MiniMax-H3-Image доступен на трёх платформах: что каждая из них на самом деле вам даёт

Самое короткое правдивое предложение о MiniMax-H3-Image на этой неделе звучит так: он доступен в трёх местах — Hugging Face, MiniMax Code и собственном API MiniMax. Но предложение, которое действительно нужно покупателю, куда уже. Два из этих трёх дают вам endpoint для запросов и тарифную сетку; один даёт вам 135 гигабайт весов, лицензию, которую нужно прочитать, и решение по аппаратному обеспечению. Это не три разновидности одного и того же доступа, и если считать их взаимозаменяемыми, команда в итоге закладывает неделю на то, что можно было купить за два цента за изображение.

Сама модель — это настоящий релиз, а не переупаковка. M​iniMax разместила веса в репозитории Hugging Face MiniMaxAI/MiniMax-H3-Image 10 ноября 2026 года в 14:50 UTC и опубликовала сообщение об этом в 15:40 того же дня; сам репозиторий датируется 3 ноября, то есть веса просуществовали в приватном доступе неделю, прежде чем кто-либо смог их скачать. Это диффузионный трансформер с 33,1 млрд параметров, который генерирует изображения размером примерно в шестнадцать мегапикселей — это и есть «4K» из анонса, — и выполняет преобразование текста в изображение и редактирование по референсу из одного чекпоинта. Далее всё построено вокруг одного вопроса, на который анонс не отвечает: на какой поверхности вам следует находиться.

Три входных двери, и только одна из них — загрузка.

Начните с того, чем является каждая дверь, потому что различие структурное, а не косметическое.

Этот API является традиционным путём. Модель указана как MiniMax-H3-Image вместе с версией Highspeed, на международной и материковой платформах M​iniMax, с оплатой за миллион входных и выходных токенов, а не за изображение. Интерфейс на редкость категоричен — шесть шагов сэмплирования, без guidance scale, без negative prompt — и в собственной справочной документации M​iniMax говорится, что запрос, требующий чего-либо иного, возвращает HTTP 400. Вы покупаете рабочий эндпоинт с фиксированным рецептом внутри.

M​iniMax Code и Hailuo AI — это продуктовые интерфейсы: одна и та же модель за полем ввода, где решения о сэмплировании уже приняты и вам не нужно выполнять никаких вычислений по токенам. Полезно для оценки того, насколько хорош результат; бесполезно для создания чего-либо, поскольку то, на что вы могли бы опираться при разработке, не предоставлено. Также учтите, что M​iniMax Code — это продукт-агент для программирования, поэтому генерация изображений там является побочной возможностью, а не основной функцией — не воспринимайте «доступно в M​iniMax Code» как API для изображений с обёрткой для кода.

Hugging Face — третья дверь, и единственная, которая представляет собой передачу, а не сервис. Вы получаете репозиторий, файл лицензии и набор весов, которые теперь нужно заставить работать. Именно самостоятельный хостинг — причина, по которой большинство команд вообще рассматривают модель изображений с открытыми весами; и именно здесь арифметика перестаёт быть про модель и начинает быть про вашу стойку.

Репозиторий тяжелее, чем можно предположить по заявленному в заголовке числу параметров.

33,1 млрд параметров в BF16 — это примерно 66 ГБ ещё до учёта всего остального, а «всё остальное» — как раз то, чем репозиторий удивляет людей. Только диффузионный трансформер занимает 66,28 ГБ. Полная загрузка составляет 68,65 ГБ — это трансформер плюс VAE и конфигурация. Текстовый энкодер невходит в эту цифру: MiniMax-H3-Image повторно использует текстовый энкодер Qwen3-VL из видеорепозитория MiniMax-H3, считывает данные со слоя 50, и этот энкодер — отдельная загрузка объёмом 66,7 ГБ. Иными словами, закладывайте примерно 135 ГБ артефактов на диске до получения первого изображения, и это ещё до собственного кэша любого фреймворка.

Архитектура заслуживает отдельного абзаца, потому что она говорит о том, что представляет собой модель. Пятьдесят слоёв трансформера, размер скрытого состояния 5 376, 56 голов внимания, ширина feed-forward 14 336, с трёхмерными мультимодальными ротационными позиционными эмбеддингами. VAE — это свёрточный энкодер в паре с 24-слойным двумерным ViT-декодером при 16-кратном пространственном понижении разрешения и 24 латентных каналах — выбор декодера, который требует больше вычислений в конце конвейера, чем обычный свёрточный декодер, и, вероятно, именно оттуда берётся часть мелких деталей в 4K. В карточке модели дизайн описан как архитектура H3 без аудио, и это справедливое резюме: это ветвь изображений видеомодели, выпущенная отдельно.

