MiniMax-H3-Image vs Nano Banana 2.1: Quase o Mesmo Preço, Evidências Nem de Longe Iguais

Dois modelos de imagem, ambos por volta de três centavos por imagem, e a decisão entre MiniMax-H3-Image e Nano Banana 2.1 não se resolve pelo preço. Em 1024×1024, o recém-chegado de pesos abertos custa US$ 0,02179 por geração, e o Nano Banana 2.1 do Google custa US$ 0,0336 — uma diferença de cerca de um centavo. Em 4096×4096, a diferença aumenta para US$ 0,06879 contra US$ 0,113. Então o mais barato é de fato mais barato, entre um terço e metade. O que você não pode comprar a nenhum preço agora é um motivo para acreditar na alegação de qualidade do mais barato, porque ninguém fora da MiniMax a mediu. O Nano Banana 2.1 está em quarto lugar nos dois rankings de imagens da Artificial Analysis, com milhares de amostras por trás de cada posição. O MiniMax-H3-Image não aparece em nenhum dos dois rankings, em nenhuma posição, com nenhuma contagem de amostras. Essa assimetria é a comparação inteira, e nenhuma quantidade de aritmética de ficha técnica a fecha.

Vale a pena ser concreto sobre as datas antes de prosseguir, porque os dois modelos não estão na mesma fase de vida. O Nano Banana 2.1 está disponível em geral desde 6 de outubro de 2026 como gemini-nano-banana-2.1, e substituiu o gemini-3.1-flash-image, que o Google descontinuou com data de encerramento em 29 de outubro de 2026 — então, se você estava chamando o mais antigo, já teve que migrar. Os pesos do MiniMax-H3-Image chegaram ao Hugging Face em 10 de novembro de 2026 às 14:50 UTC, com um card conciso nas notas de lançamento da API do MiniMax datadas do mesmo dia e nenhum post de blog acompanhante. Um modelo tem um mês de tráfego de produção; o outro tem um dia de estar disponível para download. Julgue de acordo.

O que cada um realmente lhe entrega

O Nano Banana 2.1 é um derivado do Gemini 3.6 Flash vendido somente por meio da API do Google. Três níveis de resolução — 1K, 2K e 4K, sem opção de 512 pixels — com proporções de aspecto do conjunto habitual, um contexto de entrada de 131.072 tokens e 32.768 tokens de saída. Ele aceita até 14 imagens de referência em uma única solicitação, divididas pelo Google em 10 referências de objeto e 4 referências de personagem, e pode basear uma geração em resultados do Google Search ou do Image Search. O raciocínio fica ativado por padrão no nível médio, com os níveis mínimo e alto disponíveis, e não pode ser desativado pela API de forma alguma. Toda saída carrega uma marca d'água SynthID.

O MiniMax-H3-Image é um transformer de difusão denso de 33,1B com um codificador CNN e um decodificador ViT de 24 camadas para seu VAE, distribuído sob a própria licença comunitária da MiniMax. Texto para imagem e edição passam ambos por um único par de endpoints, as edições aceitam de 1 a 16 imagens de referência endereçadas posicionalmente como <Picture 1> a <Picture 16> na ordem de upload, e o modelo é destilado para seis etapas de amostragem sem classifier-free guidance — a API servida retorna HTTP 400 se você passar qualquer coisa diferente de num_inference_steps=6 e guidance_scale=1. A área de saída é limitada a 20.000.000 pixels pela API, com faixas de área em 1K, 2K e 4K, sendo 4K o padrão; o card do modelo afirma aproximadamente 16 megapixels em todas as proporções de aspecto. Não há grounding de busca, orçamento de raciocínio nem esquema de marca d'água declarado em qualquer lugar do repositório ou da licença.

