MiniMax-H3-Image-PE: MiniMax выпустила 27B-расширитель промптов для своей модели генерации изображений и никому об этом не сообщила

There is no launch post for MiniMax-H3-Image-PE. There is no entry on M​iniMax's news feed, no blog, no changelog line, no social post — on 2026-11-11 the company's news index lists H3, M3.1 Flash, Speech 2.8 and Music 3.0, and nothing about images at all. What exists instead is a Hugging Face repository whose first commit is timestamped 2026-11-10 at 14:38 UTC, a model card that never states a release date, and a license file dated November 10, 2026. That is the whole announcement. MiniMax-H3-Image-PE is a prompt-expansion model — a caption writer — built to feed its sibling MiniMax-H3-Image, the open-weights 33.1B image generator M​iniMax published on 2026-11-03. The image model got eight days of quiet; its prompt expander has had one. Everything below that carries a number comes from those two repositories, the license text, or M​iniMax's own API documentation, and where something is not knowable from those sources it is marked as such rather than guessed. MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter as of 2026-11-11, so this is a self-hosted evaluation. the catalogue The rest of the catalogue is one key away when you want to compare the expansion against a text model you already trust.

The short version, for anyone deciding whether to care: this model does not draw anything. You give it a sentence, it gives you back a long English description of the image you meant plus a recommended aspect ratio, wrapped in a two-key JSON object. A 27B model exists to write that paragraph because MiniMax-H3-Image is unusually fussy about its input — the parent card says it "expects a detailed English description of the whole image" and truncates anything past 4096 tokens. If you have ever typed six words into an image model and gotten six words' worth of thinking back, that gap is what this repository is trying to close, and on 2026-11-10 M​iniMax open-sourced its side of the fix.

Что на самом деле находится в репозитории и что говорят временные метки

The repository is MiniMaxAI/MiniMax-H3-Image-PE on Hugging Face. Its creation timestamp is 2026-11-08 15:35 UTC; its first commit — unhelpfully titled "Init MiniMaxAI/MiniMax-H3-Image-PE" — landed two days later, on 2026-11-10 at 14:38 UTC, authored by M​iniMax staff accounts ryanlee-dev and 500kg. A second commit followed 38 minutes later adding a Diffusers usage section, and that one is a pull request merged from Hugging Face's own multimodalart, which tells you the diffusers integration was contributed from outside M​iniMax rather than shipped by it. Three pull requests were opened against the repo on its first day, all closed or merged. None of them is an announcement.

What is inside is a checkpoint in four safetensors shards totalling roughly 17.9 GB, a tokenizer, a chat template, a quantisation config, and — the part that matters more than the weights — a prompt/ directory containing the actual system prompt, task prompt and request parameters M​iniMax uses. There is also a single client script, scripts/expand_prompt.py. The repository declares 27.4B parameters in total across two tensor types: about 25.6B stored as U8 and 1.76B left in BF16. That split is explained by the quantisation config, which records NVFP4 with a group size of 16 and lists the modules held out of quantisation — the embedding table and the convolution and gating projections inside each linear-attention block.

The base model is stated plainly on the card and in the metadata: Qwen3.8-27B, the Apache 2.0 vision-language model Q​wen published on 2026-08-05. So the architecture is Q​wen's, the weights are M​iniMax's fine-tune, and the packaging — NVFP4 rather than BF16 — is M​iniMax optimising for deployment rather than for redistribution fidelity. The card says the FP4 weights occupy about 19 GiB of GPU memory and that GPUs with native FP4 support run the NVFP4 weights directly while others fall back to bitsandbytes.

Что именно оно делает

В репозитории есть два рабочих процесса, и это не одно и то же. Это самое важное, что нужно понять, прежде чем скачивать 18 ГБ.

• Text-to-image PE — вы получаете всё: дообученные веса, системный промпт, промпт задачи, параметры запроса и работающий клиент. Этот путь полностью готов и может быть запущен уже сегодня.

• PE для редактирования изображений — вы получаете промпт и пример сборки сообщения. Весов нет. В карточке прямо сказано: «PE для редактирования изображений всё ещё находится в разработке; в этом выпуске предоставляется только его промпт». Предполагается, что вы пропустите этот промпт через визуально-языковую модель по своему выбору.

Путь текст-в-изображение принимает вашу инструкцию, расширяет её и возвращает JSON, ограниченный схемой ровно двумя ключами. Вывод для тестового запроса — «Оранжевый полосатый кот, спящий на залитом солнцем подоконнике» — представляет собой одно предложение о тёплых фотографиях и мягком послеполуденном свете плюс соотношение «3:2». Схема строгая, где additionalProperties установлено в false, а поле ratio — это перечисление из десяти значений: 1:1, 5:4, 4:3, 3:2, 16:9, 21:9, 4:5, 3:4, 2:3, 9:16. Нет ratio в свободной форме, нет токена «auto» в выводе, и нет способа для модели ответить чем-либо, кроме одной из этих десяти строк. Это осознанный выбор дизайна, и он напрямую соответствует опубликованной таблице размеров родительской модели, в которой перечислены ровно эти соотношения с размерами в пикселях от 4096×4096 при 1:1 до 6272×2688 при 21:9.

