MiniMax-H3-Image vs Qwen-Image 3.0: otwarta luka pozostawiona przez Qwen

Linia modeli graficznych Alibaby była kiedyś łatwą rekomendacją dla każdego, kto chciał posiadać model, a nie wynajmować go: pobierz wagi, uruchom go, przestań spierać się o cenniki. Qwen-Image 3.0 zakończył to w sierpniu. Ukazał się 22 lipca 2026 r. wyłącznie na zaproszenia, stał się ogólnie dostępny 4 sierpnia w wariantach Standard i Pro na Qwen Cloud oraz Alibaba Cloud Model Studio i pojawił się bez wag, bez karty modelu, bez liczby parametrów i bez raportu technicznego. Otwartą gałęzią rodziny jest Qwen-Image-2.1, wydany 20 września 2026 r. na niekomercyjnej licencji badawczej — można go analizować, dostrajać, ale nie można go wdrożyć w produkcie. MiniMax-H3-Image, którego wagi opublikowano na Hugging Face 10 listopada 2026 r. o 14:50 UTC, jest pierwszym poważnym modelem graficznym od tego czasu, który wypełnia tę lukę. To jest prawdziwe porównanie: nie to, który model jest ładniejszy, ale który pozostawia ci wyjście.

Dwie ścieżki zakupu, które kiedyś były jedną

Przed wersją 3.0 „Qwen czy coś innego” było pytaniem o jakość, ponieważ odpowiedź dotycząca licencji zawsze była taka sama. Teraz te dwa modele znajdują się po przeciwnych stronach granicy, która ma większe znaczenie niż jakikolwiek benchmark: co się stanie, jeśli dostawca podniesie cenę, wycofa dany poziom lub będzie miał zły tydzień.

Qwen-Image 3.0 to usługa hostowana z dobrze udokumentowanym interfejsem i opublikowanym cennikiem. MiniMax-H3-Image to zarówno usługa hostowana, jak i 68,65 GB transformera do pobrania oraz 66,7 GB enkodera tekstu, który zapożycza z repozytorium wideo MiniMax-H3, na mocy MiniMax-H3-Image Community License Agreement. Licencja nie jest licencją Apache 2.0 i ktoś z twojego działu prawnego powinien ją przeczytać przed komercyjnym wdrożeniem — ale jest to licencja na plik, który posiadasz, co jest czymś kategorycznie innym niż cennik.

Jedna praktyczna konsekwencja, którą łatwo przeoczyć: cena tego wyjścia to nie tylko dysk. Próbnik MiniMax-H3-Image jest ustalony na sześć kroków, bez guidance bez klasyfikatora i bez promptów negatywnych, a API odrzuca każdą inną liczbę kroków lub wartość guidance z HTTP 400. Sześć przebiegów w przód sprawia, że transformer z 33 miliardami parametrów przy szesnastu megapikselach jest praktyczny na wynajmowanym sprzęcie, a także oznacza, że zwykła pętla dostrajania przy self-hostingu nie istnieje. To, co dostrajasz, to prompt i referencje.

Co Qwen-Image 3.0 faktycznie mówi ci o sobie

Mniej, niż sugeruje jego dokumentacja. Alibaba nie opublikowała żadnych liczb benchmarkowych dla Qwen-Image 3.0 — ani w Qwen-Image-Bench, ani nigdzie indziej — ani architektury, więc jedynym niezależnym sygnałem jest Artificial Analysis, którego obecne rankingi plasują Qwen-Image-3.0-Pro na 1094 Elo w generowaniu obrazów na podstawie tekstu przy 6691 próbkach, a Qwen-Image-3.0 na 1074 — odpowiednio na dziewiętnastym i dwudziestym miejscu na liście, której pierwsza piątka to wyłącznie modele OpenAI. W edycji obrazów Pro ma około 1085, a Standard około 1062. To nie są imponujące pozycje i to jedyne liczby, jakie istnieją.

MiniMax-H3-Image nie ma wiersza w żadnym z dwóch rankingów na dzień 11 listopada 2026 r. — nawet słabego, żadnego. Nie można więc uszeregować żadnego z modeli względem drugiego na podstawie niezależnego wyniku, a każde twierdzenie, że jeden bije drugi pod względem jakości, to czyjeś wrażenie ubrane w szaty porównania. Porównywać można interfejs, rozdzielczość, cenę i wyjście.

Wymiary, w których te dwa mocno się rozjeżdżają

• Rozdzielczość — MiniMax-H3-Image: około szesnastu megapikseli przy każdym współczynniku proporcji, od 4096×4096 przy 1:1 do 6272×2688 przy 21:9, z limitem 20 MP w API. Qwen-Image 3.0: maksymalnie 2048×2048 według własnych danych Alibaba, około 4,2 megapiksela.

