Um cartão de título gerado com o cabeçalho «MiniMax-H3-Image: três alegações, três rastos documentais», com o subtítulo «o que o post de lançamento alegava» e três cartões arredondados: «0,87 segundos medidos, mas numa tela de 2048 píxeis a 0,88 segundos em quatro H200s», «o suporte a Vera Rubin é uma receita de modelo de vídeo, aberta e fechada sem merge no mesmo dia» e «editor de pesos abertos número um — mantém-se, com 1 138 Elo: décimo segundo no geral dentro de uma faixa de classificação entre o 8.º e o 17.º lugar». O rodapé diz «Latência conforme a receita vLLM-Omni H200; valores do leaderboard da Artificial Analysis, 13 de novembro de 2026.» O logótipo real da OrcaRouter está composto na faixa adicionada no canto inferior direito.
Engineering & Research

MiniMax-H3-Image: o que o post de lançamento afirmava e o que o vLLM-Omni realmente entregou

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

Três alegações surgiram junto com o MiniMax-H3-Image, e vale a pena separá-las porque têm quantidades muito diferentes de documentação por trás. O modelo é um transformer de difusão de fluxo único de 33,1B que gera e edita imagens a aproximadamente dezesseis megapixels, destilado para seis etapas de amostragem sem classifier-free guidance, e seus pesos chegaram ao Hugging Face em 10 de novembro de 2026, às 14:50 UTC. A publicação que o anunciou dizia que o modelo era o número um entre os modelos de pesos abertos para edição de imagens no Artificial Analysis, que o suporte ao NVIDIA Vera Rubin para o MiniMax-H3-Image estava sendo incorporado ao vLLM-Omni e que a geração nativa em 4K levava 0,87 segundo. A primeira se sustenta, mas apenas dentro de um grupo de modelos de pesos abertos e apenas dentro de uma faixa de confiança com dez posições de largura; a segunda descreve documentação que se refere a um modelo diferente e foi encerrada sem merge; a terceira é um número real medido, associado a uma tela de um quarto do tamanho que sua frase sugere.

Nada disso torna o modelo pior. Isso torna o anúncio mais difícil de usar, porque um leitor que levasse os três ao pé da letra planejaria um pipeline 4K com base em um valor de latência que pertence a um de 4 megapixels.

O número de 0,87 segundo está no repositório e está associado a um canvas de 2048 pixels

A receita própria do vLLM-Omni para o MiniMax-H3-Image traz uma tabela de latência medida em oito configurações de GPU, e o valor que resiste ao confronto com o post de lançamento é este: em quatro H200s com paralelismo de sequência Ulysses nas quatro, uma requisição de texto para imagem de 2048×2048 leva 0,88 segundos, e uma edição de 2048×2048 leva 1,35 segundos. Essas são medianas de três requisições após um aquecimento, com concorrência um, com semente fixa, medidas no lado do cliente de ponta a ponta.

A mesma linha mede a maior requisição que os autores tentaram — 4736×3552, o que dá 16,8 megapixels e é a coisa mais próxima de uma placa 4K na tabela — em 3,84 segundos. Portanto, a versão honesta da alegação de velocidade é que uma imagem de 4 megapixels leva cerca de nove décimos de segundo em um nó de quatro GPUs, e a imagem de 16 megapixels para a qual o modelo foi projetado leva cerca de quatro. O valor 0,87 está dentro do ruído de medição do valor 0,88; foi a tela que mudou, não o modelo.

O que torna isto mais do que uma reclamação sobre arredondamento é que pedidos abaixo de 2048×2048 não são realmente executados no tamanho nominal. O caminho de serviço gera qualquer coisa menor em uma tela de pelo menos 2048×2048 na mesma proporção e, depois, reduz a escala com Lanczos no dispositivo. É por isso que 1024×1024 custa 0,77 segundos e 2048×2048 custa 0,88 — ambos dão a mesma quantidade de trabalho, com uma quantidade diferente de redimensionamento depois. A receita expõe o piso como min_generation_area, ajustável de 32² a 4096² pixels, então uma implantação que realmente precise de miniaturas baratas precisa optar por elas.

O restante da tabela é a parte útil para quem está dimensionando hardware:

• Quatro H200s, Ulysses SP 4 — 81,3 GiB de pico por GPU, 0,88 s para uma imagem 2048², 3,84 s em 4736×3552, 1,35 s para uma edição 2048².

• Quatro H200s, paralelismo de tensor do DiT 4 — 36,2 GiB por GPU, 1,00 s e 4,01 s, e as edições permanecem dentro de 38,3 dB de PSNR da referência com paralelismo de sequência.

• Quatro H200s, TP 2 × SP 2 — 52,2 GiB por GPU, 1,09 s e 4,07 s, 37,1 dB em relação à mesma referência.

