MiniMax-H3-Image vs GPT Image 2.5: ambos aceitam 16 referências, e é aí que a semelhança termina

The number sixteen appears on both spec sheets, and it means two different things. MiniMax-H3-Image accepts up to sixteen reference images in a single edit, addressed by upload order as <Picture 1> through <Picture 16>, with the request body capped by nothing except a 32,000-character prompt. GPT Image 2.5 — the Sunburst and Flare pair that O​penAI shipped on 8 September 2026 — accepts up to sixteen input images too, and its documentation is explicit about what happens when you send more than one: markup and masks apply to the first image, and everything after it is a reference. Sixteen slots against sixteen slots, one of which is the whole control surface and the other of which is a parameter you will probably never fill.

Essa coincidência é a coisa mais útil de se colocar esses dois modelos lado a lado, porque todo o resto neles é assimétrico de um modo fácil de afirmar e difícil de exagerar. O GPT Image 2.5 é o segundo e o quarto melhor modelo de imagem do mundo no ranking de texto para imagem da Artificial Analysis, com treze mil votos cegos por trás de cada colocação. O MiniMax-H3-Image não tem colocação alguma — seus pesos chegaram ao Hugging Face em 10 de novembro de 2026 às 14:50 UTC, um dia antes de isto ser escrito, e nenhuma arena teve tempo de avaliá-lo. Portanto, isto não é uma comparação de dois candidatos em pé de igualdade. É uma comparação entre um modelo medido e um não medido, e a pergunta útil é o que o não medido oferece que justificaria descobrir.

Como as duas chamadas realmente se parecem

O​penAI's side is two model ids doing one job between them. gpt-image-2.5-sunburst is positioned for detailed compositions and precise editing; gpt-image-2.5-flare is the fast everyday variant. Both share the same snapshot date, the same endpoint surface and the same rate, and the split is latency against precision rather than capability against capability. There is no bare gpt-image-2.5 alias — you pick a variant. Generation goes to v1/images/generations, edits to v1/images/edits as multipart form data, and Batch is supported at half the output rate. Quality is a dial with six settings — low, medium, high, xhigh, max and auto, with auto the default.

M​iniMax's side is one model with two service tiers. MiniMax-H3-Image is a 33.1B dense diffusion transformer — 50 layers, hidden size 5,376, 56 attention heads, FFN width 14,336, 3D multimodal RoPE — distilled to six sampling steps with no classifier-free guidance. The served API enforces that: num_inference_steps must be 6 and guidance_scale must be 1, or you get an HTTP 400, and negative prompts are refused. Highspeed is the same weights at a higher per-token rate. There is no quality dial, no step count to raise, no second variant with different behaviour. You send a prompt and up to sixteen pictures and you get one image back, in a fixed number of passes.

Read those two paragraphs next to each other and the design philosophies separate cleanly. O​penAI gives you knobs and expects you to find the setting that fits the job. M​iniMax gives you one setting and expects the model to be good enough at it. The first is a tool; the second is an appliance.

O tamanho é onde a lacuna é maior, e não é por pouco.

GPT Image 2.5 tops out at 3840×2160 — 8.29 megapixels — with dimensions required to be multiples of 16, an aspect ratio between 1:3 and 3:1, and anything above 2560×1440 flagged as experimental in O​penAI's own documentation. The recommended presets are 1024×1024, 1536×1024 and 1024×1536, and the custom-size path allows a pixel budget from 655,360 up to that 8,294,400 ceiling.

MiniMax-H3-Image's ceiling is roughly double that, and its floor is higher than O​penAI's ceiling-to-floor gap. The card claims about 16 megapixels at every aspect ratio — 4096×4096 at 1:1, 4736×3552 at 4:3, 5024×3360 at 3:2, 5472×3072 at 16:9, 6272×2688 at 21:9 — with the API capping output area at 20 megapixels and the practical working range described as 4 to 20 MP. There is no upscaler in the path; the model regenerates detail rather than enlarging it.

