MiniMax-H3-Image vs GPT Image 2.5: оба принимают 16 референсов — и на этом сходство заканчивается

The number sixteen appears on both spec sheets, and it means two different things. MiniMax-H3-Image accepts up to sixteen reference images in a single edit, addressed by upload order as <Picture 1> through <Picture 16>, with the request body capped by nothing except a 32,000-character prompt. GPT Image 2.5 — the Sunburst and Flare pair that O​penAI shipped on 8 September 2026 — accepts up to sixteen input images too, and its documentation is explicit about what happens when you send more than one: markup and masks apply to the first image, and everything after it is a reference. Sixteen slots against sixteen slots, one of which is the whole control surface and the other of which is a parameter you will probably never fill.

Это совпадение — самое полезное в том, чтобы поставить эти две модели рядом, потому что всё остальное в них асимметрично так, что это легко сформулировать и трудно переоценить. GPT Image 2.5 занимает второе и четвёртое места среди лучших моделей изображений в мире в рейтинге text-to-image от Artificial Analysis, причём за каждым местом стоят тринадцать тысяч слепых голосов. У MiniMax-H3-Image вообще нет места в рейтинге — её веса появились на Hugging Face 10 ноября 2026 года в 14:50 UTC, за день до написания этого текста, и ни одна арена не успела её оценить. Так что это не сравнение двух кандидатов на равных условиях. Это сравнение измеренной модели с неизмеренной, и полезный вопрос — что предлагает неизмеренная такого, что оправдало бы выяснение.

Как на самом деле выглядят эти два вызова

O​penAI's side is two model ids doing one job between them. gpt-image-2.5-sunburst is positioned for detailed compositions and precise editing; gpt-image-2.5-flare is the fast everyday variant. Both share the same snapshot date, the same endpoint surface and the same rate, and the split is latency against precision rather than capability against capability. There is no bare gpt-image-2.5 alias — you pick a variant. Generation goes to v1/images/generations, edits to v1/images/edits as multipart form data, and Batch is supported at half the output rate. Quality is a dial with six settings — low, medium, high, xhigh, max and auto, with auto the default.

M​iniMax's side is one model with two service tiers. MiniMax-H3-Image is a 33.1B dense diffusion transformer — 50 layers, hidden size 5,376, 56 attention heads, FFN width 14,336, 3D multimodal RoPE — distilled to six sampling steps with no classifier-free guidance. The served API enforces that: num_inference_steps must be 6 and guidance_scale must be 1, or you get an HTTP 400, and negative prompts are refused. Highspeed is the same weights at a higher per-token rate. There is no quality dial, no step count to raise, no second variant with different behaviour. You send a prompt and up to sixteen pictures and you get one image back, in a fixed number of passes.

Read those two paragraphs next to each other and the design philosophies separate cleanly. O​penAI gives you knobs and expects you to find the setting that fits the job. M​iniMax gives you one setting and expects the model to be good enough at it. The first is a tool; the second is an appliance.

Именно в размере разрыв самый большой, и он отнюдь не маленький.

GPT Image 2.5 tops out at 3840×2160 — 8.29 megapixels — with dimensions required to be multiples of 16, an aspect ratio between 1:3 and 3:1, and anything above 2560×1440 flagged as experimental in O​penAI's own documentation. The recommended presets are 1024×1024, 1536×1024 and 1024×1536, and the custom-size path allows a pixel budget from 655,360 up to that 8,294,400 ceiling.

MiniMax-H3-Image's ceiling is roughly double that, and its floor is higher than O​penAI's ceiling-to-floor gap. The card claims about 16 megapixels at every aspect ratio — 4096×4096 at 1:1, 4736×3552 at 4:3, 5024×3360 at 3:2, 5472×3072 at 16:9, 6272×2688 at 21:9 — with the API capping output area at 20 megapixels and the practical working range described as 4 to 20 MP. There is no upscaler in the path; the model regenerates detail rather than enlarging it.

