MiniMax-H3-Image está em três superfícies: o que cada uma realmente entrega a você

A frase verdadeira mais curta sobre o MiniMax-H3-Image esta semana é que ele está disponível em três lugares: Hugging Face, MiniMax Code e a própria API da MiniMax. A frase de que um comprador realmente precisa é mais específica. Duas dessas três opções entregam a você um endpoint de requisição e uma tabela de preços; uma entrega 135 gigabytes de pesos, uma licença para leitura e uma decisão de hardware. Essas não são três variações do mesmo acesso, e tratá-las como intercambiáveis é como uma equipe acaba destinando uma semana de orçamento a algo que poderia ter comprado por imagem por dois centavos.

O modelo em si é um lançamento genuíno, e não uma reembalagem. A MiniMax colocou os pesos no repositório do Hugging Face MiniMaxAI/MiniMax-H3-Image em 10 de novembro de 2026 às 14:50 UTC e publicou sobre isso às 15:40 da mesma tarde; o repositório em si data de 3 de novembro, o que representa uma semana de os pesos existirem em privado antes de alguém os poder transferir. É um transformador de difusão com 33,1 mil milhões de parâmetros que gera a cerca de 16 megapixels, que é o "4K" do anúncio, e faz texto para imagem e edição guiada por referência a partir de um único checkpoint. O que se segue está organizado em torno da única pergunta a que o anúncio não responde: em que superfície deve estar.

Três portas de entrada, e apenas uma delas é um download

Comece pelo que cada porta é, porque a diferença é estrutural, não cosmética.

A API é o caminho convencional. O modelo está listado como MiniMax-H3-Image com um equivalente Highspeed, nas plataformas internacional e continental da MiniMax, cobrado por milhão de tokens de entrada e saída em vez de por imagem. A interface é incomumente prescritiva — seis etapas de amostragem, sem escala de orientação, sem prompt negativo — e a própria referência da MiniMax diz que uma solicitação que peça qualquer outra coisa retorna HTTP 400. Você está comprando um endpoint funcional com uma receita fixa embutida nele.

MiniMax Code e Hailuo AI são superfícies de produto: o mesmo modelo por trás de uma caixa de prompt, com as decisões de amostragem já tomadas e sem que você precise fazer aritmética por token. Úteis para avaliar se a saída é boa; não úteis para construir qualquer coisa, porque aquilo sobre o que você construiria não está exposto. Observe também que o MiniMax Code é um produto de agente de codificação, então a geração de imagens ali é uma porta lateral, e não a função principal — não interprete "disponível no MiniMax Code" como uma API de imagens com um wrapper de código.

Hugging Face é a terceira porta, e é a única que é uma transferência e não um serviço. Você recebe um repositório, um arquivo de licença e um conjunto de pesos que agora precisa fazer funcionar. A auto-hospedagem é o motivo pelo qual a maioria das equipes sequer considera um modelo de imagem de pesos abertos; é também onde a aritmética deixa de ser sobre o modelo e passa a ser sobre o seu rack.

O repositório é mais pesado do que o número de parâmetros destacado sugere.

33,1 bilhões de parâmetros em BF16 correspondem a cerca de 66 GB antes de contar qualquer outra coisa, e "qualquer outra coisa" é onde o repositório surpreende as pessoas. O transformer de difusão sozinho tem 66,28 GB. O download completo é de 68,65 GB, o que corresponde ao transformer mais o VAE e a configuração. O codificador de texto não está nessa cifra: o MiniMax-H3-Image reutiliza o codificador de texto Qwen3-VL do repositório de vídeo MiniMax-H3, lê a partir da camada 50 dele, e esse codificador é um download separado de 66,7 GB. Em outras palavras, reserve cerca de 135 GB de artefatos em disco antes da primeira imagem, e isso antes de qualquer cache do próprio framework.

A arquitetura merece um parágrafo porque diz o que o modelo é. Cinquenta camadas transformer, tamanho oculto de 5.376, 56 cabeças de atenção, largura feed-forward de 14.336, com embeddings rotacionais de posição multimodais tridimensionais. O VAE é um codificador convolucional emparelhado com um decodificador ViT bidimensional de 24 camadas, com subamostragem espacial de 16× e 24 canais latentes — uma escolha de decodificador que custa mais computação no final do pipeline do que um decodificador convolucional simples custaria, e é plausivelmente de onde vem parte do detalhe fino em 4K. O design é descrito no card do modelo como a arquitetura H3 menos o áudio, o que é um resumo justo: este é o ramo de imagem do modelo de vídeo, lançado por conta própria.

