Сгенерированная титульная карточка с заголовком «MiniMax-H3-Image: три утверждения, три документальных следа», подзаголовком «что утверждал пост о запуске» и тремя карточками со скруглёнными углами: «Измерено 0,87 секунды, но на холсте 2048 пикселей — 0,88 секунды на четырёх H200», «Поддержка Vera Rubin — это рецепт для видеомодели, открытый и закрытый без слияния в тот же день» и «Редактор №1 с открытыми весами — подтверждается, при 1 138 Elo: двенадцатое место в целом в диапазоне рангов от восьмого до семнадцатого». В нижнем колонтитуле указано: «Задержка согласно рецепту vLLM-Omni H200; показатели таблицы лидеров от Artificial Analysis, 13 ноября 2026 г.» Настоящий логотип OrcaRouter скомпонован в добавленной полосе в правом нижнем углу.
Engineering & Research

MiniMax-H3-Image: что утверждалось в посте о запуске и что на самом деле выпустил vLLM-Omni

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Три утверждения появились вместе с MiniMax-H3-Image, и их стоит разделять, потому что за ними стоит очень разный объём документации. Модель представляет собой 33.1B однопоточный диффузионный трансформер, который генерирует и редактирует изображения с разрешением примерно шестнадцать мегапикселей, дистиллирован до шести шагов сэмплирования без classifier-free guidance, а её веса появились на Hugging Face 10 ноября 2026 года в 14:50 UTC. В анонсирующем посте говорилось, что модель была open-weight-моделью номер один для редактирования изображений по версии Artificial Analysis, что поддержка NVIDIA Vera Rubin для MiniMax-H3-Image добавляется в vLLM-Omni и что нативная генерация 4K выполнялась за 0,87 секунды. Первое верно, но только внутри когорты open-weight-моделей и только внутри доверительного интервала шириной в десять рангов; второе описывает заявку, которая нацелена на другую модель и была закрыта без слияния; третье — реальное измеренное число, привязанное к холсту размером в четверть от того, что подразумевает фраза.

Ничто из этого не делает модель хуже. Это делает анонс менее удобным, потому что читатель, принявший все три за чистую монету, стал бы планировать 4K-конвейер, опираясь на значение задержки, которое относится к 4-мегапиксельному.

Число 0,87 секунды есть в репозитории, и оно привязано к холсту размером 2048 пикселей.

Собственный рецепт vLLM-Omni для MiniMax-H3-Image содержит таблицу измеренной задержки для восьми конфигураций GPU, и значение, которое согласуется с постом о запуске, таково: на четырёх H200 с параллелизмом последовательностей Ulysses по всем четырём запрос генерации изображения по тексту 2048×2048 занимает 0,88 секунды, а редактирование 2048×2048 — 1,35 секунды. Это медианы трёх запросов после одного прогрева при параллелизме 1, с фиксированным seed, измеренные на стороне клиента сквозным образом.

В той же строке указано, что самый большой запрос, который пробовали авторы, — 4736×3552, то есть 16,8 мегапикселя и ближайший в таблице аналог 4K-кадра, — занимает 3,84 секунды. Так что честная формулировка заявления о скорости: 4-мегапиксельное изображение обрабатывается примерно за девять десятых секунды на узле с четырьмя GPU, а 16-мегапиксельное изображение, для которого предназначена модель, — примерно за четыре. Значение 0,87 находится в пределах шума измерений относительно 0,88; изменился холст, а не модель.

Что делает это не просто жалобой на округление, так это то, что запросы меньше 2048×2048 фактически выполняются не в номинальном размере. Путь обслуживания генерирует всё меньшее на холсте размером не менее 2048×2048 с тем же соотношением сторон, а затем уменьшает его с помощью Lanczos на устройстве. Поэтому 1024×1024 стоит 0,77 секунды, а 2048×2048 — 0,88: объём работы одинаков, а последующее изменение размера разное. В рецепте нижний порог задаётся параметром min_generation_area, который можно настроить от 32² до 4096² пикселей, поэтому развёртыванию, которому действительно нужны дешёвые миниатюры, придётся явно включить их.

Остальная часть таблицы полезна для всех, кто подбирает аппаратное обеспечение:

• Четыре H200, Ulysses SP 4 — пиковое потребление 81,3 GiB на GPU, 0,88 с для изображения 2048², 3,84 с при 4736×3552, 1,35 с для редактирования 2048².

• Четыре H200, DiT с тензорным параллелизмом 4 — 36,2 ГиБ на GPU, 1,00 с и 4,01 с, а правки укладываются в 38,3 дБ PSNR относительно эталона с параллелизмом по последовательности.

• Четыре H200, TP 2 × SP 2 — 52,2 ГиБ на каждый GPU, 1,09 с и 4,07 с, 37,1 дБ относительно того же эталона.

