MiniMax-H3-Image: 16 мегапикселей за 10 секунд — это заявление, а не измерение

Десять секунд для шестнадцатимегапиксельного изображения — это не заявление о качестве. Это заявление о том, как планируется работа модели, и это единственная часть запуска MiniMax-H3-Image, которую пользователь может проверить за один день. MiniMax анонсировала модель 10 ноября 2026 года коротким постом, который начинается именно с этой цифры: вывод в 4K, примерно шестнадцать миллионов пикселей, до шестнадцати референсных изображений, за десять секунд, с открытыми весами и собственным API вендора, а MiniMax Code и Hailuo — как способы доступа. Чего в анонсе нет — ни одного измерения задержки, ни одного бенчмарка качества и ни одной ссылки на пост в блоге, объясняющий, как всего этого добились. Байты реальны — 68,65 ГБ на Hugging Face, плюс текстовый энкодер, позаимствованный из второго репозитория, — и прайс-лист тоже. Десять секунд — это обещание. Вот на чём оно построено, сколько оно стоит и что вам пришлось бы запустить, чтобы узнать, выполняется ли оно на вашем собственном оборудовании.

Даты стоит назвать прямо, потому что rollout был необычным. Репозиторий Hugging Face для MiniMax-H3-Image был создан 3 ноября 2026 года и оставался пустым. Веса появились 10 ноября в 14:50 UTC. В тот же день в документации API MiniMax появилась карточка примечаний к выпуску с заголовком «MiniMax H3 Image» и строкой «Ведущая модель изображений с открытыми весами. От идей к новым мирам» — предложение, в котором нет ни одной спецификации, — а в собственном блоге и индексе новостей компании до сих пор нет ничего о модели изображений. Так модель тихо выпустили, а затем анонсировали — именно в таком порядке; это противоположность тому, как проходит большинство запусков, и причина, по которой анонс читается как маркетинговый текст, прикрученный к чекпойнту, который уже можно было скачать.

Откуда правдоподобно могли бы взяться десять секунд

Большая часть объяснения находится в листинге файлов, а не в посте. MiniMax-H3-Image — это плотный диффузионный трансформер на 33,1 млрд параметров: 50 слоёв, размер скрытого состояния 5 376, 56 голов внимания, ширина FFN 14 336, 3D мультимодальный RoPE — и он дистиллирован до шести шагов сэмплирования вообще без classifier-free guidance. Это не значение по умолчанию, которое вызывающая сторона может настроить. Обслуживаемый API отклоняет всё, кроме num_inference_steps=6 и guidance_scale=1 с HTTP 400, а негативные промпты отклоняются сразу. Отдельный файл размером 12 МБ, pdd_fused_heads.safetensors, содержит пошаговые выходные головы, которые заменяют выходной слой трансформера, а расписание находится в pdd_config.json.

Шесть проходов без guidance — вот почему цифра в десять секунд не выглядит абсурдной. Сэмплер с guidance на 30 шагов при шестнадцати мегапикселях — это пакетная задача; шесть шагов при той же площади — это запрос. Уложится ли оно в десять секунд, полностью зависит от ускорителя, конфигурации параллелизма по последовательности и разрешения, которое вы фактически запрашиваете, и ни одной из этих трёх вещей в анонсе нет. В собственной карточке модели MiniMax нигде не указано время генерации. Эта цифра есть только в одном месте: в посте о запуске.

Что карта действительно уточняет — причём подробнее, чем в посте, — так это геометрию. Выходное разрешение достигает около 16 мегапикселей при любом соотношении сторон — 4096×4096 при 1:1, 4736×3552 при 4:3, 5024×3360 при 3:2, 5472×3072 при 16:9, 6272×2688 при 21:9 — без отдельного апскейлера в цепочке. API ограничивает выходную площадь 20 мегапикселями, а карта описывает практический рабочий диапазон как примерно от 4 до 20 мегапикселей. Редактирование принимает до 16 референсных изображений, на которые в промпте ссылаются позиционно как с <Picture 1> по <Picture 16> в порядке загрузки. В обслуживаемом API длина промптов достигает 32 000 символов, хотя фактически действуют только первые примерно 4 096 токенов.

Утверждения — рядом с существующими для них доказательствами

• Разрешение — «16 миллионов пикселей» и 4K: указано в посте и воспроизведено в таблице размеров карточки. Независимо не измерялось, но это элементарно проверить, сгенерировав изображение и посмотрев его размеры.

• Скорость — «всё за 10 секунд»: по данным производителя, без указания оборудования и без опубликованных сторонних замеров по состоянию на 11 ноября 2026 года. В карточке вообще не приводится никаких цифр.