• Duas H200s, Ulysses SP 2 — 94,6 GiB por GPU, 1,48 s e 6,82 s. Este é o layout que precisa de quase toda a placa.

• Um H200 com o codificador de texto descarregado — 73,4 GiB, 3,18 s e 12,39 s para os mesmos dois tamanhos.

• Um H200 com offload camada por camada tanto do DiT quanto do codificador de texto — 14,7 GiB, 8,30 s e 12,85 s.

As duas últimas linhas são as interessantes comercialmente, porque são o que uma única placa alugada oferece. Com 14,7 GiB, o modelo cabe confortavelmente e leva oito segundos para algo que um nó de quatro GPUs faz em menos de um — uma razão de aproximadamente nove para um em latência para uma razão de aproximadamente quatro para um em hardware. Os perfis de offload são limitados pelas cópias do host para o dispositivo, então sua latência quase não cresce com o tamanho da imagem: a diferença entre uma requisição de 2048² e uma de 16,8 MP no caminho DLO de GPU única é de 8,30 segundos contra 12,85. Se sua carga de trabalho envolve imagens grandes e você tem uma placa, o offload não é o desastre que a latência bruta sugere.

A generated single-column scoreboard titled 'MiniMax-H3-Image — what one node buys you', with six rows: '4 x H200, sequence parallel: 81.3 GiB per GPU, 0.88 s at 2048 square'; '4 x H200, tensor parallel: 36.2 GiB per GPU, 1.00 s at 2048 square'; '4 x H200, TP2 x SP2: 52.2 GiB per GPU, 1.09 s at 2048 square'; '2 x H200, sequence parallel: 94.6 GiB per GPU, 1.48 s at 2048 square'; '1 x H200, text encoder offloaded: 73.4 GiB, 3.18 s'; '1 x H200, layer-wise offload: 14.7 GiB per GPU, 8.30 s'. The footer reads 'Every figure from the official vLLM-Omni H200 recipe; a 16.8 megapixel request takes 3.84 s on the four-GPU sequence-parallel layout.' The OrcaRouter logo is composited in the added strip at bottom-right.

Por que a primeira imagem custa mais do que os pesos do modelo sugerem

O checkpoint que as pessoas baixam não é o que roda. O repositório de 68,65 GB contém o transformer de difusão em BF16, mas servi-lo também exige o codificador de texto Qwen3-VL completo extraído do MiniMax-H3 — um segundo artefato de cerca de 66,7 GB — além de um VAE de 0,58B, e a contagem de parâmetros da própria receita soma os três, chegando a 67B. Esse é o número por trás da cifra de 73,4 GiB em uma única GPU com o codificador de texto residente, e por trás do layout residente em duas GPUs que precisa de 94,6 GiB por placa.

A consequência é um problema aritmético no dia do lançamento. Um modelo de imagem de 16 megapixels cujos pesos chegam como dois grandes downloads e cuja implantação rápida mais barata exige quatro GPUs de data center não é um projeto de fim de semana, e os frameworks que alegam suporte no primeiro dia estão alegando suporte ao pipeline, não à sua estação de trabalho. A receita é explícita sobre qual hardware foi realmente medido e qual foi apenas configurado: H200, RTX PRO 6000 Blackwell com duas e quatro placas, e MI325X e MI350X estão marcados como verificados, enquanto as receitas H100, B200 e B300 são somente de configuração. A receita separada single-RTX-4090 existe e está rotulada como uma implantação da comunidade, e não como uma implantação qualificada pelo fornecedor.

A afirmação de Vera Rubin aponta para o modelo de vídeo, e o pull request foi fechado.

Esta é a afirmação que exigiu mais investigação, porque o trabalho é real e a sua forma não é a que o post descrevia. Há um pull request no vLLM-Omni numerado 10108, aberto em 10 de novembro de 2026 às 11:10 UTC, intitulado "[Doc] Adicionar receita MiniMax-H3 Rubin e resultados de inferência". Ele contribui com 1.972 linhas em quatro arquivos, documenta uma receita offline com quatro GPUs em hardware NVIDIA VR NVL72 com 286.524 MiB por placa em um host aarch64 e relata medições genuínas: uma solicitação de texto para vídeo de 1344×768, cinco segundos e 24 FPS levou 19,811 segundos na mediana com atenção TRTLLM e execução eager, contra 110,039 segundos com SDPA. As variantes de primeiro/último quadro-chave e de referência mista ficaram em 21,535 e 21,461 segundos.