• Два H200, Ulysses SP 2 — 94,6 ГиБ на GPU, 1,48 с и 6,82 с. Это конфигурация, для которой требуется почти вся карта.

• Один H200 с выгруженным текстовым энкодером — 73,4 ГиБ, 3,18 с и 12,39 с для тех же двух размеров.

• Один H200 с послойной выгрузкой как DiT, так и текстового энкодера — 14,7 ГиБ, 8,30 с и 12,85 с.

Последние две строки — интересные с коммерческой точки зрения, потому что именно они показывают, что даёт одна арендованная карта. При 14,7 ГиБ модель помещается с запасом и тратит восемь секунд на то, что узел с четырьмя GPU делает менее чем за одну секунду, — соотношение примерно девять к одному по задержке при соотношении примерно четыре к одному по объёму оборудования. Профили offload ограничены копированием с хоста на устройство, поэтому их задержка почти не растёт с увеличением размера изображения: разница между запросами 2048² и 16,8 Мп на пути DLO с одной GPU составляет 8,30 секунды против 12,85. Если ваша рабочая нагрузка — большие изображения, а карта у вас одна, offload не такая катастрофа, как можно предположить по сырой задержке.

A generated single-column scoreboard titled 'MiniMax-H3-Image — what one node buys you', with six rows: '4 x H200, sequence parallel: 81.3 GiB per GPU, 0.88 s at 2048 square'; '4 x H200, tensor parallel: 36.2 GiB per GPU, 1.00 s at 2048 square'; '4 x H200, TP2 x SP2: 52.2 GiB per GPU, 1.09 s at 2048 square'; '2 x H200, sequence parallel: 94.6 GiB per GPU, 1.48 s at 2048 square'; '1 x H200, text encoder offloaded: 73.4 GiB, 3.18 s'; '1 x H200, layer-wise offload: 14.7 GiB per GPU, 8.30 s'. The footer reads 'Every figure from the official vLLM-Omni H200 recipe; a 16.8 megapixel request takes 3.84 s on the four-GPU sequence-parallel layout.' The OrcaRouter logo is composited in the added strip at bottom-right.

Почему первое изображение стоит дороже, чем можно предположить по весам модели

Чекпоинт, который скачивают пользователи, — это не то, что выполняется. Репозиторий размером 68,65 ГБ содержит диффузионный трансформер BF16, но для его обслуживания также требуется полный текстовый энкодер Qwen3-VL, взятый из MiniMax-H3 — второй артефакт объёмом около 66,7 ГБ — плюс VAE на 0,58B, а собственный подсчёт параметров в рецепте суммирует все три до 67B. Именно это число стоит за показателем 73,4 GiB для одной GPU при постоянно загруженном текстовом энкодере и за схемой с двумя GPU и резидентным размещением, требующей 94,6 GiB на карту.

Следствие — арифметическая проблема дня запуска. Модель изображений на 16 мегапикселей, веса которой поставляются в виде двух больших загрузок, а самый дешёвый быстрый вариант развёртывания требует четырёх GPU для ЦОД, — это не проект на выходные, и фреймворки, заявляющие о поддержке с первого дня, заявляют о поддержке конвейера, а не вашего рабочего стола. Рецепт явно указывает, какое оборудование действительно измерялось, а какое только конфигурировалось: H200, RTX PRO 6000 Blackwell с двумя и четырьмя картами, а также MI325X и MI350X отмечены как проверенные, тогда как рецепты для H100, B200 и B300 предназначены только для конфигурации. Отдельный рецепт для одной RTX 4090 существует и помечен как развёртывание силами сообщества, а не как квалифицированное производителем.

Утверждение о Вере Рубин указывает на видеомодель, а пул-реквест был закрыт.

Это утверждение потребовало больше всего усилий по проверке, потому что работа реальна, а её форма не та, что описывалась в посте. В vLLM-Omni есть pull request под номером 10108, открытый 10 ноября 2026 года в 11:10 UTC под названием «[Doc] Add MiniMax-H3 Rubin recipe and inference results». Он добавляет 1972 строки в четырёх файлах, документирует офлайн-рецепт для четырёх GPU на оборудовании NVIDIA VR NVL72 с 286 524 MiB на карту на хосте aarch64 и приводит реальные измерения: запрос text-to-video с разрешением 1344×768, длительностью пять секунд и 24 FPS занял медианно 19,811 секунды с вниманием TRTLLM и eager execution против 110,039 секунды с SDPA. Варианты first/last-keyframe и mixed-reference показали 21,535 и 21,461 секунды.