Duas consequências se seguem. Primeiro, um transformer de difusão da classe 33B em dezesseis megapixels não é um modelo para laptop, por mais que a contagem de parâmetros soe assim ao lado dos modelos de linguagem modernos; a memória de ativação escala com a área de saída, e a área é o ponto central deste lançamento. Segundo, como o codificador de texto é compartilhado com o modelo de vídeo, uma oficina que já executa o MiniMax-H3 já tem a maior parte do download no disco. Isso é um desconto real, e é o tipo de coisa que a frase "disponível no Hugging Face" não transmite.

Quatro maneiras de servi-lo, e um número que não confere

O card do modelo lista quatro rotas: SGLang, vLLM-Omni, diffusers e ComfyUI. A equipe do vLLM disponibilizou suporte no dia zero no vLLM-Omni para hardware NVIDIA e AMD no dia do lançamento, com saída nativa em cerca de dezesseis megapixels, o que é um sinal de lançamento mais forte do que a simples existência dos pesos — alguém fora da M​iniMax já o estava executando antes de o anúncio completar uma hora. O diffusers cobre o caminho de referência, e o ComfyUI cobre o público de grafos de fluxo de trabalho.

A divergência vale a pena ser sinalizada porque vai prejudicar alguém. O model card descreve a edição com até 16 imagens de referência, endereçadas posicionalmente como <Picture 1> até <Picture 16> na ordem de upload. A receita de lançamento do vLLM-Omni para o mesmo modelo documenta até 9 imagens por requisição. Ambas podem ser verdadeiras ao mesmo tempo — o limite de serving de um framework e a capacidade treinada de um modelo são números diferentes, e uma restrição de batching ou memória na pilha de serving vai limitar primeiro — mas, se seu fluxo de trabalho precisa de doze referências, a resposta honesta hoje é que a capacidade existe e o caminho de serving documentado pode não suportá-la. Teste o número na sua pilha em vez de confiar em qualquer um dos documentos.

A mesma cautela se aplica à janela de prompt. O cartão aceita até 32.000 caracteres, dos quais aproximadamente os primeiros 4.096 tokens são aquilo em que o modelo realmente se baseia. Um prompt longo não é rejeitado; a cauda simplesmente não está fazendo trabalho. Qualquer pessoa que transporte um prompt detalhado de direção de arte por hábito de modelo de linguagem descobrirá isso da maneira cara.

O amostrador é uma restrição que você herda, não um ajuste que você calibra

Seis etapas, sem orientação livre de classificador, sem prompts negativos. Isso não é um padrão com folga para aumentar; a API rejeita de imediato outras contagens de etapas e valores de orientação. O modelo foi destilado para executar em seis passagens diretas, e o motivo principal pelo qual um transformer de 33B consegue retornar uma imagem de dezesseis megapixels rápido o suficiente para ser útil é essa destilação.

No caminho da API, isso é invisível e não há problema. No caminho de auto-hospedagem, é o número mais útil da ficha técnica, e em dobro. Ele limita o compute por imagem a seis avaliações do transformer, em vez das vinte e cinco a cinquenta que um modelo não destilado precisaria, o que é justamente o que torna dezesseis megapixels viáveis. E significa que o habitual ciclo de ajuste da auto-hospedagem — testar mais passos, adicionar orientação, adicionar um prompt negativo, iterar — não existe aqui. Se a qualidade da saída decepcionar, as alavancas são o prompt e as referências, não o amostrador. Equipes que reservam uma semana para “ajustar o modelo” devem reservá-la para trabalho de prompt.

Quanto custa cada caminho, nas unidades em que ele é efetivamente cobrado

A API cobra por tokens, e os exemplos resolvidos do próprio cartão são a forma mais clara de ler isso. Uma solicitação de texto para imagem de 1.024×1.024 custa $0,02179. Uma solicitação de 2.048×2.048 custa $0,02333 — 1,07 vezes o preço para quatro vezes os pixels, porque a contagem de tokens cresce muito mais lentamente que a área. Uma solicitação de 4.096×4.096 custa $0,06879 de tabela, e $0,03439 com um desconto de 50% por tempo limitado válido até 17 de novembro de 2026 às 16:00 UTC e que exige que a imagem entregue tenha pelo menos 16.600.000 pixels. As tarifas do nível Standard são $2,30 por milhão de tokens de texto de entrada, $1,50 por milhão de tokens de imagem de entrada e $3,80 por milhão de tokens de imagem de saída; o nível Highspeed mantém as tarifas de entrada e cobra $7,60 pela saída.

