MiniMax-H3-Image vs MiniMax-H3: Um É um Modelo de Vídeo, o Outro É Seu Corte de Quadro Fixo

A coisa mais honesta no MiniMax-H3-Image é a listagem de seus arquivos. Sessenta e seis gigabytes de transformer de difusão, 2,34 GB de VAE, doze megabytes de cabeças de amostragem por etapa — e nenhum codificador de texto em lugar algum do repositório. O codificador não está faltando. Ele é emprestado: model_index.json acessa o MiniMax-H3, o modelo de vídeo omnicomodal de 33B que a MiniMax tornou de código aberto em 31 de julho de 2026, e carrega text_encoder/ de lá, 66,7 GB de Qwen3-VL, inalterados. Se o MiniMax-H3 já estiver no seu disco, o modelo de imagem não custa nada a mais para codificar um prompt com ele. Se não estiver, seu primeiro quadro estático custa 135 GB de downloads, e o segundo modelo desta comparação está fazendo trabalho de verdade pelo primeiro.

Essa única linha de configuração é a relação entre os dois modelos, e ela explica a maior parte das diferenças práticas entre eles. O MiniMax-H3-Image é o MiniMax-H3 com o ramo de áudio removido, a cabeça de saída redirecionada de um vídeo latente para uma imagem latente, e o conjunto todo destilado para seis etapas de amostragem. Nada mudou no lado do texto. O DiT inclusive lê os mesmos estados ocultos da 50ª camada do mesmo encoder, e é por isso que as pastas do tokenizer e do processor são idênticas byte a byte e que o modelo de imagem herda o tratamento de prompts em inglês do H3 sem uma única linha de treinamento novo nesse caminho.

O que torna isto digno de ser escrito agora é a forma do lançamento, e não o seu conteúdo. A MiniMax não publicou nenhum post de blog sobre o modelo de imagem. O blog e o índice de notícias da empresa não trazem nada sobre o modelo de imagem — o item mais recente ali é o post do M3.1 Flash de 19 de outubro — e as páginas dos modelos ainda destacam o H3 como um sistema de vídeo. O único reconhecimento por parte do fornecedor que conseguimos encontrar é um cartão datado de 10 de novembro de 2026 na lista de lançamentos de modelos da documentação da API, com o texto “Um modelo de imagem líder de pesos abertos. De ideias a novos mundos” — uma frase sem especificação, sem benchmark e sem data própria. O repositório no Hugging Face foi criado em 3 de novembro, e os pesos chegaram em 10 de novembro às 14:50 UTC. Duas revisões do README e um guia de implantação do vLLM-Omni surgiram dentro de uma hora. Trata-se de um lançamento silencioso: os artefatos são reais e podem ser baixados, o anúncio não. Tudo abaixo foi lido a partir do repositório, do arquivo de licença e da documentação da própria MiniMax, e, quando um número é uma alegação do próprio fornecedor não reproduzida, nós o indicamos.

Os dois modelos, nos termos em que cada um realmente é vendido.

O MiniMax-H3 é um gerador omni-modal de uso geral. Ele recebe texto, imagens, vídeo e áudio como um único contexto empacotado e emite de 4 a 15 segundos de vídeo a 24 quadros por segundo com áudio estéreo nativo de 32 kHz, em 768p nativamente, com uma passagem separada de regeneração — H3-Regenerate-2K — que realimenta o resultado e o contexto original no modelo para atingir 2K. Duas variantes de entrada importam: a H3-Base-FL2VA aceita zero, uma ou duas imagens como primeiro/último quadros, e a H3-Base-Ref2VA aceita até 9 imagens, 3 clipes de vídeo e 3 clipes de áudio, com limite de 12 arquivos no total. Um pré-processador hospedado chamado H3-Context-IR analisa a entrada mista e a reescreve em um formato estruturado, e a MiniMax é explícita ao afirmar que ele não faz parte da versão aberta porque depende de vários modelos hospedados.