Решение о соотношении сторон — не вопрос ощущений. В опубликованном промпте задачи несколько сотен слов посвящены строгой иерархии приоритетов: сначала побеждает явно заданный итоговый холст, затем запрошенный результат (постер вертикальный, заголовок слайда горизонтальный, аватар квадратный), затем основная композиция субъекта и, наконец, необязательный контекст — с явным предупреждением, что «обобщённая комната, парк, лес, небо или кинематографический фон не должны превращать сфокусированный субъект в горизонтальный». Промпт также запрещает выдумывать платформу: нельзя просто предполагать Instagram. И он отличает изображаемую сцену от коммуникационного артефакта — дашборд, постер, упаковка, техническая схема или многопанельный композит создаются как информационная архитектура, а не как сцена, содержащая запрошенные объекты. Для всех, кто видел, как модель изображений превращает «слайд с квартальными результатами» в фотографию переговорной, это различие и есть самое интересное в этом релизе.

Зачем тратить 27B параметров на подпись

Ответ кроется в документации родительской модели, и он интереснее, чем сам расширитель промпта. MiniMax-H3-Image — это плотный диффузионный трансформер с односоставным потоком на 33,1 млрд параметров: 50 слоёв, размер скрытого состояния 5376, 56 голов внимания, который считывает скрытые состояния с 50-го слоя полного текстового энкодера Qwen3-VL, унаследованного без изменений от MiniMax-H3. Этот текстовый энкодер весит 66,7 ГБ и отсутствует в репозитории модели изображений — его скачивают отдельно из репозитория видеомодели. Чекпойнт дистиллирован до шести шагов сэмплирования без classifier-free guidance, и API это жёстко контролирует: любое значение num_inference_steps, кроме 6, и любое значение guidance_scale, кроме 1, возвращает HTTP 400, а negative_prompt отклоняется сразу. Крутить здесь нечего.

When there is no dial, the prompt is the control surface. That is the design logic connecting the two repositories: a six-step distilled sampler with no negative prompt has very little room to interpret a short instruction, so M​iniMax moved the interpretation into a separate model that can think before it writes. The hosted equivalent is an API endpoint called H3-Image-Context-IR, which does the same job server-side — accepts up to 32,000 characters of prompt and one to sixteen reference images, returns a revised prompt and a chosen ratio, and bills by converting the expansion model's input, output and thinking tokens into text tokens. MiniMax-H3-Image-PE is that endpoint's local escape hatch, and the parent card recommends exactly that usage: run the PE, save its expanded_caption into the generation call, and skip paying for enhancement twice.

The request parameters released with the PE are worth reading as a statement of intent rather than as tuning advice. Temperature 1.0, top_p 0.95, top_k 20, a 4096-token budget that includes thinking, and reasoning_effort set to "xhigh", with thinking enabled and preserved. M​iniMax is running its caption writer in maximum-deliberation mode and constraining only the final serialisation, not the reasoning. Serving that means SGLang 0.5.23 or newer with XGrammar 0.2.7 or newer, the q​wen3 reasoning parser, and constrained JSON decoding — or the Diffusers modular-blocks route the card documents. One caveat on that second route: the blocks repository the card points at, diffusers/minimax-h3-image-pe-blocks, returned HTTP 401 when checked on 2026-11-11, so it was not publicly readable at the time of writing. The card's Diffusers section may well be ahead of the artifact it depends on.

Лицензия — это то, что на самом деле остановит людей.

MiniMax-H3-Image-PE не лицензируется отдельно. В карточке указано, что {{1}}он является частью MiniMax-H3-Image и, соответственно, подпадает под действие{{/1}} лицензионного соглашения MiniMax-H3-Image Community License Agreement, а в файле лицензии есть строка с датой: {{2}}дата выпуска/дата лицензии: 10 ноября 2026 г.{{/2}} Вчитайтесь в это внимательно: это означает, что дата лицензии расширителя промптов и дата публикации родительской модели изображений различаются на восемь дней, хотя сама лицензия — это один документ, регулирующий оба.

Три пункта значат больше остальных, и ни один из них не является привычной историей про «открытые веса»:

• Территория — предоставляемое право действует только в пределах «Применимой территории», определяемой как весь мир за исключением Европейского союза, Соединенного Королевства, Республики Корея и Соединенных Штатов Америки. Это территориальное исключение, а не ограничение использования, и оно указано в определениях, а не спрятано в приложении.

• Коммерческий масштаб — раздел IV требует отдельного предварительного письменного разрешения, если ваша годовая выручка или выручка ваших аффилированных лиц превышает 1 млн долларов США, или если вы вообще предоставляете третьим лицам услуги хостинга. Для второго условия минимальный порог выручки не установлен.

• Указание в интерфейсе — в том же разделе требуется, чтобы вы заметно отображали "MiniMax-H3-Image" в пользовательском интерфейсе любого коммерческого продукта или услуги, использующих эти произведения.