As listas de recursos divergem de um jeito que se encaixa perfeitamente no público de cada produto. O Google lançou orquestração: referências, recuperação, um orçamento de raciocínio, marcas de proveniência. A MiniMax lançou resolução e controle: dezesseis slots de referência, um teto de 20 megapixels, um amostrador fixo de seis etapas que você pode replicar exatamente no seu próprio hardware.

A escada de preços, com a janela de desconto explicitada

O Nano Banana 2.1 é medido a US$ 30 por milhão de tokens de imagem de saída, o que a própria documentação do Google resolve para US$ 0,0336 por imagem de 1K, US$ 0,0504 por 2K e US$ 0,113 por 4K. Imagens de entrada são cobradas a US$ 1,50 por milhão de tokens e a saída de texto a US$ 7,50 por milhão. Há uma camada em lote pela metade dessas tarifas de saída para trabalhos que podem esperar, e a Artificial Analysis lista a tarifa efetiva de 1K como US$ 33,60 por mil imagens — o mesmo número expresso em volume.

O MiniMax-H3-Image é cobrado da mesma forma em princípio e de maneira muito diferente no resultado. Nível padrão: 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. Analisando os próprios exemplos do fornecedor:

• 1K texto para imagem — Nano Banana 2.1 $0.0336 vs MiniMax-H3-Image $0.02179.

• Texto para imagem em 2K — $0.0504 vs $0.02333.

• Texto para imagem em 4K — $0.113 vs $0.06879, ou $0.03439 com o desconto de 50% por tempo limitado da M​iniMax.

Editar com uma referência — o G​oogle não publica um preço de edição por imagem nesses níveis; a M​iniMax cobra $0.02654 em 1K, $0.02658 em 2K e $0.07312 em 4K.

• Editar com três referências — $0.03563 em 1K, $0.04177 em 2K, $0.07914 em 4K no M​iniMax.

Dois detalhes nessa escada são fáceis de passar despercebidos e mudam a aritmética. Primeiro, o desconto da M​iniMax só se aplica quando a imagem entregue tem pelo menos 16.600.000 pixels, e expira em 17 de novembro de 2026 às 16:00 UTC — seis dias após a disponibilização dos pesos. Precifique um pipeline pelo número 4K com desconto e você estará precificando com base em uma promoção. Segundo, a escada da M​iniMax é incomumente plana: dezesseis vezes os pixels por pouco mais de três vezes o dinheiro, porque o medidor são tokens e a contagem de tokens não escala com a área como o preço de etiqueta sugere. A escada da G​oogle está mais próxima do proporcional. Em 4K, a resolução para a qual o modelo de pesos abertos foi criado, é nessa planura que está a economia real.

Aqui, uma camada de roteamento justifica seu lugar por não precisarmos nos preocupar com qual desses dois medidores você está. A OrcaRouter repassa o preço de lista do provedor com 0% de markup, o que significa que uma mudança de preço do fornecedor — incluindo uma promoção como a da MiniMax, e incluindo o seu término — entra em vigor do nosso lado no mesmo dia, em vez de esperar por uma migração de cobrança. Nenhum dos modelos desta comparação está no nosso catálogo: o MiniMax-H3-Image tem uma semana e não tem rota hospedada, e o Nano Banana 2.1 é acessado pela própria API do Google. O que nós oferecemos dessa linhagem é a geração anterior, google/gemini-3.1-flash-image-preview, ao lado das rotas de imagem da OpenAI e de uma rota de vídeo para o H3 da MiniMax. A razão para dizer isso claramente é que um texto que compara um checkpoint de pesos abertos não medido a um modelo fechado já pontuado não deveria fingir que o novo checkpoint está a um toque de tecla de distância.

Só um lado disso tem um placar.

O Artificial Analysis atribui ao Nano Banana 2.1 Elo 1160 em seu ranking de texto para imagem, quarto lugar, com mais de 6.055 amostras, e Elo 1137 em seu ranking de edição de imagens, também em quarto lugar, com mais de 5.968 amostras. Ambas as posições abrangem um intervalo de classificação do quarto ao sexto lugar, dependendo do intervalo considerado. Esses resultados são independentes, amostrados e comparáveis a todos os outros modelos do ranking — incluindo os que você já está usando.