O MiniMax-H3-Image recebe texto e até 16 imagens de referência e gera uma imagem. O transformer de difusão tem 33,1B de parâmetros — um design denso de fluxo único, 50 camadas, tamanho oculto de 5.376, 56 cabeças de atenção, largura de FFN de 14.336, RoPE multimodal 3D, pesos em BF16 com embedding, timestep e camadas de saída em FP32. O VAE de imagem é um codificador CNN com um decodificador ViT de 24 camadas, downsampling espacial de 16× e 24 canais latentes; o DiT faz o patchify desse latente em 2×2, de modo que um token do transformer cobre um bloco de 32×32 pixels. A área de saída chega a 20 megapixels via API, e a principal alegação da placa é de aproximadamente 16 megapixels em todas as proporções de tela — de 4096×4096 em 1:1 até 6272×2688 em 21:9, sem upscaler.

Leia esses dois parágrafos lado a lado e a bifurcação é óbvia. O modelo de vídeo gasta sua capacidade com tempo e com uma segunda modalidade. O modelo de imagem gasta essa capacidade com espaço. Mesmo tronco, objetivo diferente.

Seis passos e nenhuma orientação sem classificador é a verdadeira engenharia

A parte do MiniMax-H3-Image que não é apenas subtração é a destilação, e ela é imposta, não recomendada. O checkpoint executa seis etapas de amostragem — seis NFEs — sem qualquer orientação sem classificador. A API disponibilizada não trata esses valores como padrões: num_inference_steps deve ser omitido ou 6, guidance_scale deve ser omitido ou 1, e qualquer outro valor retorna HTTP 400. Prompts negativos são rejeitados de imediato. Um arquivo separado, pdd_fused_heads.safetensors, contém cabeças de saída por etapa que substituem a camada de saída do transformer, com o cronograma em pdd_config.json; são 12 MB dos 68,65 GB totais realizando uma quantidade desproporcional do trabalho.

Esta é a diferença entre um modelo que você pode colocar por trás de uma superfície interativa e um que não pode. Um modelo de difusão guiado de 30 etapas a 16 megapixels é uma tarefa em lote. Seis etapas não guiadas na mesma resolução são uma requisição. O enquadramento do próprio M​iniMax — “imagens de 16 megapixels a um custo computacional prático” — é uma afirmação sobre FLOPs por pixel, e o escalonamento de seis etapas é como a afirmação se concretiza. Se isso se sustenta no nível de qualidade que as imagens de demonstração sugerem é uma pergunta que nenhum terceiro respondeu; não há entrada do Artificial Analysis para MiniMax-H3-Image em nenhum dos dois rankings de imagens em 10 de novembro de 2026, e nenhuma tabela de avaliação do fornecedor no card.

Para servir localmente, o panorama de frameworks é incomumente completo para um modelo tão jovem. O SGLang é o caminho de referência com um cookbook documentado; o vLLM-Omni publica uma receita com configurações por hardware e latência medida, citando NVIDIA H200, RTX PRO 6000 Blackwell e AMD Instinct MI350X; diffusers e ComfyUI ambos oferecem suporte. O paralelismo de sequência é uma flag — --ulysses-degree no SGLang, --usp no vLLM-Omni — e uma única GPU basta para começar. O codificador de texto é o verdadeiro custo de memória, e é o codificador de texto do modelo de vídeo, que é o ponto de toda esta comparação.

Dois medidores, e nenhum deles é um contador de tokens que você consiga avaliar a olho nu

M​iniMax cobra por esses dois modelos em unidades incompatíveis, o que é a armadilha em qualquer pergunta do tipo “qual é mais barato”. O H3 é medido em segundos de saída gerada, por resolução: US$ 0,08 por segundo em 768P, US$ 0,13 por segundo em 2K, com o material de entrada cobrado à parte — as cinco primeiras imagens de referência são gratuitas e US$ 0,04 por cada uma depois disso no modelo base, entrada de áudio gratuita, vídeo de referência cobrado pela própria duração na resolução de saída. Um clipe de 10 segundos em 2K custa US$ 1,30 de saída antes de quaisquer referências.

