „umieść tę osobę w tej kurtce na tym tle”, typowanie G​oogle jest funkcją. Jeśli to „oto szesnaście klatek, zachowaj tożsamość we wszystkich”, górny limit M​iniMax jest funkcją. Żadne z nich nie jest nadzbiorem.

Budżet promptu jest trzeci. Nano Banana 2.1 ma do dyspozycji 131 072 tokeny kontekstu wejściowego. MiniMax-H3-Image przyjmuje do 32 000 znaków w udostępnianym API, ale przy wyłączonym wzbogacaniu promptu efektywnie działają tylko mniej więcej pierwsze 4096 tokenów, a lokalna ścieżka SGLang obcina tekst wprost na 4096 tokenach. Dla modelu, którego główną obietnicą jest podążanie za instrukcjami, to ciasny budżet — dlatego M​iniMax dostarczył model towarzyszący: MiniMax-H3-Image-PE, 27B FP4 będący fine-tunem Qwen3.8-27B, który przepisuje krótkie zapytanie na długi opis wraz z rekomendacją proporcji obrazu i zwraca go jako JSON zgodny ze schematem. Mieści się w około 19 GiB VRAM. Jego edycyjna połowa jest opisywana jako prompt-only i wciąż w fazie rozwoju, więc ekspander obecnie pomaga w generowaniu obrazu z tekstu i niewiele poza tym.

A licencja — która nie ma odpowiednika po stronie Google, ponieważ nie ma czego licencjonować. Umowa społecznościowa MiniMax wymaga odrębnej uprzedniej pisemnej zgody, jeśli roczny przychód przekracza milion dolarów amerykańskich, lub — w przypadku oferowania usług hostowanych — wymaga, aby słowa „MiniMax-H3-Image” były wyraźnie widoczne w każdym interfejsie komercyjnym wykorzystującym ten model; ogranicza też użycie do określonego terytorium i zabrania wykorzystywania wyników do trenowania lub ulepszania innych modeli. Warunki Google to standardowa umowa API. „Otwarte wagi” oznaczają tutaj licencję, którą trzeba przeczytać, a nie licencję, którą można zignorować.

Jak wyglądają oba rachunki za rzeczywisty miesiąc

Załóżmy, że generujesz 20 000 obrazów miesięcznie w 2K. Nano Banana 2.1 kosztuje 1 008 USD według ceny katalogowej, czyli 504 USD w wariancie wsadowym, jeśli zadanie może czekać w kolejce. MiniMax-H3-Image kosztuje 466,60 USD według ceny katalogowej przez API M​iniMax — albo, w modelu self-hosted, tyle, ile kosztowałyby cię od dwóch do czterech takich GPU przez czas, jaki to zajmie, co dla większości zespołów oznacza więcej. Załóżmy zamiast tego, że generujesz 2 000 obrazów miesięcznie w 4K i okno rabatowe się zamknęło: 226 USD dla G​oogle, 137,58 USD dla M​iniMax. Oszczędność jest realna i wynosi trzycyfrową kwotę miesięcznie, a nie pięciocyfrową. Taka jest właściwa skala tej korzyści i należy ją rozważyć w zestawieniu z kosztem bycia pierwszą osobą, która odkryje, gdzie zawodzi model, którego nikt nie zmierzył.

Ta asymetria przemawia za konkretnym wzorcem, a nie za zwycięzcą. Skieruj ścieżkę produkcyjną do modelu z tabelą wyników, a wycinek ruchu wyślij do taniego, aby zbudować własne dowody — stały zestaw promptów, własna ocena, dwa tygodnie porównania. To jest właśnie ten przypadek, dla którego istnieje failover: nieznany model traktowany jako trasa kandydująca, a nie zamiennik, ze sprawdzonym modelem w odwodzie, gdy zadanie wróci błędne. Sześcioetapowe próbkowanie bez nadzoru przy 16 megapikselach to również długie żądanie według standardów obrazu i nie jest idempotentne po stronie MiniMax — przekroczenie limitu czasu klienta jest rozliczane, a zestawy SDK OpenAI domyślnie ponawiają dwa razy, chyba że ustawisz max_retries=0. Długie żądania rozliczane przy przekroczeniu limitu czasu to dokładnie te, pod którymi chcesz mieć drugą trasę.

Pytanie, które rozwiązuje to w ciągu około miesiąca

Żaden z modeli nie jest złym wyborem; wybór zależy od tego, czy stać Cię na to, by to Ty dokonywał pomiarów. Jeśli produkt końcowy potrzebuje tablicy wyników, zanim potrzebuje decyzji, Nano Banana 2.1 jest jedynym modelem w tym porównaniu, który ją ma, a w 4K kosztuje 0,113 USD wobec 0,06879 USD MiniMaxa — różnica, o którą nie raz będziesz się spierać wewnętrznie. Jeśli produkt końcowy wymaga 16 megapikseli, typowane referencje nie mają znaczenia, a rozdzielczość ma, i MiniMax-H3-Image jest jedynym modelem w tym porównaniu, który ją oferuje.

Rozstrzygnęłoby to coś, co się nie wydarzyło: niezależna weryfikacja. MiniMax-H3-Image ma za sobą zaledwie jeden dzień publicznej obecności, o jego warunki licencyjne wciąż pytano w wątku dyskusyjnym repozytorium jeszcze kilka godzin po pojawieniu się wag, a jego własny rozszerzacz promptów jest w połowie gotowy. Kiedy trafi na Artificial Analysis z liczbą próbek, różnica w cenie przestanie być argumentem zastępczym i stanie się rzeczywistą transakcją. Do tego czasu kupuj zmierzony model do pracy, która musi zostać dostarczona, a tani model traktuj jako kandydata, którego oceniasz — nie jako zamiennik, na który już się zdecydowałeś.