O MiniMax-H3-Image não tem entrada em nenhum dos dois rankings. Não é uma entrada baixa; não há nenhuma. A ficha do fornecedor chama-o de “um modelo de imagem de pesos abertos líder”, e a grade de demonstração do repositório é a única evidência existente da qualidade dos resultados, que é exatamente o tipo de evidência feita para parecer boa. Também não há tabela de avaliação do fornecedor — nenhum GenEval, nenhum DPG-Bench, nenhum número de preferência humana, nada para comparar com a avaliação publicada de um concorrente. Daqui a um mês, isso pode ter mudado. Hoje, o resumo honesto é que o modelo mais barato é mais barato e o modelo medido é medido, e os dois fatos não estão em tensão porque se referem a coisas diferentes.

Há um custo de segunda ordem que o preço por imagem esconde por completo, e é o maior número deste artigo: 68,65 GB de transformer de difusão e VAE em BF16 e FP32, além de um codificador de texto que não está no repositório de forma alguma. O MiniMax-H3-Image carrega text_encoder/ do modelo de vídeo MiniMax-H3, 66,7 GB de Qwen3-VL, então uma primeira geração local é um download de aproximadamente 135 GB em dois repositórios. Some as GPUs: a própria orientação de serving da MiniMax para o vLLM-Omni indica H200, RTX PRO 6000 Blackwell e AMD Instinct MI350X, e o paralelismo de sequência multi-GPU — --ulysses-degree no SGLang, --usp no vLLM-Omni — é a forma documentada de obter latência aceitável em resolução total. A US$ 0,02179 por imagem 1K, a API sai mais barata que a eletricidade por muito tempo. Os pesos abertos são valiosos pelo controle e pelos termos da licença, não pela economia unitária em pequena escala.

Limites que decidem mais implantações do que a qualidade decide

O teto de resolução é o mais óbvio, e não é por pouco. O Nano Banana 2.1 para em 4K. O MiniMax-H3-Image chega a 20 megapixels pela API e a cerca de 16 megapixels nos exemplos do cartão — 4096×4096 em 1:1, 6272×2688 em 21:9, 5472×3072 em 4K 16:9. Se o seu entregável for uma chapa em tamanho de impressão ou um fundo que será recortado agressivamente, o modelo fechado está fora de cogitação antes mesmo de a qualidade entrar em discussão, e os dois modelos deste artigo deixam completamente de competir.

O tratamento de referências é o inverso. As 14 referências do Google são tipadas — 10 objetos, 4 personagens — e a tipagem faz o trabalho: ela diz ao modelo qual papel cada imagem desempenha. As 16 do MiniMax são slots não tipados endereçados por posição, o que dá mais margem e menos estrutura. Se o seu fluxo de trabalho é “colocar esta pessoa nesta jaqueta contra este fundo”, a tipagem do Google é o recurso. Se é “aqui estão dezesseis quadros, mantenha a identidade em todos eles”, o teto do MiniMax é o recurso. Nenhum é um superconjunto.

O terceiro é o orçamento de prompt. O Nano Banana 2.1 tem 131.072 tokens de contexto de entrada para trabalhar. O MiniMax-H3-Image aceita até 32.000 caracteres na API servida, mas apenas aproximadamente os primeiros 4.096 tokens têm efeito com o aprimoramento de prompt desativado, e o caminho local do SGLang trunca diretamente em 4.096 tokens. Para um modelo cujo argumento de venda é o seguimento de instruções, esse é um orçamento apertado, e é por isso que a MiniMax lançou um companheiro: o MiniMax-H3-Image-PE, um ajuste fino FP4 de 27B do Qwen3.8-27B que reescreve uma solicitação curta em uma legenda longa, além de uma recomendação de proporção, e a emite como JSON conforme um esquema. Ele cabe em cerca de 19 GiB de VRAM. Sua metade voltada à edição é descrita como baseada apenas em prompt e ainda está em desenvolvimento, então o expansor atualmente ajuda na geração de texto para imagem e não muito mais.