• Saída máxima — GPT Image 2.5: 3840×2160, 8,29 MP. MiniMax-H3-Image: cerca de 16 MP, até 20 MP por meio da API.

• Saída útil mínima — GPT Image 2.5: 655.360 pixels, portanto uma miniatura de 768 pixels é uma solicitação compatível. MiniMax-H3-Image: cerca de 4 MP, sem nível para imagens pequenas.

• Reference images — both up to 16; O​penAI types the first as the edit target and treats the rest as references, M​iniMax orders all sixteen positionally with no typing.

• Controle de qualidade — GPT Image 2.5: seis configurações de qualidade, além de automático. MiniMax-H3-Image: nenhum; seis etapas, sem orientação, aplicadas obrigatoriamente.

• Formato de saída — GPT Image 2.5: PNG por padrão, JPEG e WebP disponíveis, compressão 0–100, fundo transparente via background: "transparent". MiniMax-H3-Image: um PNG em data[0].b64_json.

Uma dessas diferenças determina mais implantações do que as outras. Se o seu entregável é um plate 4K, o GPT Image 2.5 não consegue produzi-lo — nem com qualidade menor, nem alterando uma configuração. Ele para em 8,29 megapixels e o restante é upscaling. Isso não é uma crítica ao modelo; é uma constatação sobre para que serve o produto. Mas significa que os dois modelos deixam de competir no momento em que seu requisito ultrapassa 8,3 MP, e nenhum valor de Elo medido fecha essa lacuna.

Ambos medem tokens, e apenas um publica o que um token compra.

O​penAI bills GPT Image 2.5 by tokens: $5 per million text input tokens ($1.25 cached), $8 per million image input tokens ($2 cached), and $30 per million image output tokens, halved to $15 on the Batch API. Text output is not charged because the model returns images rather than prose. Those rates are unchanged from GPT Image 2, which is worth knowing if you priced the previous generation.

The number that matters and does not appear in O​penAI's rate card is how many output tokens an image costs, and O​penAI does not publish it — per-image consumption was not documented at launch and is still not documented per size. The only per-image figure in circulation is Artificial Analysis's derived $210.72 per thousand images, which is about $0.21 a frame at 1024×1024 with default settings. That is a third-party derivation from measured usage, not an O​penAI price, and it should be treated as an estimate that moves with quality setting and resolution.

M​iniMax publishes the resolved number directly, because its output rate is low enough that the arithmetic is simple: $2.30 per million input text tokens, $1.50 per million input image tokens, $3.80 per million output image tokens. The vendor's own worked examples give $0.02179 for a 1K image, $0.02333 at 2K and $0.06879 at 4K — the last of which is $0.03439 while a 50% discount holds, and that discount expires on 17 November 2026 at 16:00 UTC and applies only when the delivered image is at least 16,600,000 pixels.

Put the two side by side and the shape of the trade is stark. At 1024×1024, roughly $0.21 against $0.02179 — about ten to one. At the sizes each model is designed for, the comparison gets harder to make honestly, because GPT Image 2.5 at 8.29 MP and MiniMax-H3-Image at 16 MP are not the same product. What can be said without hedging is that if you are generating at 1K in volume, M​iniMax's price is an order of magnitude lower and its quality is unmeasured; that is the entire bet, stated plainly.

Two billing details on the M​iniMax side are easy to miss. Input images are billed per token at $1.50 per million, so references are not free — going from one to three references lifts a 2K edit from $0.02658 to $0.04177 in the vendor's own example. And the API charges for a request that times out, so a client-side retry policy turns one generation into two or three billed generations. O​penAI's documented behaviour is the opposite for failed and moderated requests, which it does not charge for.

A base de evidências é desequilibrada, e ambas as metades disso importam.