• Cena przy 2K — MiniMax-H3-Image: 0,02333 USD za wygenerowany obraz, w tym poziom 4K w cenie katalogowej 0,06879 USD. Qwen-Image 3.0: 0,03 USD za obraz w wersji Standard przy 1K lub 2K, a edycje rozliczane około 0,003 USD za referencję wejściową; Pro to 0,04 USD przy 1K i 0,075 USD przy 2K.

• Wagi — MiniMax-H3-Image: dostępne, licencja społecznościowa, cztery udokumentowane ścieżki serwowania, w tym wsparcie vLLM-Omni od pierwszego dnia na NVIDIA i AMD. Qwen-Image 3.0: brak, co jest odwróceniem podejścia z wersji 1.0 i 2.0. Otwartym członkiem rodziny Qwen jest Qwen-Image-2.1, wyłącznie niekomercyjny.

• Tekst na obrazie — Qwen-Image 3.0: prompty do 4500 tokenów, tekst czytelny już od około 10 pikseli, dwanaście języków obsługiwanych natywnie, ponad dwadzieścia czcionek, do sześciu wyników na wywołanie, przepisywanie promptów po stronie serwera. MiniMax-H3-Image: prompty o długości 32 000 znaków, z których efektywnie działa około pierwszych 4096 tokenów; brak publikowanych deklaracji dotyczących renderowania tekstu.

• Referencje — MiniMax-H3-Image: do 16, adresowane pozycyjnie w kolejności przesyłania, choć przepis wydania vLLM-Omni dla tych samych wag dokumentuje 9 na żądanie. Qwen-Image 3.0: brak publikowanego limitu referencji; 3.0 to hostowany endpoint z udokumentowanym schematem, a nie wydanie wag.

• Niezależny wynik — Qwen-Image 3.0: 1074 w AA-Image-T2I v2.1, Pro na poziomie 1094, Pro około 1085 w edycji. MiniMax-H3-Image: brak wiersza na żadnej z tablic.

Szesnaście megapikseli to nie luksus, jeśli drukujesz

Cztery megapiksele to hero na stronę internetową, kafelek w katalogu albo obraz do prezentacji. Szesnaście to plansza do druku, wycinek na billboard albo tło, które musi zachować detal, gdy wycina się z niego trzy elementy pod różne nośniki. Limit 2048×2048 w Qwen-Image 3.0 nie jest wadą — to decyzja o tym, do czego model służy, i taka sama decyzja, jaką podjęła większość hostowanych modeli obrazów. Oznacza jednak, że dla każdego, kto tworzy opakowania, reklamy out-of-home lub fotografię produktową high-DPI, MiniMax-H3-Image wcale nie konkuruje z Qwen-Image 3.0; konkuruje z dowolnym upscalerem, który i tak doczepiłbyś do wyniku Qwen, a upscaler nie dodaje detalu w taki sam sposób jak natywne generowanie w szesnastu megapikselach.

To powiedziawszy, najciekawsze w Qwen-Image 3.0 nie jest rozdzielczość, lecz tekst. Czytelny tekst aż do około dziesięciu pikseli, dwanaście języków, ponad dwadzieścia czcionek oraz wykonywany po stronie serwera krok przepisywania, który przekształca prompt, zanim model go zobaczy — to zestaw twierdzeń wycelowanych wprost w plakaty, teksty na opakowaniach, makiety UI i diagramy, gdzie powszechnie znanym trybem awarii jest pięknie wyrenderowany obraz z jednym zniekształconym słowem. Relacje z praktycznych testów opisują go jako mocnego w makietach UI i diagramach, z okazjonalnie zniekształconym drobnym tekstem, co w przybliżeniu odpowiada przewidywaniom wynikającym z twierdzeń dostawcy. MiniMax-H3-Image nie zgłasza porównywalnego twierdzenia dotyczącego tekstu w swojej karcie modelu i żadna strona trzecia go nie zmierzyła.

Podział jest więc niezwykle klarowny jak na bezpośrednie porównanie. Jeśli Twoim zadaniem jest gęsty tekst w uporządkowanym układzie, Qwen-Image 3.0 to model, na który warto postawić — i jest to udokumentowane. Jeśli Twoim zadaniem jest duża, szczegółowa, fotorealistyczna klatka, MiniMax-H3-Image ma czterokrotnie więcej pikseli za niższą cenę za obraz w rozmiarach oferowanych przez oba modele.