Каждая из этих задач — видео. T2VA, FL2VA и Ref2VA — это названия задач MiniMax-H3, а не MiniMax-H3-Image, и в описании самого pull request сказано, что в существующем руководстве MiniMax-H3 отсутствовала квалифицированная среда Rubin. Индекс рецептов в репозитории это подтверждает: у MiniMax-H3-Image есть рецепты для H200, H100, B200, B300, RTX PRO 6000, MI325X и MI350X, Intel Arc Pro B70, Ascend Atlas, RTX 4090 и MUSA, и ничего для Rubin.

Затем pull request был закрыт. Он был открыт в 11:10 UTC 10 ноября и закрыт в 12:05 в тот же день, так и не будучи слитым, после того как автоматический рецензент попросил автора оставить комментарий с саморецензией. Автор прямо признал ограничения в самом описании: запуск HTTP завершился неудачно с протестированными ночными сборками vLLM, рецепт фиксирует эти сбои, а не заявляет о поддержке HTTP, а инференс на более новой базовой ревизии был указан в разделе «не запускался». В листинге каталога main, полученном сегодня, нет рецепта Rubin ни для одной из моделей M​iniMax.

Итак, точная формулировка такова: контрибьютор подготовил черновик и замерил рецепт Rubin для MiniMax-H3 — видеомодели — и этот черновик не был принят. Если поддержка появится, она появится в виде слитого файла в индексе рецептов, и следить нужно именно за этим, а не за постом в соцсетях. Тем временем фреймворки MiniMax-H3-Image, заявленные как поддержка «с первого дня», — это те, за которыми стоят коммиты слияния: пул-реквест vLLM-Omni с поддержкой модели был слит 11 ноября в 07:32 UTC, а сопровождавший его пул-реквест с рецептом — 10 ноября в 14:53, примерно на семнадцать часов раньше, что показывает, насколько вольно «первый день» применяют к документации.

A headless-Chromium screenshot of the vllm-project/vllm-omni pull request #10108, '[Doc] Add MiniMax-H3 Rubin recipe and inference results', opened by Lishunyang12, showing one commit, 4 files changed and +1,972 lines, and a visible contributor-intent questionnaire whose answers describe documenting a Rubin recipe with measured inference results. The pull request is closed and unmerged.

Утверждение об арене верно и гораздо уже, чем звучит.

Artificial Analysis ведёт две соответствующие рейтинговые таблицы — лидерборд преобразования текста в изображение image-arena и лидерборд редактирования изображений, — обе с оценками Elo, доверительными интервалами и объёмами выборки, и MiniMax-H3-Image присутствует в обеих. В рейтинге редактирования AA-Image-Editing v2.1 модель занимает 1 138 баллов Elo и двенадцатое место, в диапазоне мест с восьмого по семнадцатое, по примерно 3 200 образцам, при цене $26,54 за тысячу изображений. Её более быстрый вариант, MiniMax-H3-Image Highspeed, отстаёт на одну позицию: 1 134 балла и диапазон с девятого по двадцатое место. В комментарии самой таблицы модель выделяется как участник с открытыми весами, занимающий наивысшую позицию, опережая Fibo 2.0 с 1 085 и Qwen-Image-2.1 с 1 084. Таким образом, утверждение из поста о запуске корректно в заявленной формулировке — номер один среди моделей с открытыми весами для редактирования изображений — а стоящая за ним цифра реальна, получена голосованием и публично проверяема.

A headless-Chromium screenshot of Artificial Analysis's AA-Image-Editing v2.1 leaderboard in English, headed 'Ranks image models on editing an image from a text instruction, by Elo from pairwise human preference votes'. The leading rows read GPT Image 2.6 Sunburst (max) at 1,210 over about 6,300 samples, GPT Image 2.6 Flare at 1,206, GPT Image 2.5 Sunburst at 1,201, MAI-Image-2.7-Preview at 1,198 and GPT Image 2.5 Flare at 1,184. Further down the same list, MiniMax-H3-Image sits at 1,138 in an 8-17 rank band over 3,187 samples at $26.54 per 1,000 images, dated November 2026, with MiniMax-H3-Image Highspeed at 1,134 in a 9-20 band over 3,083 samples at $45.25 per 1,000 images, and the open-weights callout marks it as the highest-placed open-weight entry.

То, что предложение оставляет без внимания, — это размер разрыва и ширина интервала. Лидером в этой таблице является GPT Image 2.6 Sunburst с 1 210 Elo на примерно 6 400 выборках, далее GPT Image 2.6 Flare с 1 206 и GPT Image 2.5 Sunburst с 1 201 — примерно на семьдесят пунктов Elo выше MiniMax-H3-Image, что в терминах Elo представляет собой существенное и, вероятно, устойчивое различие, а не шум. Диапазон с восьмого по семнадцатое место — другая половина истории: при таком количестве выборок модель вполне может быть восьмой или семнадцатой, а её собственный вариант Highspeed находится внутри того же пересечения. «Лучшая open-weight модель для редактирования» и «близка к лучшей модели для редактирования» — это разные утверждения, и поддерживается только первое.