O MiniMax-H3-Image é cobrado em tokens com base em uma tarifa de saída de imagem. No nível padrão, a tabela publicada indica US$ 2,30 por milhão de tokens de texto de entrada, US$ 1,50 por milhão de tokens de imagem de entrada e US$ 3,80 por milhão de tokens de imagem de saída, e os exemplos de cálculo do próprio fornecedor chegam a:

• 1K (1024×1024) texto para imagem — $0.02179 por imagem.

• 2K (2048×2048) texto para imagem — US$ 0,02333 por imagem.

• Texto para imagem em 4K (4096×4096) — $0,06879 por imagem, listado a $0,03439 com desconto por tempo limitado de 50%.

• Edição em 1K com uma referência — $0.02654; 2K — $0.02658; 4K — $0.07312, com desconto para $0.03656.

• Edição em 1K com três referências — $0,03563; 2K — $0,04177; 4K — $0,07914, com desconto para $0,03957.

O detalhe interessante é o formato dessa escada. Dezesseis vezes os pixels custam pouco mais de três vezes o dinheiro, porque a métrica são tokens e a contagem de tokens não escala linearmente com a área como a intuição sugere. A variante de alta velocidade, MiniMax-H3-Image-Highspeed, usa parâmetros e limites idênticos e cobra US$ 7,60 por milhão de tokens de imagem de saída — US$ 0,03529 em 1K, US$ 0,13001 em 4K antes do mesmo desconto. O desconto se aplica quando a imagem entregue tem pelo menos 16.600.000 pixels e vai até 17 de novembro de 2026 às 16:00 UTC, que é o único fato comercial datado em todo o lançamento.

Coloque os dois medidores lado a lado e o garfo ganha um preço. Um segundo de vídeo em 768P custa US$ 0,08; a imagem estática mais barata da M​iniMax fica em cerca de US$ 0,022. Um clipe de quatro segundos — o mais curto que o H3 fará — custa aproximadamente quinze imagens 1K. Isso não é um argumento a favor de nenhum dos dois modelos. É o motivo pelo qual “qual é mais barato” não tem resposta até você dizer o que está produzindo.

Onde o fork causa problemas em uma implantação real

Três assimetrias importam mais do que a questão do benchmark.

O primeiro é o tratamento de entrada. O H3-Image aceita até 16 imagens de referência em uma única edição e se refere a elas por posição como <Imagem 1>, <Imagem 2> e assim por diante, na ordem de envio; o corpo total da solicitação é limitado a 64 MiB, e o Base64 aumenta o tamanho de um arquivo em cerca de um terço, portanto, uma solicitação com 16 imagens precisa usar URLs ou referências a arquivos pré-carregados em vez de dados embutidos. O modo de referência do H3 é um caso diferente — 9 imagens, 3 vídeos, 3 clipes de áudio, 12 arquivos, todos reunidos em uma sequência com estrutura temporal. O tratamento de referências de nenhum dos dois modelos é um superconjunto do outro.

A segunda é o comprimento do prompt. A API servida do H3-Image aceita até 32.000 caracteres, mas, com o aprimoramento de prompt desativado, apenas aproximadamente os primeiros 4.096 tokens surtem efeito; o caminho local via SGLang trunca em 4.096 tokens, ponto final. Esse não é um orçamento grande para um modelo cujo principal atrativo é seguir instruções detalhadas, e é por isso que o expansor de prompt complementar existe — o MiniMax-H3-Image-PE, um ajuste fino FP4 de 27B do Qwen3.8-27B que reescreve uma solicitação curta em uma descrição longa mais uma recomendação de proporção de tela, lançado em 8 de novembro e coberto pela mesma licença comunitária. Sua metade de edição foi lançada apenas como um prompt; os pesos para a expansão do lado de edição ainda são descritos como em desenvolvimento.

