MiniMax-H3-Image-PE: a MiniMax lançou um expansor de prompts de 27B para seu modelo de imagem e não contou a ninguém

There is no launch post for MiniMax-H3-Image-PE. There is no entry on M​iniMax's news feed, no blog, no changelog line, no social post — on 2026-11-11 the company's news index lists H3, M3.1 Flash, Speech 2.8 and Music 3.0, and nothing about images at all. What exists instead is a Hugging Face repository whose first commit is timestamped 2026-11-10 at 14:38 UTC, a model card that never states a release date, and a license file dated November 10, 2026. That is the whole announcement. MiniMax-H3-Image-PE is a prompt-expansion model — a caption writer — built to feed its sibling MiniMax-H3-Image, the open-weights 33.1B image generator M​iniMax published on 2026-11-03. The image model got eight days of quiet; its prompt expander has had one. Everything below that carries a number comes from those two repositories, the license text, or M​iniMax's own API documentation, and where something is not knowable from those sources it is marked as such rather than guessed. MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter as of 2026-11-11, so this is a self-hosted evaluation. the catalogue The rest of the catalogue is one key away when you want to compare the expansion against a text model you already trust.

The short version, for anyone deciding whether to care: this model does not draw anything. You give it a sentence, it gives you back a long English description of the image you meant plus a recommended aspect ratio, wrapped in a two-key JSON object. A 27B model exists to write that paragraph because MiniMax-H3-Image is unusually fussy about its input — the parent card says it "expects a detailed English description of the whole image" and truncates anything past 4096 tokens. If you have ever typed six words into an image model and gotten six words' worth of thinking back, that gap is what this repository is trying to close, and on 2026-11-10 M​iniMax open-sourced its side of the fix.

O que está realmente no repositório e o que dizem os carimbos de data e hora

The repository is MiniMaxAI/MiniMax-H3-Image-PE on Hugging Face. Its creation timestamp is 2026-11-08 15:35 UTC; its first commit — unhelpfully titled "Init MiniMaxAI/MiniMax-H3-Image-PE" — landed two days later, on 2026-11-10 at 14:38 UTC, authored by M​iniMax staff accounts ryanlee-dev and 500kg. A second commit followed 38 minutes later adding a Diffusers usage section, and that one is a pull request merged from Hugging Face's own multimodalart, which tells you the diffusers integration was contributed from outside M​iniMax rather than shipped by it. Three pull requests were opened against the repo on its first day, all closed or merged. None of them is an announcement.

What is inside is a checkpoint in four safetensors shards totalling roughly 17.9 GB, a tokenizer, a chat template, a quantisation config, and — the part that matters more than the weights — a prompt/ directory containing the actual system prompt, task prompt and request parameters M​iniMax uses. There is also a single client script, scripts/expand_prompt.py. The repository declares 27.4B parameters in total across two tensor types: about 25.6B stored as U8 and 1.76B left in BF16. That split is explained by the quantisation config, which records NVFP4 with a group size of 16 and lists the modules held out of quantisation — the embedding table and the convolution and gating projections inside each linear-attention block.

The base model is stated plainly on the card and in the metadata: Qwen3.8-27B, the Apache 2.0 vision-language model Q​wen published on 2026-08-05. So the architecture is Q​wen's, the weights are M​iniMax's fine-tune, and the packaging — NVFP4 rather than BF16 — is M​iniMax optimising for deployment rather than for redistribution fidelity. The card says the FP4 weights occupy about 19 GiB of GPU memory and that GPUs with native FP4 support run the NVFP4 weights directly while others fall back to bitsandbytes.

O que faz, precisamente

Dois fluxos de trabalho vivem no repositório, e não são a mesma coisa. Esta é a única coisa mais importante a entender antes de baixar 18 GB.

• PE de texto para imagem — você recebe tudo: os pesos ajustados, o prompt do sistema, o prompt da tarefa, os parâmetros da requisição e um cliente funcional. Este caminho está completo e executável hoje.

• PE de edição de imagem — você recebe um prompt e um exemplo de montagem de mensagem. Sem pesos. O card diz explicitamente: "O PE de edição de imagem ainda está em desenvolvimento; esta versão fornece apenas o prompt." Espera-se que você execute esse prompt em um modelo de visão-linguagem de sua escolha.

O caminho de texto para imagem recebe sua instrução, expande-a e retorna JSON restrito por um esquema a exatamente duas chaves. A saída para um prompt de teste — "Um gato tabby laranja dormindo em um peitoril de janela iluminado pelo sol" — é uma única frase sobre fotografias cálidas e luz suave da tarde, além da proporção "3:2". O esquema é estrito, com additionalProperties definido como false, e o campo de proporção é um enum de dez valores: 1:1, 5:4, 4:3, 3:2, 16:9, 21:9, 4:5, 3:4, 2:3, 9:16. Não há proporção em texto livre, nem token "auto" na saída, e não há como o modelo responder com algo que não seja uma dessas dez strings. Essa é uma escolha de design deliberada e mapeia diretamente para a tabela de tamanhos publicada do modelo pai, que lista exatamente essas proporções com dimensões em pixels de 4096×4096 em 1:1 até 6272×2688 em 21:9.