• Максимальное разрешение — GPT Image 2.5: 3840×2160, 8,29 Мп. MiniMax-H3-Image: около 16 Мп, до 20 Мп через API.

• Минимальный полезный результат — GPT Image 2.5: 655 360 пикселей, поэтому миниатюра размером 768 пикселей является поддерживаемым запросом. MiniMax-H3-Image: примерно 4 МП, без тарифа для изображений малого размера.

• Reference images — both up to 16; O​penAI types the first as the edit target and treats the rest as references, M​iniMax orders all sixteen positionally with no typing.

• Контроль качества — GPT Image 2.5: шесть настроек качества плюс авто. MiniMax-H3-Image: нет; шесть шагов, без guidance, жёстко задано.

• Формат вывода — GPT Image 2.5: по умолчанию PNG, доступны JPEG и WebP, сжатие 0–100, прозрачный фон через background: "transparent". MiniMax-H3-Image: PNG в data[0].b64_json.

Одно из этих различий определяет больше внедрений, чем все остальные. Если ваш итоговый материал — 4K-кадр, GPT Image 2.5 не сможет его создать — ни при более низком качестве, ни при изменении настройки. Он останавливается на 8,29 мегапикселя, а всё остальное — апскейлинг. Это не критика модели; это утверждение о том, для чего предназначен продукт. Но это означает, что две модели перестают конкурировать в тот момент, когда ваше требование превышает 8,3 МП, и никакие измеренные показатели Elo этого не компенсируют.

Оба учитывают токены, и только один публикует, что можно купить за токен.

O​penAI bills GPT Image 2.5 by tokens: $5 per million text input tokens ($1.25 cached), $8 per million image input tokens ($2 cached), and $30 per million image output tokens, halved to $15 on the Batch API. Text output is not charged because the model returns images rather than prose. Those rates are unchanged from GPT Image 2, which is worth knowing if you priced the previous generation.

The number that matters and does not appear in O​penAI's rate card is how many output tokens an image costs, and O​penAI does not publish it — per-image consumption was not documented at launch and is still not documented per size. The only per-image figure in circulation is Artificial Analysis's derived $210.72 per thousand images, which is about $0.21 a frame at 1024×1024 with default settings. That is a third-party derivation from measured usage, not an O​penAI price, and it should be treated as an estimate that moves with quality setting and resolution.

M​iniMax publishes the resolved number directly, because its output rate is low enough that the arithmetic is simple: $2.30 per million input text tokens, $1.50 per million input image tokens, $3.80 per million output image tokens. The vendor's own worked examples give $0.02179 for a 1K image, $0.02333 at 2K and $0.06879 at 4K — the last of which is $0.03439 while a 50% discount holds, and that discount expires on 17 November 2026 at 16:00 UTC and applies only when the delivered image is at least 16,600,000 pixels.

Put the two side by side and the shape of the trade is stark. At 1024×1024, roughly $0.21 against $0.02179 — about ten to one. At the sizes each model is designed for, the comparison gets harder to make honestly, because GPT Image 2.5 at 8.29 MP and MiniMax-H3-Image at 16 MP are not the same product. What can be said without hedging is that if you are generating at 1K in volume, M​iniMax's price is an order of magnitude lower and its quality is unmeasured; that is the entire bet, stated plainly.

Two billing details on the M​iniMax side are easy to miss. Input images are billed per token at $1.50 per million, so references are not free — going from one to three references lifts a 2K edit from $0.02658 to $0.04177 in the vendor's own example. And the API charges for a request that times out, so a client-side retry policy turns one generation into two or three billed generations. O​penAI's documented behaviour is the opposite for failed and moderated requests, which it does not charge for.

Доказательная база однобока, и важны обе её половины.