Отсюда следуют два вывода. Во-первых, диффузионный трансформер класса 33B при шестнадцати мегапикселях — это не модель для ноутбука, как бы ни звучало число параметров на фоне современных языковых моделей; память активаций масштабируется с площадью выходного изображения, а площадь — это весь смысл данного релиза. Во-вторых, поскольку текстовый энкодер общий с видеомоделью, у студии, где уже запущен MiniMax-H3, большая часть загрузки уже лежит на диске. Это реальная экономия, и именно её не передаёт фраза «доступно на Hugging Face».

Четыре способа его подачи и одно число, которое не сходится

В карточке модели перечислены четыре маршрута: SGLang, vLLM-Omni, diffusers и ComfyUI. Команда vLLM обеспечила поддержку с первого дня в vLLM-Omni как для оборудования NVIDIA, так и для AMD в день релиза, с нативным выводом около шестнадцати мегапикселей — это более сильный сигнал запуска, чем само существование весов: кто-то за пределами MiniMax запустил её ещё до того, как объявлению исполнился час. Diffusers покрывает референсный путь, а ComfyUI — тех, кто работает с графами рабочих процессов.

Об этом расхождении стоит предупредить, потому что оно кому-нибудь да аукнется. В карточке модели описано редактирование с использованием до 16 референсных изображений, адресуемых по позиции как <Picture 1> по <Picture 16> в порядке загрузки. В рецепте релиза vLLM-Omni для той же модели указано до 9 изображений на запрос. Оба утверждения могут быть верны одновременно — лимит обслуживания фреймворка и ёмкость модели, заложенная при обучении, — это разные числа, и ограничение по батчингу или памяти в стеке обслуживания сработает первым — но если вашему рабочему процессу нужно двенадцать референсов, честный ответ сегодня таков: возможность существует, а документированный путь обслуживания может её не обеспечить. Проверьте это число в своём стеке, а не полагайтесь ни на один из документов.

Та же осторожность относится и к окну запроса. Карточка принимает до 32 000 символов, из которых модель фактически учитывает примерно первые 4 096 токенов. Длинный запрос не отклоняется; хвост просто не участвует в работе. Любой, кто переносит подробный запрос с художественными указаниями по привычке, выработанной при работе с языковыми моделями, узнает это дорогой ценой.

Сэмплер — это ограничение, которое вы наследуете, а не параметр, который вы настраиваете.

Шесть шагов, без classifier-free guidance, без негативных промптов. Это не значение по умолчанию, допускающее увеличение: API прямо отклоняет другие значения числа шагов и guidance. Модель дистиллирована для работы за шесть прямых проходов, и именно благодаря этой дистилляции 33B-трансформер способен достаточно быстро возвращать изображение разрешением шестнадцать мегапикселей, чтобы это было полезно.

Для пути через API это незаметно и нормально. Для пути self-host это самый полезный показатель в спецификации — причём вдвойне. Он ограничивает вычисления на изображение шестью прогонами трансформера вместо двадцати пяти — пятидесяти, которые потребовались бы недистиллированной модели, и именно это вообще делает 16 мегапикселей практичными. Кроме того, это означает, что привычного цикла настройки при self-hosting — попробовать больше шагов, добавить guidance, добавить негативный промпт, итерировать — здесь просто нет. Если качество вывода разочаровывает, рычаги — это промпт и референсы, а не сэмплер. Командам, которые закладывают неделю на «настройку модели», стоит закладывать её на работу с промптами.

Сколько стоит каждый путь — в тех единицах, в которых фактически выставляется счёт

API тарифицирует токены, и приведённые в самой карточке примеры расчёта — самый наглядный способ это понять. Запрос на преобразование текста в изображение размером 1 024×1 024 стоит $0,02179. Запрос 2 048×2 048 стоит $0,02333 — в 1,07 раза дороже за вчетверо большее число пикселей, потому что количество токенов растёт гораздо медленнее, чем площадь. Запрос 4 096×4 096 стоит $0,06879 по прайс-листу и $0,03439 с ограниченной по времени скидкой 50%, которая действует до 17 ноября 2026 года, 16:00 UTC, при условии, что итоговое изображение содержит не менее 16 600 000 пикселей. Тарифы уровня Standard составляют $2,30 за миллион входных текстовых токенов, $1,50 за миллион входных токенов изображения и $3,80 за миллион выходных токенов изображения; уровень Highspeed сохраняет входные тарифы и взимает $7,60 за выходные токены.

Если сопоставить эти три числа, ценовой аргумент в пользу 4K в основном исчезает. Вчетверо больше пикселей за 1,07 раза больше денег на уровне 2K — это подарок; переход с 2K на 4K стоит примерно втрое дороже за тот же четырехкратный прирост площади, и только скидка возвращает его почти к ставке 2K. Если ваш сценарий использования не требует 4 096 пикселей по стороне, то 2K — это тот уровень, где данная модель дешева.