A decisão de proporção não é uma questão de intuição. O prompt da tarefa divulgado gasta várias centenas de palavras em uma ordem de precedência estrita: uma tela final explícita vence primeiro, depois o entregável solicitado (um pôster é vertical, um cabeçalho de slide é horizontal, um avatar é quadrado), depois a composição principal do assunto, depois o contexto opcional — com um aviso explícito de que "uma sala genérica, parque, floresta, céu ou fundo cinematográfico não deve tornar horizontal um assunto focado". O prompt também proíbe inventar uma plataforma: você não pode assumir o Instagram. E distingue uma cena retratada de um artefato de comunicação — um dashboard, pôster, embalagem, diagrama técnico ou composto multipainel é construído como uma arquitetura de informação em vez de como uma cena contendo os objetos solicitados. Para qualquer pessoa que já viu um modelo de imagem transformar "slide de resultados trimestrais" em uma fotografia de uma sala de reunião, essa distinção é a parte interessante deste lançamento.

Por que gastar 27B de parâmetros em uma legenda

A resposta está na documentação do modelo pai, e é mais interessante que o próprio expansor de prompt. O MiniMax-H3-Image é um transformer de difusão denso de fluxo único com 33,1B, 50 camadas, tamanho oculto de 5376, 56 cabeças de atenção, que lê estados ocultos da 50ª camada de um codificador de texto Qwen3-VL completo herdado sem alterações do MiniMax-H3. Esse codificador de texto tem 66,7 GB e não está no repositório da imagem — você o baixa separadamente do repositório do modelo de vídeo. O checkpoint é destilado para seis etapas de amostragem sem orientação livre de classificador, e a API impõe isso: qualquer num_inference_steps diferente de 6 e qualquer guidance_scale diferente de 1 retorna HTTP 400, e negative_prompt é rejeitado de imediato. Não há botão para girar.

When there is no dial, the prompt is the control surface. That is the design logic connecting the two repositories: a six-step distilled sampler with no negative prompt has very little room to interpret a short instruction, so M​iniMax moved the interpretation into a separate model that can think before it writes. The hosted equivalent is an API endpoint called H3-Image-Context-IR, which does the same job server-side — accepts up to 32,000 characters of prompt and one to sixteen reference images, returns a revised prompt and a chosen ratio, and bills by converting the expansion model's input, output and thinking tokens into text tokens. MiniMax-H3-Image-PE is that endpoint's local escape hatch, and the parent card recommends exactly that usage: run the PE, save its expanded_caption into the generation call, and skip paying for enhancement twice.

The request parameters released with the PE are worth reading as a statement of intent rather than as tuning advice. Temperature 1.0, top_p 0.95, top_k 20, a 4096-token budget that includes thinking, and reasoning_effort set to "xhigh", with thinking enabled and preserved. M​iniMax is running its caption writer in maximum-deliberation mode and constraining only the final serialisation, not the reasoning. Serving that means SGLang 0.5.23 or newer with XGrammar 0.2.7 or newer, the q​wen3 reasoning parser, and constrained JSON decoding — or the Diffusers modular-blocks route the card documents. One caveat on that second route: the blocks repository the card points at, diffusers/minimax-h3-image-pe-blocks, returned HTTP 401 when checked on 2026-11-11, so it was not publicly readable at the time of writing. The card's Diffusers section may well be ahead of the artifact it depends on.

A licença é a parte que realmente vai impedir as pessoas

O MiniMax-H3-Image-PE não possui licenciamento separado. O cartão afirma que ele "faz parte do MiniMax-H3-Image e está, por conseguinte, sujeito" ao Contrato de Licença Comunitária do MiniMax-H3-Image, e o arquivo de licença traz uma linha de data com o texto "data de lançamento/data da licença: 10 de novembro de 2026." Leia isso com atenção, pois significa que a data da licença do expansor de prompts e a data de publicação do modelo de imagem principal estão separadas por oito dias, embora a própria licença seja um único documento que rege ambos.

Três cláusulas importam mais do que as restantes, e nenhuma delas é a habitual história de "open weights":

• Território — a concessão aplica-se apenas dentro do "Território Aplicável", definido como de âmbito mundial excluindoa União Europeia, o Reino Unido, a República da Coreia e os Estados Unidos da América. Trata-se de uma exclusão territorial, e não de uma restrição de utilização, e está indicada nas definições, em vez de estar enterrada num anexo.

• Escala comercial — A Seção IV exige autorização prévia por escrito separada se sua receita anualizada, ou a de suas afiliadas, exceder 1 milhão de USD, ou se você fornecer um serviço hospedado a terceiros de qualquer forma. A segunda condição não tem piso de receita.

• Atribuição na interface — a mesma seção exige que você exiba de forma destacada "MiniMax-H3-Image" na interface do usuário de qualquer produto ou serviço comercial que utilize as obras.