No ranking de texto para imagem do Artificial Analysis, o GPT Image 2.5 Sunburst está em segundo lugar, com Elo 1228 em 13.370 amostras, e o Flare em quarto, com 1209 em 12.695. No ranking de edição, o mesmo par está em terceiro e quinto lugares — 1199 em 18.617 amostras para o Sunburst, 1181 em 19.498 para o Flare. Esses números são estimativas pontuais com intervalos de confiança na casa das dezenas de Elo, ou seja, Sunburst e Flare não estão separados de forma relevante entre si em texto para imagem, e ambos estão relevantemente acima de tudo abaixo da quinta posição.

Também vale notar que o GPT Image 2.5 não é mais o topo de sua própria família. As variantes 2.6 — Sunburst e Flare — agora ocupam o primeiro e o terceiro lugares no ranking de texto para imagem e o primeiro e o segundo em edição, pelo mesmo valor de US$ 210,72 por mil imagens. Assim, um leitor que escolhe entre MiniMax-H3-Image e GPT Image 2.5 está escolhendo entre um recém-chegado ainda não avaliado e a geração anterior de uma linha avaliada, enquanto a geração atual dessa linha está a apenas um ID de modelo de distância, pelo mesmo preço. Qualquer pessoa que escolha o 2.5 pela pontuação deve observar em relação ao quê a pontuação é, de fato, medida.

O MiniMax-H3-Image não tem pontuação em nenhum dos rankings nem tabela de avaliação do fornecedor — nenhum GenEval, nenhum DPG-Bench, nenhum número de preferência humana. A alegação no card do modelo é qualitativa: “o melhor seguimento de instruções entre modelos de código aberto”, sem nenhuma tabela comparativa anexada. A grade de demonstração é a única evidência de saída existente, e uma grade de demonstração é um artefato curado. Nada disso é suspeito para um modelo que estava público há um dia quando o texto foi escrito. Isso significa que todo argumento a favor dele neste artigo é um argumento baseado em preço, resolução ou arquitetura, e nenhum deles é um argumento baseado em qualidade medida.

Orçamento de prompt e o que um modelo consegue manter na cabeça

GPT Image 2.5 accepts a normal O​penAI prompt and, per O​penAI's documentation, up to sixteen input images; the practical constraint on complex edits is not a character count but the mechanics of the request — the mask must match the first image in size and carry an alpha channel, and the annotation layer for markup edits must match the first image's dimensions exactly. There is no published token ceiling for image prompts in the model's documentation, which means the ceiling you plan against is the API's, not the model's.

MiniMax-H3-Image publishes a specific and modest budget: 32,000 characters on the served API, of which only about the first 4,096 tokens take effect, and the local SGLang path truncates at 4,096 tokens outright. For a model whose pitch is instruction following, four thousand tokens is tight — a detailed brief with sixteen reference images referenced by position eats a large fraction of it. M​iniMax's answer is a companion model: MiniMax-H3-Image-PE, a 27B prompt expander that rewrites a short request into a long caption plus an aspect-ratio recommendation and emits it as JSON. It fits in about 19 GiB of VRAM. Its editing path is described as prompt-only, so it helps text-to-image today and not much else.

That asymmetry is worth naming because it changes what “prompt following” means for each. O​penAI's model takes the prompt you wrote. M​iniMax's takes the prompt you wrote, or a prompt another model rewrote for it, and either way it has less room to hold the instruction. If your workflow depends on long, structured briefs with many named references, that is a real constraint and it will show up before quality ever does.

Licença, retenção e o custo de estar fechado

GPT Image 2.5 is closed. There are no weights, no self-hosting, no checkpoint to pin, and the commercial terms are an API contract. What O​penAI's developer documentation does state is that API data is not used for training unless you opt in, that the images endpoints are listed as not used for training, and that the models are Zero Data Retention compatible. Ownership and commercial-use terms live in separate policies, not in the developer docs.

