MiniMax-H3-Image vs GPT Image 2.6: O que você realmente pode alterar em cada solicitação

A maioria das comparações entre modelos de imagem gasta seu espaço com pontuações. Esta gasta com controles, porque MiniMax-H3-Image e G​PT Image 2.6 Sunburst não estão competindo pelo mesmo botão. MiniMax-H3-Image é um transformador de difusão de 33,1B com pesos abertos, lançado em 10 de novembro de 2026, que executa um amostrador fixo de seis etapas sem escala de orientação, aceita até dezesseis imagens de referência e gera nativamente até dezesseis megapixels. G​PT Image 2.6 Sunburst — e seu irmão mais rápido G​PT Image 2.6 Flare, ambos lançados em 4 de novembro de 2026 — é um modelo fechado e hospedado cujos ganhos recentes estão principalmente no que você pode entregar a ele e no que ele devolve: imagens de referência reutilizadas, edições guiadas por marcação e saída em GIF e SVG. Se o seu gargalo é controlar uma longa cadeia de edições, um deles é obviamente a escolha certa. Se o seu gargalo é resolução ou custo, o outro é.

Ambos merecem ser levados a sério. Eles apenas falham em direções diferentes, e os modos de falha são legíveis apenas a partir das superfícies de controle.

O sampler é um botão rotativo de um lado e uma constante do outro.

O MiniMax-H3-Image quase não oferece nada para ajustar e impõe isso na fronteira da API. O checkpoint é destilado com CFG até seis avaliações de função, o que significa que os dois ajustes habituais do trabalho de difusão — número de etapas e escala de orientação — foram incorporados aos pesos. Chame-o com num_inference_steps definido como qualquer valor diferente de seis e a requisição retorna como HTTP 400. Defina guidance_scale com qualquer valor diferente de um e ela é rejeitada da mesma forma. Envie um negative_prompt e ele é recusado de imediato, porque não há uma segunda passagem direta para ele atuar.

Isso soa restritivo e, em grande parte, é uma simplificação. Seis passos são rápidos, determinísticos dada uma semente e impossíveis de configurar incorretamente — não existe a falha de “eu aumentei os passos e ficou pior”. O que você perde é a capacidade de trocar qualidade por latência dentro do modelo, e qualquer truque de prompt negativo que você tenha acumulado.

O GPT Image 2.6 mantém sua própria superfície de controle compacta no lugar dos botões do amostrador: um parâmetro complexidade que vem definido como alto por padrão, sendo a coisa mais próxima que qualquer um dos modelos tem de um interruptor de "pensar mais". Suas adições documentadas para a versão 2.6 dizem respeito a entradas e saídas, não à amostragem — imagens de referência que persistem entre edições posteriores para você não precisar mais reenviá-las, marcações desenhadas sobre uma imagem de referência para orientar uma edição, e dois formatos de saída que a geração anterior não oferecia.

• Contagem de etapas — MiniMax-H3-Image fixada em seis, rejeitada caso contrário; GPT Image 2.6 não possui controle de etapas exposto.

• Orientação — MiniMax-H3-Image fixa guidance_scale em um; GPT Image 2.6 expõe complexity (padrão alto) em vez disso.

• Prompts negativos — recusados com um 400 pelo MiniMax-H3-Image; não é uma superfície documentada no G​PT Image 2.6.

• Orçamento de prompt — MiniMax-H3-Image trunca em 4.096 tokens; o limite máximo de prompt do G​PT Image 2.6 não é publicado em suas páginas de modelo.

Dezesseis slots de referência é o controle mais amplo que qualquer um dos dois modelos oferece

A maior diferença funcional isolada é a quantidade de contexto que você pode colocar antes da edição. O MiniMax-H3-Image aceita até dezesseis imagens de referência em uma única solicitação, e a ficha do modelo apresenta o modo de edição como funcionando aproximadamente com a mesma fidelidade da geração — a versão para vLLM-Omni relata 0,985 de SSIM e cerca de 35 dB de PSNR em relação à sua própria referência em GPU única numa edição de 2048², o que é uma verificação de autocoerência e não uma pontuação de qualidade, mas significa que o caminho paralelizado não está degradando discretamente a sua saída.

Dezesseis referências representam uma ordem de controle diferente de “uma imagem mais uma frase”. Fotografia de produto com seis ângulos, uma folha de estilo, uma folha de personagem e um guia de marca podem entrar de uma só vez. O custo dessa amplitude é que a engenharia de prompt se torna engenharia de contexto: com dezesseis imagens em jogo, o texto tem de dizer qual delas governa qual atributo, e o modelo não tem como perguntar.

A resposta do G​PT Image 2.6 para o mesmo problema é memória, não largura. As imagens de referência persistem entre edições de acompanhamento dentro de uma sessão, então um retoque de vários turnos não reenvia o original a cada vez, e o caminho de edição guiado por marcação permite apontar para uma região em vez de descrevê-la. Para trabalho iterativo em uma única imagem, essa é uma interface melhor do que dezesseis espaços estáticos. Para uma composição única montada a partir de uma dúzia de elementos, não é.

