MiniMax-H3-Image vs Qwen-Image 2.1: Dwa otwarte checkpointy, dwa różne zamki

Oba te modele można pobrać, ale żaden z nich nie jest darmowy w tym sensie, jaki to słowo zwykle sugeruje. MiniMax-H3-Image — pobranie o rozmiarze 68,65 GB, z czego sam transformer waży 66,28 GB, a do tego koder tekstowy o rozmiarze 66,7 GB, wagi opublikowane 10 listopada 2026 r. — jest udostępniany na licencji społecznościowej, która wyłącza z udzielanego pozwolenia Unię Europejską, Zjednoczone Królestwo, Republikę Korei i Stany Zjednoczone oraz wymaga pisemnej zgody MiniMax powyżej 1 mln USD zannualizowanego przychodu albo w przypadku jakiejkolwiek usługi hostowanej. Qwen-Image 2.1, wydany przez zespół Qwen firmy Alibaba 20 września 2026 r. i zajmujący około jedną czwartą tego rozmiaru, czyli 33,13 GB, jest udostępniany na podstawie Qwen Research License Agreement, którego sekcja 2(a) przyznaje prawa „FOR NON-COMMERCIAL PURPOSES ONLY”, a sekcja 2(b) zakazuje użytku komercyjnego bez odrębnej licencji. Jedna blokada jest geograficzna i ma pokrętło przychodowe; druga jest absolutna. Jeśli trafiłeś tutaj, aby wybrać model, który możesz umieścić w produkcie, pliki licencji już odpowiedziały, a reszta tego porównania dotyczy znacznie węższego zbioru zastosowań, w których ta odpowiedź pozostawia ci wybór.

Kontrast inżynieryjny jest równie wyraźny i biegnie w przeciwnym kierunku, niż sugerują liczby parametrów. Qwen-Image 2.1 to generator wizualny z 7 miliardami parametrów, który odszumia w czterdziestu krokach. MiniMax-H3-Image to gęsty transformer z 33,1 miliarda parametrów zdestylowany do sześciu kroków. Jeden powstał po to, by zmieścić się na stacji roboczej; drugi — by hostowane zapytanie wydawało się natychmiastowe. Ustalenie, który jest tańszy na tysiąc obrazów, nie polega na mnożeniu parametrów przez cokolwiek — chodzi o to, gdzie faktycznie tkwi koszt każdego z nich.

Co oznacza „open” w każdej licencji, klauzula po klauzuli

Zacznij od Qwen, ponieważ jego warunki są prostsze z tych dwóch i bardziej restrykcyjne w typowym przypadku. Karta Hugging Face oznacza licencję jako other z license_name: qwen-research, a plik LICENSE w repozytorium to Qwen Research License Agreement z 20 września 2026 r. Język postanowień nie jest dwuznaczny: prawa są udzielane wyłącznie w celach niekomercyjnych, „Non-Commercial” definiuje się jako badania lub ocenę, a każdy, kto chce coś udostępnić, musi wystąpić o licencję pod adresem wskazanym w umowie. Nie ma progu przychodów, wyłączenia terytorialnego ani ścieżki zapisanej w tekście, dzięki której mała firma mogłaby kwalifikować się automatycznie. To grant badawczy i tylko tyle.

Umowa MiniMax jest bardziej permisywna w teorii i bardziej osobliwa w praktyce. Licencja ma zasięg ogólnoświatowy, ale wyklucza z nazwy cztery jurysdykcje. Użycie komercyjne jest przewidziane, a nie zabronione, z zastrzeżeniem dwóch przesłanek wymagających uprzedniej pisemnej zgody oraz klauzuli atrybucji zobowiązującej każdy produkt komercyjny do „wyróżniającego wyeksponowania »MiniMax-H3-Image«” w swoim interfejsie. Umowa wymaga również zabezpieczeń w przypadku każdej usługi generującej wyniki — wdrożenia, utrzymania, testowania i okresowego przeglądu — co jest tego rodzaju klauzulą, którą zespół ds. zgodności czyta jako zobowiązanie, a samodzielny deweloper jako formułkę standardową.

Zestawione obok siebie, oba dokumenty tworzą dziwną mapę. Studio w Tokio może komercyjnie używać MiniMax-H3-Image, z autoryzacją powyżej progu, a Qwen-Image 2.1 nie może używać komercyjnie w ogóle. Studio w Kalifornii nie może używać żadnego z nich: MiniMax wyklucza to terytorium całkowicie, a Qwen zakazuje tego celu. Grupa badawcza w dowolnym miejscu może używać obu, ponieważ to badania są tym, co Qwen przyznaje i co obejmuje niekomercyjna wykładnia MiniMax. To ostatnie zdanie to uczciwe podsumowanie dziedziny modeli obrazowych z otwartymi wagami w listopadzie 2026 roku i żadna tabela benchmarków tego nie zmienia.