O terceiro é a licença, e é a mesma licença para ambos os modelos apenas no nome. O Contrato de Licença Comunitária MiniMax-H3-Image exige autorização prévia por escrito separada da MiniMax se a sua receita anualizada, ou a de suas afiliadas, exceder um milhão de dólares americanos, ou se você fornecer serviços hospedados a terceiros. Ele exige que você exiba “MiniMax-H3-Image” em destaque na interface de qualquer produto comercial que o utilize. Restringe o uso ao Território Aplicável definido, proíbe usar os resultados para melhorar qualquer outro modelo de IA e não reivindica direitos sobre os próprios resultados. A licença do vídeo H3 é um contrato próprio com seus próprios termos. Se você está criando um produto com ambos, você está com duas licenças, não uma.

O que nenhum dos dois modelos faz

O MiniMax-H3-Image não consegue fazer vídeo. Ele não tem eixo temporal, nem ramo de áudio, nem parâmetro de duração — o VAE de áudio simplesmente desapareceu da arquitetura, e a saída é uma imagem latente por solicitação, até dez por chamada via API. O MiniMax-H3 não consegue fazer uma imagem estática de 16 megapixels. Ele gera 768p por padrão e chega a 2K por meio de uma passagem de regeneração; pedir a ele um quadro único de 4096×4096 não é uma solicitação suportada. Se o seu pipeline precisa de uma imagem principal e de um loop de cinco segundos com diálogo sincronizado provenientes do mesmo universo visual, você está chamando dois modelos e, na plataforma da M​iniMax, está pagando por dois medidores diferentes.

Ambos compartilham uma coisa fácil de passar despercebida: nenhum prompt negativo. O H3-Image rejeita o campo. A orientação de prompt do H3 conduz por descrição positiva e por Context-IR, em vez de por exclusão. Quem porta um fluxo de trabalho do Stable Diffusion para qualquer um dos modelos perde essa alavanca logo no primeiro dia.

Qual chamar

A divisão honesta do trabalho é por entregável, não por qualidade. Se o artefato for uma imagem estática — um render de produto, um keyframe, uma imagem de 16 megapixels com texto legível nela —, o MiniMax-H3-Image é o modelo, e o cronograma de seis etapas significa que você pode se dar ao luxo de iterar sobre ela. Se o artefato se move, o H3 é o modelo, e o ramo de áudio é o motivo para preferi-lo a costurar imagens estáticas em uma sequência.

O que uma camada de roteamento muda aqui é mais restrito do que parece, e vale dizer com clareza: o OrcaRouter não disponibiliza o MiniMax-H3-Image. O modelo teve os pesos disponibilizados publicamente em 10 de novembro e não tem rota em nosso catálogo, então, se você quiser usá-lo hoje, obtenha-o pela API da própria MiniMax ou execute você mesmo o checkout de 68.65 GB. O que nós oferecemos é minimax/minimax-h3, o modelo de vídeo, cobrado por segundo pelo preço de tabela, sem markup — e a propriedade útil para um pipeline de dois modelos é que a mesma chave que chama o H3 também alcança os outros cerca de 200 modelos da plataforma.

O que é preciso observar não é se o H3-Image é bom. É se a M​iniMax diz alguma coisa sobre ele. Um modelo que é lançado com pesos, uma licença, uma tabela de preços e quatro integrações com frameworks, mas sem post no blog e sem benchmark, é um modelo cujas alegações ainda são inteiramente do fornecedor. A primeira colocação independente em um leaderboard de imagens, ou o primeiro confronto direto contra um modelo fechado na mesma resolução, dirá mais do que a grade de demonstração diz. Até lá, o repositório é o registro, e o repositório diz: este é o H3 com o som desligado.