Há também uma condição de redistribuição que exige um arquivo NOTICE com uma linha de copyright específica, e uma obrigação da Seção V de manter salvaguardas contra saídas violadoras, com um mecanismo de denúncia e o dever de agir diante de relatos de boa-fé. Nada disso é incomum para uma licença comunitária em 2026. A exclusão territorial é a que vai decidir, para muitas equipes, se vale a pena sequer começar o download de 18 GB — e é a cláusula com maior probabilidade de passar despercebida, porque a página do modelo no Hugging Face a exibe apenas como "other", com um link.

O que ainda não é possível saber

Ser claro quanto ao limite é mais útil do que preenchê-lo.

• Sem números de benchmark. Nenhum dos dois cards publica uma única pontuação. A empresa-mãe faz apenas afirmações qualitativas — "o melhor cumprimento de instruções entre os modelos de código aberto", "estado da arte" — e nenhuma avaliação independente do MiniMax-H3-Image, nem do seu expansor de prompts, foi encontrada até 2026-11-11. Não há Elo, não há taxa de vitória por preferência, nem comparação de qualidade de expansão com o endpoint Context-IR hospedado.

• Não há evidências de que o caminho de edição funcione. O prompt de edição é criterioso e incomumente específico — exige que quem faz a chamada forneça a proporção W:H reduzida de cada imagem de referência, instrui o modelo a nunca estimar a proporção da fonte a partir de uma prévia e orienta-o a construir o alvo pretendido em vez de fingir ter visto um resultado oculto. Mas nenhum peso é fornecido para ele, então ninguém mediu se um VLM genérico o segue tão bem quanto o fine-tune presumivelmente o faria.

• No announcement, therefore no stated intent. Whether this is a permanent commitment or a byproduct of the image launch is not stated anywhere. The repository has no roadmap, no model index entry, and no discussion from M​iniMax explaining why the expander was split out rather than folded into the image checkpoint.

• Os números de downloads são pequenos demais para ler. O MiniMax-H3-Image mostrava 667 downloads e 136 curtidas em 2026-11-11, oito dias após a publicação. O modelo PE mostrava 0 downloads e 7 curtidas. Em um repositório com um dia de existência, isso é um piso, não um veredito — mas significa que ninguém publicou um relato de campo ainda.

Onde isso se encaixa se você estiver realmente construindo algo

A questão prática não é "este é um bom modelo" — ninguém pode responder isso ainda —, mas "a que me compromete adotá-lo". Três coisas, concretamente. Você se compromete a executar dois modelos em vez de um: um expansor de 18 GB, mais um checkpoint de imagem de 68,65 GB, mais um codificador de texto de 66,7 GB que você provavelmente já tem se executa o MiniMax-H3. Você se compromete com um orçamento fixo de decodificação de 4096 tokens, incluindo raciocínio, o que, em um timeout de requisição que a documentação da API define como 600 segundos, não é uma latência que você possa esconder atrás de uma interface interativa sem cuidado. E você se compromete com uma licença cujo escopo territorial exclui quatro grandes mercados.

The mitigation for the first two is the same one that applies to any model you have not measured yourself: put it behind a routing layer rather than into a hardcoded call path. This is the case routing is built for — the expander is a text-generation model behind an OpenAI-compatible /v1/chat/completions endpoint, so it can sit alongside everything else on one key, and a routing rule can send long or structured prompts to it while a shorter path handles the rest. If the expansion turns out to degrade a particular workload, failover moves that traffic without a redeploy. That is also the honest way to evaluate an unproven model: run it on a slice, keep the old path warm, and let the comparison decide. One clarification worth stating plainly, since it is easy to assume otherwise — MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter's catalogue as of 2026-11-11, so this is a self-hosted evaluation, not a call we can make for you. What the catalogue does carry is M​iniMax's H3 video model and the M3.x text line at provider list price with zero markup passed through, which is the same arithmetic that applies the day an image endpoint arrives.

For the third — the territory clause — no amount of engineering helps. If you are in the EU, the UK, Korea or the US, the license does not grant you the rights it grants everyone else, and M​iniMax's own remedy is to contact them for a separate grant "based on robust controls and guardrails." That is a business conversation, and it should happen before the download, not after.

O que assistir

Two signals would turn this from a repository into a release. The first is an announcement: a blog post, a model-index entry, a mention on M​iniMax's news feed. Its absence is currently the most informative thing about the launch, and its arrival would clarify whether the PE is meant to be the default local path or a stopgap. The second is the Diffusers blocks repository becoming publicly reachable — right now it returns 401, and until it resolves, the "run it locally through Diffusers" route documented on the card is a claim rather than a path.

In between, the thing to actually read is the task prompt. It is a few hundred lines of plain English describing how to decide what an image is for, and it is the most concrete artefact M​iniMax has published about how it thinks image prompts should work. You can learn more from it in ten minutes than from any benchmark table, and unlike the weights, it costs nothing to read.