Czterdzieści kroków przeciw sześciu, i co to robi z rachunkiem

Różnica w próbniku jest najistotniejszym faktem inżynieryjnym w tym zestawieniu, ponieważ dominuje nad wszystkimi pozostałymi aspektami kosztu.

• Kroki — Qwen-Image 2.1 domyślnie uruchamia Flow Matching z dyskretnym harmonogramem Eulera przy czterdziestu krokach odszumiania na bazowym checkpointie, bez wariantu destylowanego w bazowym repozytorium. Osobny checkpoint Qwen-Image 2.1 Turbo, wydany 9 października 2026 r., redukuje to do ośmiu kroków z CFG równym 1 i harmonogramem przechowywanym w checkpointie. MiniMax-H3-Image wykonuje sześć kroków i całkowicie rezygnuje z classifier-free guidance — nie jest to wartość domyślna, lecz ograniczenie: udostępniane API zwraca HTTP 400 dla każdej innej liczby kroków lub wartości guidance i odrzuca prompty negatywne.

• Rozmiar — komponent generacji wizualnej Qwen ma 7 mld parametrów w 32 jednowątkowych warstwach DiT, z uwagą blokowo-przyczynową; tekst i instrukcje otrzymują przyczynową maskę na poziomie tokenów, a generowanie obrazu — dwukierunkową maskę na poziomie fragmentów. MiniMax jest gęsty i ma 33,1 mld parametrów, 50 warstw, wymiar ukryty 5 376, 56 głów, FFN 14 336, z 3D multimodalnym RoPE i łatą utajoną 2×2 obejmującą 32×32 pikseli na token.

• Pobieranie — łącznie 33,13 GB dla Qwen-Image 2.1 (około 20,5 GB na transformer i VAE, reszta to enkoder tekstu Qwen3-VL 8B). Około 135 GB dla M​iniMax, zanim cokolwiek wygenerujesz.

Policz to, a intuicja się odwraca. Model 33B przy sześciu krokach wykonuje około 199 mld kroków parametrowych pracy na obraz; model 7B przy czterdziestu krokach wykonuje około 280 mld. Większy model nie jest automatycznie droższy — i właśnie w tym tkwi sens destylacji oraz powód, dla którego „33B” w karcie specyfikacji prawie nic nie mówi o tym, ile kosztuje cię obraz. Jednak na danej karcie to checkpoint 33B może się nie zmieścić przy szesnastu megapikselach, a M​iniMax nigdzie w materiałach wydania nie publikuje liczby opóźnienia, przepisu sprzętowego ani wskazówek dotyczących pamięci, które powiedziałyby, czy się zmieści. Q​wen zamiast tego publikuje stałe presety: 2048×2048 w proporcjach 1:1, 2400×1792 w proporcjach 4:3, 2752×1536 w proporcjach 16:9 i ich transpozycje — około 4,2 megapiksela maksymalnie, czyli jedna czwarta tego, co deklaruje M​iniMax.

Ta różnica w rozdzielczości nie jest przypadkowa w porównaniu kosztów. Drabinka cenowa M​iniMax do 4K jest nietypowo płaska, ponieważ rozlicza się w tokenach, a ich liczba nie skaluje się z powierzchnią tak, jak podpowiada intuicja — $0.02179 przy 1K wobec $0.06879 przy 4K, zanim rabat premierowy zmniejszy najwyższy próg o połowę. Q​wen nie ma drabinki do porównania, ponieważ nie ma hostowanego modelu bazowego do kupienia: Artificial Analysis wymienia Qwen-Image-2.1 bez żadnej ceny, co w tym rankingu oznacza brak API. Poziomy Pro i Turbo, które A​libaba rzeczywiście hostuje, to zupełnie osobne wiersze — po $35.33 i $16 za tysiąc obrazów.

Jedyna zdolność, którą ma Q​wen, a której nie ma M​iniMax

Natywna przezroczystość. VAE modelu Qwen-Image 2.1 to 64-kanałowy autoenkoder RGBA z 16-krotną kompresją przestrzenną, dzięki czemu kanał alfa pochodzi bezpośrednio z modelu, a nie z późniejszego przebiegu usuwania tła. To realna różnica w przepływie pracy dla każdego, kto tworzy zasoby przeznaczone do komponowania — wycięcia produktów, sprity, warstwowe pliki projektowe — i nie jest to coś, co można wymusić promptem w MiniMax-H3-Image. Nic w jego repozytorium, karcie modelu ani licencji nie wspomina o kanale alfa, a jego VAE jest opisany jako enkoder CNN z 24-warstwowym dekoderem ViT i 24 kanałami utajonymi.