Leia esses três números em conjunto e o argumento de preço para 4K praticamente evapora. Quatro vezes os pixels por 1,07 vez o dinheiro no degrau 2K é um presente; passar de 2K para 4K custa cerca de três vezes mais para o mesmo ganho quádruplo de área, e somente o desconto o traz de volta para perto da tarifa 2K. Se o seu caso de uso não precisa de 4.096 pixels por lado, o nível 2K é onde este modelo sai barato.

O OrcaRouter não disponibiliza o MiniMax-H3-Image — não há rota para ele aqui, e o CTA deste artigo aponta para o irmão de vídeo, minimax/minimax-h3, que nós roteamos. O que oferecemos é relevante para o dia em que a rota existir: 0% de markup com o preço de tabela do provedor repassado, o que significa que uma mudança de preço do fornecedor como esse desconto de 4K chega à sua fatura no mesmo dia em que chega à página do fornecedor, e failover automático se um caminho de provedor se degradar. Até lá, a comparação que importa é o gasto com API versus seu próprio hardware, e nenhuma camada de roteamento muda essa aritmética.

Auto-hospedagem, com preço honesto

Ninguém consegue lhe dar um custo por imagem de self-hosting sem saber qual é a sua GPU, porque o fator dominante é se 135 GB de pesos cabem na memória ou precisam ser descarregados para fora dela. O que dá para afirmar com precisão: o amostrador de seis etapas determina a carga computacional, a saída de dezesseis megapixels determina o orçamento de ativações, e ambos são grandes. Uma única placa de 80 GB comporta o transformer, mas não o transformer mais o encoder Qwen3-VL em precisão total, então as configurações realistas são multi-GPU, ou descarregar o encoder, ou um transformer quantizado com uma questão de qualidade atrelada. Some a energia, some a semana de engenharia para colocar o SGLang ou o vLLM-Omni servindo adequadamente, e o ponto de equilíbrio contra US$ 0,02333 por imagem 2K é uma questão de volume na casa das centenas de milhares de imagens, não das dezenas.

Qual é o argumento a favor da API na maioria dos casos e o argumento a favor dos pesos em alguns poucos: uma empresa que precisa do modelo dentro do próprio perímetro por razões de dados, ou uma que já roda o MiniMax-H3 e mantém o encoder, ou uma que gera em um volume no qual o custo fixo se amortiza. Todos os demais deveriam calcular o custo da API primeiro e só hospedar por conta própria se o perímetro realmente exigir.

Ler a licença antes do download, não depois

Os pesos são disponibilizados ao abrigo do MiniMax-H3-Image Community License Agreement, que não é Apache 2.0 nem MIT. "Open-weight" é preciso; "open-source" é a palavra que coloca as equipes em apuros, e é neste ponto do processo que um advogado deveria ler o arquivo de fato, e não um post de blog — incluindo este. A questão prática é o uso comercial em escala e se a licença traz termos que se aplicam ao seu produto, e essa questão tem uma resposta no repositório que nenhum resumo substitui.

Há um segundo artefato menor que vale a pena conhecer: a M​iniMax disponibiliza um componente Context-IR para o modelo e um modelo opcional de expansão de prompt, o MiniMax-H3-Image-PE. O expansor explica em parte por que o modelo tolera prompts longos e detalhados; ele é opcional, é separado dos 68,65 GB e é o tipo de coisa que você encontra na listagem de um repositório, e não em um anúncio.

O que verificar na sua própria stack esta semana

• Referências — confirme se o seu caminho de serviço aceita 16 imagens ou as 9 que a receita do vLLM-Omni documenta, com uma solicitação real em vez de uma leitura de documento.

• Área efetiva — o modelo será executado abaixo de dezesseis megapixels, e a configuração expõe uma área mínima de geração com padrão de 4.194.304 pixels. Teste a extremidade inferior se o seu caso de uso for miniaturas, porque um modelo deste tamanho pode não ser a opção barata em 1K.

• Memória — meça o pico de VRAM em 4.096×4.096 antes de comprar hardware. Seis passos são computação barata; as ativações não são.

• Contagem decrescente do desconto — se o plano é 4K, a tarifa de 50% termina em 17 de novembro de 2026 às 16:00 UTC, e estar na API ou no seu próprio hardware é o que decide se esse prazo importa para você.

• Licença — leia-a. O download tem 135 GB e a decisão é reversível; a licença não é.

O interessante neste lançamento não é ter aparecido um bom modelo de imagem aberto — é que, pela primeira vez em bastante tempo, apareceu um com os pesos, as receitas de framework e o endpoint hospedado a chegar todos na mesma semana. Isso é um sinal mais forte do que um gráfico de benchmark, porque significa que a coisa funciona. Se deve executá-lo, ou chamá-lo, depende inteiramente de qual das três portas atravessa, e essas três portas estão muito mais afastadas do que o anúncio faz parecer.