В генерации изображений по тексту это утверждение становится шатче. В AA-Image-T2I v2.1 модель занимает двадцать третье место с 1 066 Elo, Highspeed — двадцать второе с 1 070, а Sunburst 2.6 с 1 261 Elo лидирует на выборке из 5 282 образцов. Это разрыв в двести пунктов Elo, и то же преимущество среди моделей с открытыми весами сохраняется — Qwen-Image-2.1 с 1 046 и FLUX 3 Image Klein с 1 042 уступают ей, — но фразу «модель №1 с открытыми весами для редактирования изображений» не следует понимать как общее утверждение о качестве изображений. Сила модели в редактировании реальна, а в генерации она находится в середине рейтинга.

Формулировки о качестве в самой карточке модели носят качественный характер — «лучшее следование инструкциям среди открытых моделей», без приложенной сравнительной таблицы, — а единственное свидетельство результатов, которое предоставляет поставщик, — это подготовленная вручную сетка демонстрационных примеров. Для релиза, которому всего три дня, это было нормально. Это всё же означает, что аргументация в пользу модели теперь представляет собой измеренную оценку с широким интервалом плюс довод, основанный на разрешении и цене, а не утверждение, каким его выставил пост о запуске.

Что действительно уже выпущено и как попробовать это, не ставя на кон весь пайплайн

Отбросьте анонс — и суть окажется неброской, прозаичной и вполне реальной. Модель изображений на 33,1 млрд параметров с шестишаговым сэмплером, без необходимости подбирать guidance scale, с шестнадцатью слотами для референсов и нативным выводом в 16 мегапикселей вышла под открытой лицензией, с пайплайном vLLM-Omni, который переиспользует DiT и текстовый энкодер видеомодели H3, с официальным рецептом для H200 и восемью измеренными конфигурациями, ещё четырьмя аппаратными рецептами в разной стадии квалификации, путём через diffusers и интеграцией с ComfyUI. API жёстко навязывает сэмплер: запрос с num_inference_steps, отличным от шести, или guidance_scale, отличным от единицы, или с любым негативным промптом возвращается как HTTP 400.

Для команд, которые хотят оценить её, а не сразу внедрять, практичный вариант — развёртывание с выгрузкой на одну GPU объёмом 14,7 ГиБ — медленное, но достаточно компактное, чтобы поместиться рядом с чем угодно ещё на карте, — и переход к схеме sequence-parallel на четырёх GPU только после того, как качество выходных данных оправдает выделение узла. Модель также доступна через собственный API M​iniMax по тарификации за токены, и её предлагают несколько сторонних платформ; в каталоге OrcaRouter её нет.

Что OrcaRouter действительно предоставляет, так это видеомодель, на которой построен этот image-чекпоинт: minimax/minimax-h3 уже сегодня доступна для маршрутизации по прайс-листовой цене провайдера без какой-либо наценки сверху, что важно, если вы интересуетесь MiniMax-H3-Image потому, что уже генерируете видео на том же семействе моделей и предпочли бы держать один ключ, а не два контракта. Автоматическое переключение при сбое в том же слое маршрутизации — это ещё и наименее драматичный способ протестировать неизмеренную модель в продакшене: направьте на неё часть трафика, оставьте за ней проверенный резервный вариант и позвольте маршрутизации принимать решения по ошибкам, а не по позиции в лидерборде, которая всё ещё представляет собой разброс в десять мест.

Что бы это решило?

Три вещи, в порядке того, насколько сильно они изменили бы картину. Более узкий интервал на доске редактирования: модель имеет 1 138 баллов и находится в диапазоне с восьмого по семнадцатое место на примерно 3 200 образцах, и больше голосов превратило бы это в фактическое место, а не диапазон. Объединённый рецепт Rubin для модели изображений — не для видеомодели — сделал бы утверждение о железе истинным в единственном месте, которое имеет значение, а именно в индексе рецептов. А второе независимое измерение задержки для 16 мегапикселей позволило бы переформулировать заголовок про 0,87 секунды так, как он есть на самом деле: четыре мегапикселя на четырёх H200s, примерно девять десятых секунды, а реальный 4K-кадр — в четыре раза дольше.

До тех пор обоснованное резюме уже, чем в посте, и полезнее: модель быстра на размерах, которые большинство людей реально генерирует; её 16-мегапиксельный режим — это четырёхсекундная операция на узле с четырьмя GPU, а не субсекундная; поддержка фреймворков реальна для оборудования, за которым стоят merge-коммиты; а её место в таблице лидеров подлинное, но ограниченное — первое среди открытых весов, двенадцатое в общем зачёте, где-то между восьмым и семнадцатым, и примерно на семьдесят Elo позади модели, которую, как подразумевалось в посте, она обошла.