• Следование промпту — «точное следование промпту»: качественное утверждение. Более сильная формулировка в карточке — «наиболее сильное следование инструкциям среди open-source моделей», и это сравнение, не подкреплённое таблицей.

• Редактирование — «до 16 референсных изображений»: подтверждено в карточке и документации API и опровергнуто в одной детали рецептом vLLM-Omni первого дня, который на своём пути документирует до 9 изображений на запрос. Считайте 16 пределом модели, а 9 — тем, что реально отрабатывает рецепт фреймворка.

• Открытые веса — это правда, и это принципиально важно в том смысле, который в посте не раскрыт: веса открыты по лицензии с территориальными условиями и условиями по выручке, а не по лицензии, одобренной OSI. Подробнее об этом ниже.

Сколько это стоит, и скидка, до окончания которой осталось шесть дней

Коммерческие условия — это самая конкретная часть релиза. Оплата основана на токенах и тарифе за вывод изображений: $2.30 за миллион входных текстовых токенов, $1.50 за миллион входных токенов изображений и $3.80 за миллион выходных токенов изображений на стандартном уровне. Собственные примеры расчётов MiniMax сводят это к шкале, которая необычно плоская, потому что единица измерения — токены, а количество токенов не масштабируется с площадью так, как подсказывает интуиция:

• 1K текст-в-изображение — $0.02179 за изображение.
• 2K текст-в-изображение — $0.02333.
• 4K текст-в-изображение — $0.06879 по прайс-листу, $0.03439 пока действует текущая скидка.
• 1K редактирование с одним референсом — $0.02654; 2K — $0.02658; 4K — $0.07312, со скидкой $0.03656.
• 1K редактирование с тремя референсами — $0.03563; 2K — $0.04177; 4K — $0.07914, со скидкой $0.03957.

Шестнадцатикратное увеличение числа пикселей при чуть более чем трёхкратном увеличении цены — вот соотношение, которое стоит запомнить, потому что именно здесь модель действительно выделяется: в 4K чекпоинт с открытыми весами стоит примерно одну восьмую от кадра FLUX 3 Image 4K и около одной пятой от кадра Nano Banana 2.1 4K по прайс-листу.

Скидка реальна, и она временная. Скидка 50% действует только в том случае, если доставленное изображение имеет не менее 16 600 000 пикселей; она покрывает всю сумму запроса и истекает17 ноября 2026 г. в 16:00 UTC — через шесть дней после публикации весов. Любой, кто рассчитывает бюджет пайплайна исходя из $0.03439, рассчитывает на акцию. Считайте ценой $0.06879, а скидку — маржой.

Есть второй, более быстрый тариф. MiniMax-H3-Image-Highspeed принимает идентичные параметры и ограничения и выставляет $7.60 за миллион выходных токенов изображения: $0.03529 при 1K, $0.03622 при 2K, $0.13001 при 4K — до того, как та же скидка снижает это вдвое до $0.06501. Если утверждение о десяти секундах — причина, по которой вам это интересно, то именно для варианта Highspeed оно должно быть верным, чтобы иметь значение, — а MiniMax не публикует никакой разницы в задержке между ними.

«Open weight» здесь означает лицензию, которую нужно прочитать.

Веса можно скачать, а архитектура задокументирована — это больше, чем предлагает большинство передовых моделей изображений. Лицензия — это то место, где слово «открытый» перестаёт выполнять ту работу, которую от него ожидают. MiniMax-H3-Image распространяется по Лицензионному соглашению сообщества MiniMax-H3-Image, и условия, определяющие развёртывание, не являются сносками:

• Территория. Определение исключённой территории в лицензии охватывает Европейский союз, Соединённое Королевство, Республику Корея и Соединённые Штаты, что составляет значительную долю рынка коммерческой модели изображений.

• Масштаб. При превышении одного миллиона долларов США годовой выручки требуется отдельное предварительное письменное разрешение.

• Хостинг. То же требование авторизации применяется к предложению модели в качестве хостингового сервиса, без какого-либо минимального порога выручки — пункт, прямо нацеленный на модель API-перепродажи.

• Указание авторства. Коммерческие интерфейсы, использующие модель, должны заметно отображать «MiniMax-H3-Image».

• Последующее использование. Выходные данные не могут использоваться для обучения или улучшения других моделей.

На странице Hugging Face это отображается одной строкой: license: other, что технически верно и практически бесполезно. Если вы оцениваете модель для продукта, а не для блокнота, файл лицензии — первое, что нужно прочитать, и, возможно, причина остановиться.

Во сколько вам на самом деле обходится запуск открытых весов

68,65 ГБ — трансформер и VAE, плюс текстовый энкодер, которого нет в репозитории. model_index.json обращается к видеомодели MiniMax-H3 и загружает text_encoder/ оттуда — 66,7 ГБ Qwen3-VL без изменений. Поэтому первая локальная генерация — это загрузка примерно 135 ГБ из двух репозиториев, причём на энкодер приходится большая половина.