E a licença, que não tem equivalente do lado do G​oogle porque não há nada a licenciar. O acordo comunitário da M​iniMax exige autorização prévia por escrito separada caso a receita anualizada ultrapasse um milhão de dólares americanos ou, se você oferecer serviços hospedados, exige que as palavras “MiniMax-H3-Image” sejam exibidas em destaque em qualquer interface comercial que o utilize, restringe o uso a um território definido e proíbe usar os resultados para treinar ou melhorar outros modelos. Os termos do G​oogle são um contrato de API padrão. “Pesos abertos” aqui significa uma licença que você precisa ler, não uma licença que você pode ignorar.

Como ficam as duas contas em um mês real

Digamos que você gere 20.000 imagens por mês em 2K. O Nano Banana 2.1 custa $1,008 no preço de tabela, ou $504 no nível de lote, se o trabalho puder entrar na fila. O MiniMax-H3-Image custa $466.60 no preço de tabela pela API da MiniMax — ou, em auto-hospedagem, o que quer que duas a quatro dessas GPUs custem pelas horas envolvidas, o que, para a maioria das equipes, é mais. Digamos que, em vez disso, você gere 2.000 imagens por mês em 4K e a janela de desconto tenha fechado: $226 para o Google, $137.58 para o MiniMax. A economia é real e é de três dígitos por mês, não de cinco. Esse é o tamanho correto do prêmio, e ele deve ser ponderado em relação ao custo de ser a primeira pessoa a descobrir onde um modelo não medido falha.

Essa assimetria argumenta a favor de um padrão específico, e não de um vencedor. Encaminhe o caminho de produção para o modelo com o placar e envie uma fração do tráfego para o modelo barato a fim de construir sua própria evidência — um conjunto fixo de prompts, sua própria revisão, uma quinzena de comparação. É para isso que o failover serve de fato: um modelo desconhecido tratado como rota candidata, e não como substituto, com o comprovadamente bom por trás dele quando um trabalho voltar errado. A amostragem não guiada em seis etapas a 16 megapixels também é uma requisição longa para os padrões de imagem, e não é idempotente do lado da MiniMax — um timeout do cliente é cobrado, e os SDKs da OpenAI tentam novamente duas vezes por padrão, a menos que você defina max_retries=0. Requisições longas, cobradas em caso de timeout, são exatamente aquelas para as quais você quer uma segunda rota.

A pergunta que resolve isto em cerca de um mês

Nenhum dos modelos é a escolha errada; a escolha depende de você poder se dar ao luxo de ser quem faz a medição. Se o entregável precisa de um placar antes de precisar de uma decisão, o Nano Banana 2.1 é o único lado desta comparação que tem um, e em 4K custa $0.113 contra $0.06879 do MiniMax — uma diferença sobre a qual você vai gastar mais de uma vez discutindo internamente. Se o entregável precisa de 16 megapixels, referências tipadas não importam e a resolução importa, e o MiniMax-H3-Image é o único lado que a entrega.

O que resolveria a questão é o que ainda não aconteceu: uma colocação independente. O MiniMax-H3-Image foi disponibilizado publicamente há um dia, seus termos de licença ainda estavam sendo questionados no tópico de discussão do repositório horas depois de os pesos aparecerem, e seu próprio expansor de prompt está pela metade. Quando ele aparecer no Artificial Analysis com uma contagem de amostras, a diferença de preço deixa de ser um argumento indireto e passa a ser uma troca concreta. Até lá, compre o modelo medido para o trabalho que precisa ser entregue, e trate o modelo barato como um candidato que você está avaliando — não como um substituto que você já decidiu adotar.