Todas essas tarefas são de vídeo. T2VA, FL2VA e Ref2VA são nomes de tarefas do MiniMax-H3, não do MiniMax-H3-Image, e a própria descrição do pull request diz que o guia existente do MiniMax-H3 carecia de um ambiente Rubin qualificado. O índice de receitas do repositório confirma: o MiniMax-H3-Image tem receitas para H200, H100, B200, B300, RTX PRO 6000, MI325X e MI350X, Intel Arc Pro B70, Ascend Atlas, RTX 4090 e MUSA, e nada para Rubin.

Então o pull request foi fechado. Ele foi aberto às 11:10 UTC de 10 de novembro e fechado às 12:05 do mesmo dia, sem ser mesclado, depois que o revisor automatizado pediu ao autor um comentário de autorrevisão. Seu autor foi franco sobre as limitações na própria descrição: a inicialização HTTP falhou com as nightlies testadas do vLLM, a receita registra essas falhas em vez de afirmar suporte a HTTP, e a inferência em uma revisão de base mais recente foi listada em "não executado". Uma listagem de diretório da main feita hoje não tem receita Rubin para nenhum dos dois modelos M​iniMax.

Portanto, a afirmação correta é que um colaborador redigiu e mediu uma receita Rubin para o MiniMax-H3 — o modelo de vídeo — e o rascunho não foi adiante. Se o suporte surgir, ele surgirá como um arquivo mesclado no índice de receitas, e é isso que deve ser observado, e não uma postagem em redes sociais. Já os frameworks de primeiro dia do MiniMax-H3-Image são os que têm commits de merge por trás: o pull request de suporte ao modelo do vLLM-Omni foi mesclado em 11 de novembro às 07:32 UTC, e o pull request de receita que o acompanha foi mesclado em 10 de novembro às 14:53 — cerca de dezessete horas antes, o que mostra quão frouxamente "primeiro dia" está sendo aplicado à documentação.

A headless-Chromium screenshot of the vllm-project/vllm-omni pull request #10108, '[Doc] Add MiniMax-H3 Rubin recipe and inference results', opened by Lishunyang12, showing one commit, 4 files changed and +1,972 lines, and a visible contributor-intent questionnaire whose answers describe documenting a Rubin recipe with measured inference results. The pull request is closed and unmerged.

A alegação sobre a arena é verdadeira e muito mais restrita do que parece.

A Artificial Analysis mantém dois rankings relevantes, um leaderboard de texto-para-imagem do image-arena e um leaderboard de edição de imagens, ambos com pontuações Elo, intervalos de confiança e contagens de amostras, e o MiniMax-H3-Image está nos dois. No ranking de edição, o AA-Image-Editing v2.1, ele aparece com 1.138 de Elo na décima segunda posição, dentro de uma faixa de classificação que vai da oitava à décima sétima, com cerca de 3.200 amostras, a $26.54 por mil imagens. Sua variante mais rápida, MiniMax-H3-Image Highspeed, está uma posição atrás, com 1.134, numa faixa do nono ao vigésimo lugar. O próprio comentário do ranking destaca o modelo como a entrada de pesos abertos mais bem colocada, à frente do Fibo 2.0 com 1.085 e do Qwen-Image-2.1 com 1.084. Portanto, a afirmação do post de lançamento é precisa como está — número um entre os modelos de pesos abertos para edição de imagens — e o número por trás dela é real, votado e verificável publicamente.

A headless-Chromium screenshot of Artificial Analysis's AA-Image-Editing v2.1 leaderboard in English, headed 'Ranks image models on editing an image from a text instruction, by Elo from pairwise human preference votes'. The leading rows read GPT Image 2.6 Sunburst (max) at 1,210 over about 6,300 samples, GPT Image 2.6 Flare at 1,206, GPT Image 2.5 Sunburst at 1,201, MAI-Image-2.7-Preview at 1,198 and GPT Image 2.5 Flare at 1,184. Further down the same list, MiniMax-H3-Image sits at 1,138 in an 8-17 rank band over 3,187 samples at $26.54 per 1,000 images, dated November 2026, with MiniMax-H3-Image Highspeed at 1,134 in a 9-20 band over 3,083 samples at $45.25 per 1,000 images, and the open-weights callout marks it as the highest-placed open-weight entry.

O que a frase omite é o tamanho da diferença e a largura do intervalo. O líder desse ranking é o GPT Image 2.6 Sunburst, com 1.210 Elo em cerca de 6.400 amostras, com o GPT Image 2.6 Flare em 1.206 e o GPT Image 2.5 Sunburst em 1.201 — cerca de setenta Elo acima do MiniMax-H3-Image, o que, em termos de Elo, é uma separação substancial e provavelmente duradoura, em vez de ruído. A faixa do oitavo ao décimo sétimo lugar é a outra metade da história: com essa contagem de amostras, o modelo poderia plausivelmente ser o oitavo ou o décimo sétimo, e sua própria variante Highspeed está dentro da mesma sobreposição. "Melhor modelo de pesos abertos para edição" e "próximo do melhor modelo de edição" são afirmações diferentes, e apenas a primeira é sustentada.