OrcaRouter не обслуживает MiniMax-H3-Image — здесь для неё нет маршрута, и CTA в этом материале указывает на видеоаналог, minimax/minimax-h3, который мы маршрутизируем. То, что мы предлагаем, будет актуально в тот день, когда маршрут появится: 0% наценки: цена провайдера по прайс-листу передаётся без изменений, а это значит, что изменение цены поставщика вроде той скидки на 4K отражается в вашем счёте в тот же день, когда появляется на странице поставщика, плюс автоматическое переключение на резерв при деградации маршрута провайдера. До тех пор значимое сравнение — это расходы на API против вашего собственного оборудования, и никакой слой маршрутизации не меняет эту арифметику.

Селф-хостинг с честной ценой

Никто не назовёт вам стоимость самостоятельного хостинга в расчёте на изображение, не зная вашу GPU, потому что доминирующий фактор — помещаются ли 135 ГБ весов в память или их придётся выгружать. Что можно сказать точно: шестишаговый сэмплер фиксирует вычисления, 16-мегапиксельный выход фиксирует бюджет активаций, и оба они велики. Одна карта на 80 ГБ вместит трансформер, но не трансформер вместе с энкодером Qwen3-VL в полной точности, поэтому реалистичные конфигурации — это несколько GPU, либо выгрузка энкодера, либо квантованный трансформер с прилагающимся вопросом о качестве. Добавьте питание, добавьте инженерную неделю, чтобы правильно настроить обслуживание SGLang или vLLM-Omni, и точка безубыточности относительно $0.02333 за 2K-изображение — это объём в сотни тысяч изображений, а не десятки.

Что в большинстве случаев служит аргументом в пользу API, а в немногих — аргументом в пользу весов: компания, которой модель нужна внутри собственного периметра по причинам, связанным с данными, или та, что уже использует MiniMax-H3 и держит у себя энкодер, или та, что генерирует в объёме, при котором фиксированные затраты амортизируются. Всем остальным следует сначала оценить стоимость API и разворачивать модель у себя, только если этого действительно требует периметр.

Читать лицензию до загрузки, а не после

Веса выпущены по лицензионному соглашению MiniMax-H3-Image Community License Agreement, которое не является ни Apache 2.0, ни MIT. «Open-weight» — точный термин; «open-source» — это слово, которое создаёт командам проблемы, и именно на этом этапе процесса юристу следует прочитать сам файл, а не пост в блоге — включая этот. Практический вопрос — коммерческое использование в масштабе и содержит ли лицензия условия, которые распространяются на ваш продукт, и на этот вопрос есть ответ в репозитории, который не заменит никакое резюме.

Есть второй, меньший артефакт, о котором стоит знать: MiniMax поставляет компонент Context-IR для модели и опциональную модель-расширитель промптов MiniMax-H3-Image-PE. Расширитель отчасти объясняет, почему модель выдерживает длинные подробные промпты; он опционален, отделён от 68.65 GB, и это скорее то, что встречается в описании репозитория, а не в анонсе.

Что проверить в своём стеке на этой неделе

• Ссылки — подтвердите, поддерживает ли ваш путь обслуживания 16 изображений или 9, которые документирует рецепт vLLM-Omni, с помощью реального запроса, а не чтения документации.

• Эффективная область — модель будет работать ниже шестнадцати мегапикселей, а конфигурация предоставляет минимальную область генерации, по умолчанию равную 4 194 304 пикселям. Протестируйте нижнюю границу, если ваш сценарий использования — миниатюры, поскольку модель такого размера может не быть дешёвым вариантом при 1K.

• Память — измерьте пиковое потребление VRAM при 4,096×4,096 перед покупкой оборудования. Шесть шагов — это дешёвые вычисления; активации — нет.

• Таймер скидки — если в планах 4K, ставка 50% действует до 17 ноября 2026 года, 16:00 UTC, и то, используете ли вы API или собственное железо, определяет, имеет ли этот дедлайн для вас значение.

• Лицензия — прочитайте её. Объём загрузки — 135 ГБ, и решение можно отменить; лицензию — нет.

Интересное в этом релизе не то, что появилась хорошая открытая модель изображений, а то, что впервые за долгое время одна из них появилась так, что веса, рецепты для фреймворков и хостинговый эндпоинт вышли в одну и ту же неделю. Это более сильный сигнал, чем график бенчмарка, потому что он означает, что всё это действительно работает. Стоит ли вам запускать её самостоятельно или обращаться к ней — полностью зависит от того, в какую из трёх дверей вы войдёте, а эти три двери находятся гораздо дальше друг от друга, чем кажется по анонсу.