Reszta listy możliwości na papierze przemawia na korzyść M​iniMax i warto ją uważnie przeczytać, ponieważ większość z niej pochodzi od dostawcy:

• Rozdzielczość — To tutaj 33B zaczyna mieć konkretny sens. MiniMax-H3-Image generuje natywnie obrazy o rozdzielczości do około szesnastu megapikseli przy dowolnym współczynniku proporcji — od 4096×4096 do 6272×2688 — z limitem 20 megapikseli w API i bez upscalera w procesie. Udokumentowane presety Q​wen osiągają maksymalnie około 4,2 megapiksela.

• Odwołania — MiniMax-H3-Image przyjmuje do szesnastu, a wskazujesz je za pomocą slotu: prompt zawiera <Picture 3> i oznacza trzeci przesłany plik. Qwen-Image 2.1 przyjmuje do dziesięciu, a jego prezentacja obejmuje zdjęcie grupowe złożone z sześciu portretów.

• Podążanie za instrukcjami — karta M​iniMax twierdzi, że model oferuje „najsilniejsze podążanie za instrukcjami wśród modeli open source”, ale za tym zdaniem nie stoi żadna tabela ewaluacyjna. Q​wen publikuje wynik VDEBench na poziomie 0,81 lokalnie i 0,83 globalnie na 3 506 próbkach, co jest rzeczywistą liczbą z rzeczywistą liczbą próbek, a mimo to wciąż liczbą dostawcy, obliczoną przez własne narzędzie testowe dostawcy.

• Długość promptu — MiniMax akceptuje 32 000 znaków w udostępnianym API, przy czym efektywnie działa około pierwszych 4096 tokenów. Karta i przykłady Qwen są opracowane wokół krótkich, ustrukturyzowanych instrukcji, a nie długich promptów, a jego mechanizm attention o mieszanej granulacji został wprost zaprojektowany do jednorazowego buforowania instrukcji i obrazów warunkujących oraz ponownego wykorzystywania ich w kolejnych krokach, co stanowi twierdzenie o wydajności, a nie o pojemności.

Co teraz pokazują niezależne rady

Oba modele są oceniane w obu arenach obrazowych Artificial Analysis na dzień 14 listopada 2026 r., co czyni to jednym z niewielu porównań modeli o otwartych wagach, w których obie strony mają porównywalne dowody zewnętrzne. Ranking tekst-na-obraz jest niemal remisowy: MiniMax-H3-Image zajmuje 25. miejsce na 114 pozycji z Elo 1066 i przedziałem od 1051 do 1080, a Qwen-Image-2.1 zajmuje 28. miejsce z wynikiem 1047 i przedziałem od 1035 do 1059. Dwadzieścia punktów Elo przy przedziałach, które ledwie się mijają, to przewaga, a nie luka, i nikt nie powinien na tej podstawie zmieniać potoku.

Ranking edycji jest tym, który rozstrzyga. MiniMax-H3-Image zajmuje 13. miejsce na 84 z wynikiem Elo 1,138 (1,122–1,154); Qwen-Image-2.1 jest 30. z wynikiem 1,084 (1,071–1,097). To pięćdziesiąt cztery punkty Elo bez najmniejszego nakładania się przedziałów i jedyne miejsce w tym porównaniu, w którym dowody od stron trzecich mówią coś rozstrzygającego o jakości, a nie o koszcie czy licencji.

Warianty podążają za swoimi wersjami bazowymi, nie zmieniając kształtu. MiniMax-H3-Image Highspeed zajmuje 24. miejsce w generowaniu obrazów z tekstu (1,072) i 14. w edycji (1,134), więc szybszy poziom usługi jest blisko standardowego w obu rankingach. Po stronie Qwen hostowany wariant Pro ma 1,059 i 1,068, a Turbo 1,025 i 1,062 — oba poniżej wyniku edycji bazowego checkpointu, co jest oczekiwanym kosztem harmonogramu ośmiu kroków, a nie niespodzianką.