Ситуация с поддержкой фреймворков на удивление хороша для настолько молодого чекпойнта, и она появилась в первый же день, а не на протяжении следующего месяца. SGLang — эталонный путь с документированным сборником рецептов и командой для одного GPU; параллелизм по последовательности задаётся флагом (--ulysses-degree в SGLang, --usp в vLLM-Omni); vLLM-Omni публикует рецепты под конкретное оборудование с указанием NVIDIA H200, RTX PRO 6000 Blackwell и AMD Instinct MI350X; diffusers и ComfyUI оба его поддерживают. Собственные рекомендации MiniMax по обслуживанию указывают на multi-GPU для приемлемой задержки при полном разрешении — это самое близкое к признанию со стороны вендора того, что десять секунд — это конфигурация, а не константа.

Для большинства команд следующая арифметика неудобна. При цене $0.02179 за изображение 1K и $0.06879 за 4K облачный API ещё очень долго остаётся дешевле электричества и амортизации. Причина брать 135 ГБ — контроль: фиксированный шестишаговый сэмплер, который можно воспроизвести с точностью, лицензия, которую можно осмысленно оценить, и отсутствие зависимости от очереди поставщика в тот момент, когда нужна пропускная способность.

Три теста, которые стоит прогнать перед коммитом

Первый — дешёвый: сгенерируйте один и тот же 4K-промпт десять раз через API MiniMax, фиксируя фактическое время выполнения каждого запроса и размеры каждого возвращённого изображения в пикселях. Это подтвердит оба ключевых числа — десять секунд и шестнадцать мегапикселей — применительно к вашей собственной сети и вашей собственной длине промптов, меньше чем за час и за существенно меньше доллара.

Второй — тест на идентичность, и именно здесь шестнадцать референсов либо оправдывают своё включение, либо нет. Подайте от восьми до шестнадцати кадров одного субъекта с разных ракурсов, попросите новую сцену и посмотрите, сохраняются ли лицо, ткань и логотип. Позиционные слоты менее структурированы, чем типизированные референсы, — невозможно указать модели, какое изображение является персонажем, а какое — курткой, — поэтому проверяется, достаточно ли одной позиции, чтобы передать это намерение.

Третье — то, что никто не может сделать за вас: слепое A/B-сравнение с тем, чем вы пользуетесь сейчас, на ваших собственных промптах. По состоянию на 11 ноября 2026 года MiniMax-H3-Image отсутствует в обоих рейтингах изображений Artificial Analysis — не на низком месте, а вообще отсутствует — и таблицы оценок от производителя тоже нет. Ни GenEval, ни DPG-Bench, ни цифр по человеческим предпочтениям. Витринная сетка на карточке модели — единственное существующее свидетельство качества результатов, а витринная сетка создана, чтобы выглядеть хорошо. Неделя ваших собственных сравнений расскажет вам больше, чем может рассказать пост о запуске.

В каком положении это оставляет запуск

Честное резюме таково: MiniMax-H3-Image — это настоящий чекпоинт с необычно полной историей развёртывания, ценовой лестницей, которая при 4K с большим отрывом обходит закрытые модели, и заявленной цифрой, которую никто за пределами компании не подтвердил. Утверждение о скорости правдоподобно с архитектурной точки зрения — шесть шагов без guidance действительно относятся к совершенно иному классу затрат, чем сэмплер с тридцатью шагами и guidance, — но правдоподобность не является доказательством.

Что изменило бы картину, так это конкретные вещи, до которых, вероятно, ещё недели: независимое размещение в таблице лидеров по изображениям с указанием размера выборки, замер времени прохождения 4K-тракта третьей стороной на конкретно названном оборудовании и взгляд на то, как шестнадцать позиционных референсов ведут себя под реальным давлением на идентичность. До тех пор полезная позиция — это скорее кандидатный маршрут, чем замена: запускайте его рядом с моделью, которой доверяете, на фиксированном наборе промптов и позвольте изображениям решить.

OrcaRouter сегодня не обслуживает MiniMax-H3-Image; в нашем каталоге для неё нет маршрута, и утверждать обратное — это как раз тот тип заявления, против которого выступает данная статья. Из того же семейства у нас есть видеомодель, minimax/minimax-h3, по списочной цене провайдера с 0% наценки, передаваемой как есть — а значит, изменение цены MiniMax, включая скидку на 4K и её окончание, действует здесь в день, когда происходит, а не при следующей миграции биллинга. Если модель изображений когда-нибудь появится в каталоге, она появится на тех же условиях. А пока это собственный API MiniMax или ваши собственные GPU.