Texto para imagem é onde a afirmação fica mais frágil. No AA-Image-T2I v2.1, o modelo ocupa a vigésima terceira posição, com 1.066 Elo, com o Highspeed em vigésimo segundo, com 1.070, contra o Sunburst 2.6, com 1.261, em primeiro lugar, com 5.282 amostras. Isso representa uma diferença de duzentos pontos de Elo, e a mesma liderança entre modelos de pesos abertos se aplica — Qwen-Image-2.1, com 1.046, e FLUX 3 Image Klein, com 1.042, estão atrás dele —, mas "modelo número um de pesos abertos para edição de imagens" não deve ser interpretado como uma afirmação geral sobre qualidade de imagem. A força do modelo em edição é real, e sua força em geração está na média.

A linguagem de qualidade do próprio card do modelo é qualitativa — o melhor seguimento de instruções entre modelos de código aberto, sem tabela comparativa anexada — e a única evidência de resultados fornecida pelo fornecedor é uma grade de demonstração curada. Isso era normal para um lançamento de três dias. Isso significa que o argumento a favor do modelo agora é uma pontuação medida com um intervalo amplo, além de uma argumentação baseada em resolução e preço, em vez da afirmação que o post de lançamento fez parecer.

O que está realmente disponível, e como testá-lo sem apostar um pipeline nisso

Despindo o anúncio, a substância é sem glamour e real. Um modelo de imagem de 33.1B com um sampler de seis passos, nenhuma escala de orientação para ajustar, dezesseis slots de referência e uma saída nativa de 16 megapixels chegou com licença aberta, um pipeline vLLM-Omni que reutiliza o DiT e o codificador de texto do modelo de vídeo H3, uma receita oficial para H200 com oito layouts medidos, mais quatro receitas de hardware em vários estágios de qualificação, um caminho diffusers e uma integração com o ComfyUI. A API impõe o sampler: uma requisição com num_inference_steps diferente de seis, ou guidance_scale diferente de um, ou qualquer prompt negativo, retorna um HTTP 400.

Para equipes que querem avaliá-lo em vez de assumir um compromisso com ele, o formato prático é uma implantação offloaded em uma única GPU com 14,7 GiB — lenta, mas pequena o suficiente para caber ao lado de qualquer outra coisa na placa — e migrar para a disposição de paralelismo de sequência em quatro GPUs somente quando a qualidade da saída justificar o nó. O modelo também pode ser acessado pela própria API da MiniMax a tarifas medidas por token, e várias plataformas de terceiros o disponibilizam; ele não está no catálogo da OrcaRouter.

O que o OrcaRouter de fato carrega é o modelo de vídeo no qual este checkpoint de imagem é construído: minimax/minimax-h3 é roteável hoje pelo preço de tabela do provedor, sem nenhum acréscimo repassado por cima, o que importa se o motivo pelo qual você se interessa pelo MiniMax-H3-Image é que você já gera vídeo na mesma família e prefere manter uma única chave a dois contratos. O failover automático da mesma camada de roteamento também é a maneira menos dramática de testar um modelo não medido em produção — direcione uma parcela do tráfego para ele, mantenha um fallback medido por trás e deixe o roteamento decidir com base em erros, e não em uma posição no ranking que ainda é uma faixa de dez posições.

O que resolveria isso

Três coisas, na ordem de quanto elas mudariam o quadro. Um intervalo mais estreito no painel de edição — o modelo está em 1.138, em uma faixa de oito a dezessete, com cerca de 3.200 amostras, e mais votos transformariam isso em uma classificação real em vez de um intervalo. Uma receita Rubin mesclada para o modelo de imagem — não o de vídeo — tornaria a alegação de hardware verdadeira no único lugar que importa, que é o índice de receitas. E uma segunda medição independente da latência de 16 megapixels permitiria reformular a manchete de 0,87 segundo como o que ela é: quatro megapixels em quatro H200s, a cerca de nove décimos de segundo, com a placa 4K real em quatro vezes isso.

Até lá, o resumo defensável é mais restrito do que o post e mais útil: o modelo é rápido nos tamanhos que a maioria das pessoas realmente gera; seu modo de 16 megapixels é uma operação de quatro segundos em um nó de quatro GPUs, e não uma operação de menos de um segundo; seu suporte a frameworks é real para o hardware que tem commits de merge por trás; e sua posição no leaderboard é legítima, mas limitada — primeiro entre pesos abertos, décimo segundo no geral, em algum lugar entre oitavo e décimo sétimo, e cerca de setenta Elo atrás do modelo que o post dava a entender que ele havia superado.