На табло Artificial Analysis по преобразованию текста в изображение GPT Image 2.5 Sunburst занимает второе место с Elo 1228 на 13 370 образцах, а Flare — четвёртое с 1209 на 12 695. На табло редактирования эта же пара занимает третье и пятое места — 1199 на 18 617 образцах у Sunburst и 1181 на 19 498 у Flare. Эти числа — точечные оценки с доверительными интервалами в десятки Elo; иными словами, Sunburst и Flare содержательно не различаются между собой в преобразовании текста в изображение, и оба заметно превосходят всё, что ниже пятого места.

Стоит также отметить, что GPT Image 2.5 больше не занимает первое место в собственном семействе. Варианты 2.6 — Sunburst и Flare — теперь занимают первое и третье места в рейтинге text-to-image и первое и второе в редактировании, при той же цене — $210.72 за тысячу изображений. Таким образом, читатель, выбирающий между MiniMax-H3-Image и GPT Image 2.5, выбирает между неизмеренным новичком и предыдущим поколением измеренной линейки, тогда как текущее поколение этой линейки отстоит всего на один идентификатор модели при той же цене. Тем, кто выбирает 2.5 ради оценки, стоит посмотреть, с чем эта оценка на самом деле соотносится.

У MiniMax-H3-Image нет оценки ни в одном из лидербордов и нет таблицы оценки от производителя — ни GenEval, ни DPG-Bench, ни цифр человеческих предпочтений. Заявление в карточке носит качественный характер: «самое сильное следование инструкциям среди открытых моделей», без приложенной таблицы сравнения. Сетка примеров — единственное существующее доказательство в виде выходных данных, а сетка примеров — это курированный артефакт. Ничто из этого не подозрительно для модели, которая на момент написания была публично доступна всего один день. Это означает, что каждый аргумент в её пользу в этой статье — аргумент от цены, от разрешения или от архитектуры, и ни один из них не является аргументом от измеренного качества.

Бюджет промпта и то, что модель способна удержать в голове

GPT Image 2.5 accepts a normal O​penAI prompt and, per O​penAI's documentation, up to sixteen input images; the practical constraint on complex edits is not a character count but the mechanics of the request — the mask must match the first image in size and carry an alpha channel, and the annotation layer for markup edits must match the first image's dimensions exactly. There is no published token ceiling for image prompts in the model's documentation, which means the ceiling you plan against is the API's, not the model's.

MiniMax-H3-Image publishes a specific and modest budget: 32,000 characters on the served API, of which only about the first 4,096 tokens take effect, and the local SGLang path truncates at 4,096 tokens outright. For a model whose pitch is instruction following, four thousand tokens is tight — a detailed brief with sixteen reference images referenced by position eats a large fraction of it. M​iniMax's answer is a companion model: MiniMax-H3-Image-PE, a 27B prompt expander that rewrites a short request into a long caption plus an aspect-ratio recommendation and emits it as JSON. It fits in about 19 GiB of VRAM. Its editing path is described as prompt-only, so it helps text-to-image today and not much else.

That asymmetry is worth naming because it changes what “prompt following” means for each. O​penAI's model takes the prompt you wrote. M​iniMax's takes the prompt you wrote, or a prompt another model rewrote for it, and either way it has less room to hold the instruction. If your workflow depends on long, structured briefs with many named references, that is a real constraint and it will show up before quality ever does.

Лицензия, удержание и цена закрытости

GPT Image 2.5 is closed. There are no weights, no self-hosting, no checkpoint to pin, and the commercial terms are an API contract. What O​penAI's developer documentation does state is that API data is not used for training unless you opt in, that the images endpoints are listed as not used for training, and that the models are Zero Data Retention compatible. Ownership and commercial-use terms live in separate policies, not in the developer docs.