Analizowanie liczb dla tysiąca obrazów

Weź partię tysiąca obrazów produktowych 2K, tylko generowanie, bez referencji. Qwen-Image 3.0 Standard po $0,03 daje $30. MiniMax-H3-Image po $0,02333 daje $23,33. Dodaj jeden obraz referencyjny na każde wyjście — typowy przypadek odświeżania katalogu, gdy chcesz spójny produkt — a Qwen dolicza około $3 za tokeny wejściowe, co daje blisko $33, podczas gdy stawka MiniMax za obraz wejściowy wynosząca $1,50 za milion tokenów dodaje porównywalny ułamek, nadal utrzymując koszt poniżej $30. W wariancie 4K MiniMax kosztuje katalogowo $68,79 za ten sam tysiąc, czyli $34,39 w ramach ograniczonej czasowo 50-procentowej zniżki, która obowiązuje do 17 listopada 2026 r. do godz. 16:00 UTC i wymaga, aby każdy dostarczony obraz miał co najmniej 16 600 000 pikseli. Qwen-Image 3.0 nie ma wariantu 4K do wyceny.

Te luki są niewielkie w ujęciu bezwzględnym i nie są powodem, by wybierać którykolwiek z modeli. Powód, by wybrać MiniMax-H3-Image, jest taki, że 23 USD wydane na API i zerowy koszt krańcowy za obraz na własnym sprzęcie to dwa różne biznesy, a tylko jeden z nich można prognozować. Powód, by wybrać Qwen-Image 3.0, jest taki, że ma udokumentowany pipeline tekstowy i interfejs, który można zintegrować jeszcze dziś po południu.

Ani jeden z tych modeli nie jest dostępny w OrcaRouter i ten tekst nie będzie udawał, że jest inaczej. Oferujemy coś węższego i wartego precyzyjnego wyrażenia: modele obrazowe, które kierujemy — gpt-image-2.5-sunburst, gpt-image-2, podglądy obrazów G​emini, Imagen 4 w trzech wariantach, G​rok Imagine Image — są rozliczane według cennika dostawcy z przeniesioną marżą 0%, a reguła routingu może przejść do drugiego dostawcy, gdy pierwszy zawiedzie. Nie pomoże to wybrać między MiniMax-H3-Image a Qwen-Image 3.0. Pomaga w dniu, w którym przestajesz oceniać i zaczynasz wdrażać, a wybrany model okazuje się mieć zły dzień.

Ile naprawdę kosztuje kwestia licencji

„Open weight” to trafne określenie w przypadku MiniMax-H3-Image, a „open source” to sformułowanie, które wpędza zespoły w kłopoty. Community License Agreement to dokument z warunkami, które mogą mieć zastosowanie do Twojego produktu, a jedyną odpowiedzialną radą jest przeczytanie samego pliku, a nie streszczenia — w tym tego. To samo dotyczy, w jeszcze większym stopniu, Qwen-Image-2.1: licencja na badania niekomercyjne oznacza prototyp, który możesz obejrzeć, i produkt, którego prawdopodobnie nie możesz wypuścić bez rozmowy, a co najmniej jeden serwis porównawczy nadal wymienia Qwen Image 3.0 jako Apache-2.0, co jest po prostu błędne i jest to rodzaj błędu, który kosztuje tydzień.

Praktyczny test jest krótki. Czy Twój plan wymaga wag wewnątrz własnej granicy — ze względu na rezydencję danych, koszty przy dużej skali czy dostrajanie? Jeśli tak, jedynym kandydatem spośród tych dwóch jest MiniMax-H3-Image, a wyjście wiąże się z około 135 GB artefaktów i przeglądem licencji. Jeśli nie, kwestia licencji staje się bezprzedmiotowa, a decyzja sprowadza się do wyboru między renderowaniem tekstu a rozdzielczością, w przypadku dwóch modeli, których jakości nikt spoza ich dostawców nie zmierzył niezależnie.

To, na co warto zwrócić uwagę, to nie kolejne odświeżenie rankingu, ponieważ obecność żadnego z modeli w takim rankingu niczego nie rozstrzyga. Chodzi o to, czy Alibaba odwróci decyzję o zamknięciu i udostępni wagi dla serii 3.x, bo to wprowadziłoby dwa otwarte modele obrazów o wysokiej rozdzielczości na ten sam rynek po raz pierwszy od roku — oraz czy MiniMax-H3-Image uzyska wynik, ponieważ obecnie jedyną stroną, która może ci powiedzieć, jak dobry jest ten model, jesteś ty, na własnych promptach, co jest albo najbardziej uczciwą pozycją w tym porównaniu, albo najbardziej niewygodną, w zależności od tego, ile czasu masz w tygodniu.