O MiniMax-H3-Image é aberto, e sua licença é mais restritiva do que a palavra sugere. O Contrato de Licença Comunitária do MiniMax-H3-Image exclui, por definição, a União Europeia, o Reino Unido, a República da Coreia e os Estados Unidos; exige autorização escrita separada acima de um milhão de dólares americanos de receita anualizada; exige o mesmo para qualquer serviço hospedado, sem piso de receita; exige que o nome do modelo seja exibido com destaque em interfaces comerciais; e proíbe o uso de resultados para treinar ou melhorar outros modelos. A página do Hugging Face apresenta tudo isso como licença: outra.

Então o enquadramento habitual se inverte aqui. O modelo fechado tem os termos mais simples e o menor aprisionamento — você pode sair, só não pode levar os pesos. O modelo aberto tem os termos mais rígidos e o aprisionamento mais forte, porque uma licença que exclui quatro grandes mercados é uma restrição ao seu negócio que nenhuma quantidade de pesos baixáveis compensa. Se um caminho auto-hospedado é o motivo pelo qual você está considerando o MiniMax-H3-Image, leia a licença antes da ficha do modelo.

Quando o não medido é a escolha certa

Há três casos em que o MiniMax-H3-Image é a escolha óbvia, apesar de não ter placar, e nenhum deles é “porque é mais barato.”

A primeira é a resolução. Se você precisa de mais de 8,29 megapixels em uma única geração, o GPT Image 2.5 está fora da disputa e a comparação termina. Dezesseis megapixels a $0.06879 contra ampliar um quadro de 8,29 MP não é nem de perto uma escolha acirrada.

O segundo é a reprodutibilidade. Seis etapas, nenhuma orientação, um cronograma publicado em pdd_config.json, e pesos que você pode baixar. Se você precisar do mesmo resultado a partir da mesma entrada no seu próprio hardware daqui a um ano, o GPT Image 2.5 não pode oferecer isso, e o MiniMax-H3-Image pode, se a licença permitir.

O terceiro é o volume em tamanhos pequenos. A US$ 0,02179 contra aproximadamente US$ 0,21 em 1K, um pipeline que gera cem mil miniaturas por mês está diante de uma diferença da ordem de dezenas de milhares de dólares. Isso é dinheiro suficiente para justificar a realização da sua própria comparação cega por uma semana, que é a única forma de qualquer um desses números se tornar uma decisão.

Everything else points the other way. If you need a model that will not surprise you, GPT Image 2.5 has two board placements with thirteen thousand votes each and six weeks of paying traffic behind them; MiniMax-H3-Image has a day. If you need a quality dial, O​penAI has six settings and M​iniMax has none. If you need a small image, O​penAI goes down to 655,360 pixels and M​iniMax does not go below about 4 MP. And if you need the current best in that family rather than the previous generation, the 2.6 variants are the same price.

OrcaRouter routes both GPT Image 2.5 variants — gpt-image-2.5-sunburst and gpt-image-2.5-flare — under one key, at provider list price with 0% markup passed through, so a cut or a retirement on O​penAI's side is reflected the day it happens rather than the next time you migrate a billing integration. We do not serve MiniMax-H3-Image; it has no route on our catalogue, and the honest path to it today is M​iniMax's own API or the 135 GB of downloads. What we can do in a comparison like this is keep the measured side cheap to test and easy to fail over from, which is the part of the decision that does not depend on an arena score.

O que tornaria isto uma comparação de verdade?

Two things, and both are weeks rather than months away. The first is a MiniMax-H3-Image entry on an image arena with a few thousand samples, which will either confirm the price is a bargain or show it as what it currently is — an untested discount. The second is a per-image token figure from O​penAI at 2K and 4K, because the $0.21 estimate is a 1K number and the whole price argument shifts if the 4K multiplier is not what people assume.

Até que ambos existam, a decisão é invulgarmente clara: compre o modelo com desempenho medido para trabalho que tem de ser entregue em resolução moderada, e trate o MiniMax-H3-Image como candidato para os trabalhos que o GPT Image 2.5 estruturalmente não consegue realizar — dezasseis megapixels, reprodutibilidade exata, ou volume em que a diferença de preço de dez para um compensa a avaliação várias vezes.