Dwie uwagi, zanim ktokolwiek oprze na tych liczbach uzasadnienie zakupu. Po pierwsze, Elo pochodzi z zaślepionych głosowań parami, a nie z pomiarów rozdzielczości, obsługi kanału alfa czy przestrzegania liczby kroków; zarząd, który nie widzi twojego pipeline'u komponowania, nie może ocenić tego, co ma dla niego znaczenie. Po drugie, wiersze Qwen-Image-2.1 zostały wygenerowane przez osoby samodzielnie uruchamiające wagi, ponieważ nie ma hostowanego bazowego endpointu, do którego można skierować prompt, podczas gdy wiersze M​iniMax obejmują ruch kierowany do jego API. Różne populacje, ten sam ranking — a Artificial Analysis sama wskazuje tę różnicę, zamiast ją ukrywać.

Gdzie OrcaRouter pasuje, a gdzie nie

Żaden z tych modeli nie znajduje się w katalogu OrcaRouter i warto powiedzieć to wprost, zamiast to ukrywać: na dzień 14 listopada 2026 r. nie ma tu żadnej trasy dla MiniMax-H3-Image ani dla Qwen-Image 2.1, a powyższa analiza licencji w dużej mierze wyjaśnia, dlaczego hostowany katalog to inna działalność niż repozytorium wag. To, co platforma faktycznie kieruje w obszarze obrazów, to rodziny G​oogle i O​penAI — w tym modele obrazów G​emini oraz linię GPT Image — pod tym samym kluczem co jej modele tekstowe, w cenie katalogowej dostawcy z 0% marży przekazywanej dalej.

Częścią tego, co w tym porównaniu jest faktycznie przydatne, jest DSL routingu. Potok, który potrzebuje płytki o rozdzielczości 16 megapikseli do zlecenia drukowania i miniatury o rozdzielczości 1 megapiksela do oferty, nie chce, aby jeden model robił jedno i drugie w jednej cenie, i nie chce dwóch umów z dostawcami, żeby to osiągnąć. Komponowanie wywołań — jedna trasa dla ciężkiego generowania, druga dla taniej wersji pochodnej, obie za jednym punktem końcowym — jest tym, po co istnieje router, i to ten sam argument za umieszczeniem checkpointu z licencją badawczą za usługą wewnętrzną, zamiast wpinania go do aplikacji.

Decyzja, ujęta tak wąsko, jak na to zasługuje.

Dla grupy badawczej, zespołu ewaluacyjnego lub kogokolwiek, czyje wyniki nigdy nie trafiają do komercyjnej sprzedaży, Qwen-Image 2.1 jest lepszym wyborem do pobrania: jedna trzecia rozmiaru, udokumentowane presety, opublikowany wynik ewaluacji z liczbą próbek, ośmiostopniowy tryb Turbo, gdy chcesz iterować, oraz natywna obsługa kanału alfa, jeśli Twoja praca wiąże się z komponowaniem. To także model, którego zachowanie możesz scharakteryzować na własnym sprzęcie jeszcze dziś po południu.

Dla zespołu komercyjnego poza czterema wyłączonymi jurysdykcjami MiniMax-H3-Image jest jedynym z tych dwóch, który możesz legalnie wdrożyć, i jest silniejszym modelem do edycji o przewagę, którą zarząd może rozstrzygnąć. Uwzględnij w budżecie pobranie, licz się z negocjacjami z MiniMax po przekroczeniu miliona przychodu i zaplanuj wymóg atrybucji w interfejsie przed premierą, a nie po niej.

Dla zespołu komercyjnego w tych jurysdykcjach odpowiedź brzmi: ani jedno, ani drugie. To niezadowalające i trafne. Dziedzina obrazów z otwartymi wagami dotarła do punktu, w którym interesujące pytanie nie brzmi już, który checkpoint uzyskuje lepsze wyniki, lecz który twój prawnik pozwoli ci uruchomić — a w tej kwestii ta para jest użyteczną ilustracją tego, ile różnych rzeczy zaczęło oznaczać słowo „open”.

Co by to poruszyło

Zmiana licencji po którejkolwiek ze stron wpłynęłaby na to porównanie bardziej niż jakiekolwiek wydanie punktowe. Lista terytoriów M​iniMax wygląda jak domyślna klauzula zgodności, a firma już wcześniej zmieniała licencje modeli; licencja badawcza Q​wen jest standardem tej rodziny od serii 2.1, a komercyjny poziom dla wag bazowych — odrębny od hostowanych endpointów Pro i Turbo — uczyniłby Q​wen oczywistym wyborem dla każdego, kto chce samego artefaktu. Dopóki jedno z tych zdarzeń nie nastąpi, różnice techniczne między tymi dwoma modelami są realne, dobrze udokumentowane i w większości akademickie dla każdego, kto ma produkt do wdrożenia.