O que volta a sair

A lista de formatos de saída é onde o GPT Image 2.6 se destaca de todos os modelos de imagem de pesos abertos, incluindo este. A versão 2.6 adicionou saída em GIF animado e saída em SVG, além dos formatos raster usuais. Um resultado em SVG importa mais do que parece: é a diferença entre um modelo de imagem que você usa para rascunhar um conceito de logotipo e um que você pode entregar a um front-end. O MiniMax-H3-Image retorna PNG — seu caminho de serving é validado em comparação de PNGs idênticos bit a bit — e nada no pipeline do vLLM-Omni ou no model card sugere saída vetorial ou de animação.

A resolução corre no sentido oposto, e não é por pouco. O MiniMax-H3-Image gera nativamente até dezesseis megapixels, em todas as proporções, do quadrado ao ultrawide, sem nenhum upscaler no caminho — 4096×4096 e 6272×2688 são ambas saídas nativas. A faixa de trabalho é de cerca de quatro a vinte megapixels, com a qualidade atingindo o pico perto do limite superior. As páginas do modelo do GPT Image 2.6 documentam formatos e tratamento de referências, mas não publicam uma contagem máxima de pixels, então o argumento de resolução neste confronto é o MiniMax publicando um número contra a OpenAI não publicando nenhum, em vez de uma comparação direta medida.

• Saída nativa — MiniMax-H3-Image com até 16 MP em qualquer proporção, sem upscaler; o GPT Image 2.6 não documenta nenhum máximo.

• Formatos — MiniMax-H3-Image retorna PNG; GPT Image 2.6 adiciona GIF e SVG.

• Proporções — MiniMax-H3-Image aceita qualquer par de largura e altura; o conjunto do GPT Image 2.6 não é publicado na página de cada modelo.

Entrada de edição — MiniMax-H3-Image aceita até 16 imagens de referência por solicitação; GPT Image 2.6 mantém as referências entre turnos e aceita marcações desenhadas.

A conta, com base nos próprios exemplos práticos de cada fornecedor

Ambos os fornecedores medem imagens como tokens, o que faz os preços de etiqueta parecerem comparáveis e os custos por imagem não parecerem em nada. A M​iniMax publica exemplos resolvidos em sua página de preços, então isto é aritmética com os próprios números deles, e não uma derivação:

• MiniMax-H3-Image 1024×1024, texto para imagem — US$ 0,02179 por imagem, em comparação com US$ 3,80 por milhão de tokens de saída.

• MiniMax-H3-Image 2048×2048 — US$ 0,02333 por imagem. Dobrar os pixels custa meio centavo, porque a contagem de tokens cresce muito mais lentamente que a área nessa extremidade da faixa.

• MiniMax-H3-Image 4096×4096 — $0.06879 por imagem, reduzido para $0.03439 com uma oferta por tempo limitado de 50% válida até 17 de novembro de 2026 às 16:00 UTC e que exige que a imagem entregue tenha pelo menos 16,600,000 pixels.

• Edição MiniMax-H3-Image, uma referência em 1024×1024 — $0.02654 por imagem, com imagens de entrada cobradas a $1.50 por milhão de tokens e texto de entrada a $2.30.

• G​PT Image 2.6 — tokens de saída a US$ 30 por milhão. Na contagem de tokens que a própria documentação da O​penAI indica para um resultado de 1024×1024, isso chega a cerca de 21 centavos por imagem, aproximadamente dez vezes o valor da M​iniMax para o mesmo tamanho nominal.

As velocidades também diferem, e é aí que os dois produtos deixam de ser intercambiáveis. Nos números que a MiniMax publicou com o lançamento de 4 de novembro, o GPT Image 2.6 Flare executa uma solicitação de texto para imagem com mediana de cerca de 30 segundos, ante aproximadamente 55 da geração anterior, e uma edição em cerca de 32 segundos, ante aproximadamente 58. O Sunburst é o nível mais lento e de maior fidelidade e ficou ainda mais lento — cerca de 135 segundos contra 113. A latência do próprio MiniMax-H3-Image só é mensurável onde você o hospeda: 0,88 segundo para uma imagem 2048² em quatro H200s, 1,35 segundo para uma edição 2048², conforme a receita oficial. Esses não são o mesmo tipo de número — latência de nó auto-hospedado versus a mediana de um endpoint gerenciado incluindo a fila — e colocá-los numa mesma frase como se fossem seria desonesto. O que a comparação diz legitimamente é que uma solicitação hospedada do 2.6 leva dezenas de segundos e uma solicitação local do H3-Image leva menos de dois, desde que você já tenha as quatro GPUs.

O que as evidências públicas cobrem, e o que não cobrem

O Artificial Analysis avalia os dois, nas mesmas duas tabelas, o que faz deste um dos poucos pontos do confronto em que os dois lados são diretamente comparáveis, em vez de discutidos com base em fichas técnicas. No AA-Image-Editing v2.1, o G​PT Image 2.6 Sunburst está em 1.210 de Elo com cerca de 6.400 amostras, o Flare em 1.206 com cerca de 6.700, e o MiniMax-H3-Image em 1.138, numa faixa de classificação do oitavo ao décimo sétimo lugar, com cerca de 3.200 amostras. No AA-Image-T2I v2.1, a diferença aumenta: Sunburst em 1.261, em primeiro lugar, com 5.282 amostras, contra o MiniMax-H3-Image em 1.066, classificado em vigésimo terceiro. Mesmo conjunto de votos, mesma escala Elo, cerca de setenta pontos de diferença em edição e quase duzentos em geração.