MiniMax-H3-Image является открытой моделью, а её лицензия более ограничительна, чем подразумевает это слово. Лицензионное соглашение сообщества MiniMax-H3-Image по определению исключает Европейский союз, Соединённое Королевство, Республику Корея и Соединённые Штаты; требует отдельного письменного разрешения при годовом доходе свыше одного миллиона долларов США; требует того же для любого хостингового сервиса без минимального порога дохода; требует, чтобы название модели заметно отображалось на коммерческих интерфейсах; и запрещает использовать выходные данные для обучения или улучшения других моделей. На странице Hugging Face всё это указано как license: other.

Так что здесь привычная логика переворачивается. У закрытой модели более простые условия и более слабая привязка — вы можете уйти, просто не можете забрать веса. У открытой модели более жёсткие условия и более сильная привязка, потому что лицензия, исключающая четыре крупных рынка, — это ограничение для вашего бизнеса, которое не компенсируется никаким объёмом доступных для скачивания весов. Если вы рассматриваете MiniMax-H3-Image из-за возможности самостоятельного хостинга, прочитайте лицензию до карточки модели.

Когда неучтённый вариант — верное решение

Есть три случая, когда MiniMax-H3-Image является очевидным выбором, несмотря на отсутствие таблицы результатов, и ни один из них не связан с тем, что «это дешевле».

Первое — разрешение. Если вам нужно больше 8,29 мегапикселя за одну генерацию, GPT Image 2.5 выбывает, и сравнение закончено. Шестнадцать мегапикселей за $0,06879 против апскейлинга кадра на 8,29 МП — тут не о чем спорить.

Второе — воспроизводимость. Шесть шагов, без guidance, опубликованный график в pdd_config.json, и веса, которые можно скачать. Если через год вам понадобится тот же результат на том же входе на собственном оборудовании, GPT Image 2.5 этого предложить не может, а MiniMax-H3-Image может — при условии соблюдения лицензии.

Третье — объём при небольших размерах. При $0.02179 против примерно $0.21 за 1K конвейер, генерирующий сто тысяч миниатюр в месяц, увидит разницу, измеряемую десятками тысяч долларов. Этого достаточно, чтобы оправдать проведение собственного слепого сравнения в течение недели, — только так любое из этих чисел превращается в решение.

Everything else points the other way. If you need a model that will not surprise you, GPT Image 2.5 has two board placements with thirteen thousand votes each and six weeks of paying traffic behind them; MiniMax-H3-Image has a day. If you need a quality dial, O​penAI has six settings and M​iniMax has none. If you need a small image, O​penAI goes down to 655,360 pixels and M​iniMax does not go below about 4 MP. And if you need the current best in that family rather than the previous generation, the 2.6 variants are the same price.

OrcaRouter routes both GPT Image 2.5 variants — gpt-image-2.5-sunburst and gpt-image-2.5-flare — under one key, at provider list price with 0% markup passed through, so a cut or a retirement on O​penAI's side is reflected the day it happens rather than the next time you migrate a billing integration. We do not serve MiniMax-H3-Image; it has no route on our catalogue, and the honest path to it today is M​iniMax's own API or the 135 GB of downloads. What we can do in a comparison like this is keep the measured side cheap to test and easy to fail over from, which is the part of the decision that does not depend on an arena score.

Что сделало бы это настоящим сравнением

Two things, and both are weeks rather than months away. The first is a MiniMax-H3-Image entry on an image arena with a few thousand samples, which will either confirm the price is a bargain or show it as what it currently is — an untested discount. The second is a per-image token figure from O​penAI at 2K and 4K, because the $0.21 estimate is a 1K number and the whole price argument shifts if the 4K multiplier is not what people assume.

Пока не существуют обе, решение на удивление однозначное: покупать проверенную модель для работы, которую нужно выпускать в умеренном разрешении, а MiniMax-H3-Image рассматривать как кандидата для задач, которые GPT Image 2.5 структурно не может выполнить — шестнадцать мегапикселей, точная воспроизводимость или объём, при котором десятикратная разница в цене несколько раз окупает оценку.