Существует также условие о распространении, требующее файла NOTICE с определённой строкой об авторских правах, и обязательство по Разделу V поддерживать защитные меры от нарушающих выходных данных с механизмом отчётности и обязанностью реагировать на добросовестные сообщения. Ничего из этого не является необычным для общественной лицензии в 2026 году. Территориальное исключение — это то, что решит для многих команд, стоит ли вообще начинать загрузку объёмом 18 ГБ, — и это пункт, который чаще всего упускают, потому что страница модели на Hugging Face показывает его лишь как «other» со ссылкой.

Что пока ещё непознаваемо

Чётко обозначить границу полезнее, чем заполнять её.

• Никаких чисел бенчмарков. Ни одна из карточек не публикует ни одной оценки. Материнская компания делает только качественные заявления — «самое строгое следование инструкциям среди открытых моделей», «передовой уровень» — и по состоянию на 2026-11-11 не было найдено независимой оценки MiniMax-H3-Image или его расширителя запросов. Нет ни Elo, ни доли побед по предпочтениям, ни сравнения качества расширения с хостируемым эндпоинтом Context-IR.

• Нет доказательств, что путь редактирования работает. Промпт редактирования продуманный и необычно конкретный — он требует, чтобы вызывающая сторона передавала уменьшенное соотношение W:H для каждого референсного изображения, велит модели никогда не оценивать исходное соотношение по превью и предписывает ей строить предполагаемую цель, а не делать вид, что она увидела скрытый результат. Но веса для него не поставляются, поэтому никто не измерял, следует ли ему универсальная VLM так же хорошо, как, предположительно, следовала бы дообученная модель.

• No announcement, therefore no stated intent. Whether this is a permanent commitment or a byproduct of the image launch is not stated anywhere. The repository has no roadmap, no model index entry, and no discussion from M​iniMax explaining why the expander was split out rather than folded into the image checkpoint.

• Цифры скачиваний слишком малы, чтобы делать по ним выводы. У MiniMax-H3-Image по состоянию на 2026-11-11 было 667 скачиваний и 136 лайков — через восемь дней после публикации. У модели PE — 0 скачиваний и 7 лайков. Для репозитория возрастом в один день это нижняя граница, а не вердикт — но это значит, что никто ещё не опубликовал отчёт о реальном использовании.

Куда это вписывается, если вы на самом деле что-то создаёте

Практический вопрос не в том, «хорошая ли это модель» — на это пока никто не может ответить, — а в том, «к чему меня обязывает её внедрение». Конкретно, к трём вещам. Вы обязуетесь запускать две модели вместо одной: расширитель на 18 ГБ плюс чекпойнт изображений на 68,65 ГБ плюс текстовый энкодер на 66,7 ГБ, который у вас, вероятно, уже есть, если вы используете MiniMax-H3. Вы обязуетесь соблюдать фиксированный бюджет декодирования в 4096 токенов, включая рассуждения, что при тайм-ауте запроса, который документация API устанавливает на уровне 600 секунд, не является задержкой, которую можно без осторожности скрыть за интерактивным интерфейсом. И вы обязываетесь принять лицензию, территориальная сфера действия которой исключает четыре крупных рынка.

The mitigation for the first two is the same one that applies to any model you have not measured yourself: put it behind a routing layer rather than into a hardcoded call path. This is the case routing is built for — the expander is a text-generation model behind an OpenAI-compatible /v1/chat/completions endpoint, so it can sit alongside everything else on one key, and a routing rule can send long or structured prompts to it while a shorter path handles the rest. If the expansion turns out to degrade a particular workload, failover moves that traffic without a redeploy. That is also the honest way to evaluate an unproven model: run it on a slice, keep the old path warm, and let the comparison decide. One clarification worth stating plainly, since it is easy to assume otherwise — MiniMax-H3-Image and MiniMax-H3-Image-PE are not on OrcaRouter's catalogue as of 2026-11-11, so this is a self-hosted evaluation, not a call we can make for you. What the catalogue does carry is M​iniMax's H3 video model and the M3.x text line at provider list price with zero markup passed through, which is the same arithmetic that applies the day an image endpoint arrives.

For the third — the territory clause — no amount of engineering helps. If you are in the EU, the UK, Korea or the US, the license does not grant you the rights it grants everyone else, and M​iniMax's own remedy is to contact them for a separate grant "based on robust controls and guardrails." That is a business conversation, and it should happen before the download, not after.

Что посмотреть

Two signals would turn this from a repository into a release. The first is an announcement: a blog post, a model-index entry, a mention on M​iniMax's news feed. Its absence is currently the most informative thing about the launch, and its arrival would clarify whether the PE is meant to be the default local path or a stopgap. The second is the Diffusers blocks repository becoming publicly reachable — right now it returns 401, and until it resolves, the "run it locally through Diffusers" route documented on the card is a claim rather than a path.

In between, the thing to actually read is the task prompt. It is a few hundred lines of plain English describing how to decide what an image is for, and it is the most concrete artefact M​iniMax has published about how it thinks image prompts should work. You can learn more from it in ten minutes than from any benchmark table, and unlike the weights, it costs nothing to read.