Lido com honestidade, isso diz duas coisas ao mesmo tempo. O MiniMax-H3-Image é o modelo de pesos abertos mais bem colocado no ranking de edição — à frente do Fibo 2.0, com 1.085, e do Qwen-Image-2.1, com 1.084 —, então sua alegação de qualidade já não é uma mera afirmação; é um número medido. Mas o número está cerca de setenta pontos Elo abaixo do G​PT Image 2.6 Sunburst, e seu intervalo abrange dez posições, enquanto a faixa dos três primeiros do Sunburst não abrange. No eixo que os dois modelos mais obviamente compartilham, o G​PT Image 2.6 vence, e vence por margem maior no ranking em que o H3-Image é mais fraco. O argumento da resolução de 16 megapixels e o preço de dois centavos ainda se sustentam por si sós; eles só não são argumentos de qualidade.

O que nenhum dos dois rankings lhe diz é quanto da vantagem do G​PT Image 2.6 sobrevive quando a tarefa é aquela de que este artigo trata — uma longa cadeia de edições com muitas referências e um amostrador fixo. O Elo é um agregado de preferência humana sobre prompts desconhecidos, e um modelo pode estar setenta pontos à frente nesse agregado enquanto perde em um fluxo de trabalho específico. A única forma de descobrir é rodar seus próprios prompts nos dois, o que é a recomendação ao final deste texto, em vez de uma ressalva no meio dele.

Executá-los lado a lado sem um segundo contrato

A complicação prática é que, para a maioria das equipes, nenhum dos dois modelos está disponível com uma única chamada de API. O caminho de lançamento do MiniMax-H3-Image é auto-hospedado — um conjunto total de 67B formado por um transformer de 33,1B, um codificador de texto Qwen3-VL de 33,4B reutilizado sem alterações do modelo de vídeo e um VAE de 0,58B, com o ponto ideal de 16 megapixels exigindo quatro GPUs de datacenter em velocidade máxima. Ele também está disponível por meio da API do próprio fornecedor e de várias plataformas de terceiros com a precificação por token acima. O G​PT Image 2.6 é exclusivo da O​penAI.

Se quiser fazer um teste A/B entre os dois com os seus próprios prompts, a descrição honesta da camada de roteamento é esta: o OrcaRouter ainda não disponibiliza o MiniMax-H3-Image, nem o GPT Image 2.6 Sunburst ou o Flare. O que ele disponibiliza é o par anterior do GPT Image — gpt-image-2.5-sunburst e gpt-image-2.5-flare — juntamente com gpt-image-2 e gpt-image-1.5, todos ao preço de tabela do fornecedor, sem qualquer margem acrescentada por cima. Isso permite um teste intermédio muito útil: criar o harness contra o 2.5 através de uma única chave, confirmar que a sua avaliação distingue realmente a fidelidade do Sunburst da velocidade do Flare e só então decidir se o que precisa é do delta do 2.6 ou de um modelo open-weight auto-hospedado. A fusão de modelos é a outra opção que vale a pena conhecer aqui — um painel de modelos a responder ao mesmo prompt de imagem dá-lhe uma variedade de resultados por prompt sem precisar de escrever três clientes.

O caso inverso, aliás, já está coberto: minimax/minimax-h3, o modelo de vídeo do qual o DiT e o codificador de texto do MiniMax-H3-Image são construídos, já é roteável hoje. Se o seu motivo para considerar o modelo de imagem é que você já executa vídeo H3, a família já responde com uma única chave.

Qual escolher

Escolha o MiniMax-H3-Image quando a restrição for pixels, referências ou custo unitário: uma saída nativa de 16 megapixels, dezesseis imagens de entrada e cerca de dois centavos por uma geração em 1024². Escolha o G​PT Image 2.6 quando a restrição for o formato da saída ou a fluidez de um ciclo de edição: SVG e GIF na saída, referências persistentes e marcações desenhadas na entrada, e uma vantagem de setenta Elo no quadro de edição, com um intervalo top-3 logo atrás.

Não escolha nenhum dos dois com confiança se o que você realmente precisava era de uma pontuação para seus prompts. Os dois modelos agora têm pontuações públicas, e ambas as pontuações são agregados sobre os prompts de outra pessoa; a comparação que decide o seu caso é a que você mesmo executa, com um custo atrelado a cada lado dela. O que o ranking lhe dá é uma informação prévia — o GPT Image 2.6 está à frente, e em texto para imagem está à frente o suficiente para que você deva esperar vê-lo. O que ele não pode lhe dar é a resposta para uma composição de produto com dezesseis referências em quatro megapixels, porque ninguém publicou essa comparação e os rankings Elo não a medem.