MiniMax-H3-Image против GPT Image 2.6: что вы действительно можете изменить в каждом запросе

Большинство сравнений моделей изображений тратят своё место на оценки. Это сравнение тратит его на настройки, потому что MiniMax-H3-Image и G​PT Image 2.6 Sunburst соревнуются не за один и тот же регулятор. MiniMax-H3-Image — это диффузионный трансформер с открытыми весами на 33,1 млрд параметров, выпущенный 10 ноября 2026 года, который работает с фиксированным шестишаговым сэмплером без guidance scale, принимает до шестнадцати референсных изображений и нативно генерирует до шестнадцати мегапикселей. G​PT Image 2.6 Sunburst — и его более быстрый собрат G​PT Image 2.6 Flare, оба выпущены 4 ноября 2026 года — это закрытая хостируемая модель, недавние улучшения которой в основном касаются того, что ей можно передать и что она возвращает: повторно используемые референсные изображения, правки по разметке, вывод в GIF и SVG. Если ваше узкое место — контроль над длинной цепочкой правок, очевидно, подходит одна из них. Если узкое место — разрешение или счёт, то другая.

Оба заслуживают серьёзного отношения. Просто они отказывают в разных направлениях, и режимы отказа читаются уже по одним поверхностям управления.

Сэмплер — с одной стороны это регулятор, а с другой — константа.

MiniMax-H3-Image почти не даёт вам ничего для настройки и обеспечивает это на уровне границы API. Чекпойнт CFG-дистиллирован до шести вычислений функции, а значит, обычные два рычага работы диффузии — число шагов и масштаб управления — вобраны в сами веса. Вызовите его с num_inference_steps, установленным на что-либо, кроме шести, и запрос вернётся с HTTP 400. Задайте guidance_scale любым значением, кроме единицы, и он будет отклонён точно так же. Передайте negative_prompt — и он будет отвергнут сразу, потому что второго прямого прохода, на который он мог бы повлиять, просто нет.

Звучит ограничительно и по большей части является упрощением. Шесть шагов — это быстро, детерминированно при заданном seed, и невозможно ошибиться в настройках — нет сбоя вида «я увеличил число шагов, и стало хуже». Что вы теряете — это возможность обменивать качество на задержку внутри модели, а также любые накопленные вами трюки с негативным промптом.

GPT Image 2.6 сохраняет собственную небольшую панель управления вместо регуляторов сэмплера: сложность — это параметр, который по умолчанию имеет высокое значение, и это самое близкое к переключателю «подумать усерднее», что есть у любой из моделей. Его задокументированные нововведения для 2.6 касаются входных и выходных данных, а не сэмплирования: референсные изображения, которые сохраняются между последующими правками, чтобы вам не приходилось загружать их повторно; разметка, нанесённая на референсное изображение, чтобы направлять правку; и два формата вывода, которых не было у предыдущего поколения.

• Количество шагов — MiniMax-H3-Image строго шесть, в противном случае отклоняется; у G​PT Image 2.6 нет доступного управления количеством шагов.

• Guidance — MiniMax-H3-Image фиксирует guidance_scale на единице; G​PT Image 2.6 вместо этого предоставляет complexity (по умолчанию high).

• Негативные промпты — отклоняются с кодом 400 со стороны MiniMax-H3-Image; не являются документированной возможностью в G​PT Image 2.6.

• Бюджет промпта — MiniMax-H3-Image обрезает после 4 096 токенов; максимальная длина промпта GPT Image 2.6 не опубликована на страницах модели.

Шестнадцать референсных слотов — это самый широкий контроль, который предлагает любая из двух моделей.

Самое большое функциональное различие — сколько контекста можно передать перед редактированием. MiniMax-H3-Image принимает до шестнадцати референсных изображений в одном запросе, и в карточке модели режим редактирования описывается как работающий примерно с той же точностью, что и генерация — порт vLLM-Omni сообщает 0,985 SSIM и около 35 дБ PSNR относительно собственного эталона на одном GPU при редактировании в 2048², что является проверкой самосогласованности, а не оценкой качества, но это означает, что параллелизованный путь не ухудшает незаметно ваш результат.

Шестнадцать референсов — это совсем иной порядок контроля, чем «одно изображение плюс предложение». Продуктовую съёмку с шестью ракурсами, стайл-лист, лист персонажа и бренд-гайдлайн можно загрузить всё сразу. Цена такой широты — то, что промпт-инжиниринг превращается в контекст-инжиниринг: когда в деле шестнадцать изображений, текст должен указывать, какое из них управляет каким атрибутом, а у модели нет способа спросить.

Ответ GPT Image 2.6 на ту же задачу — это память, а не ширина. Референсные изображения сохраняются между последующими правками в рамках сессии, поэтому при многошаговой ретуши не нужно каждый раз заново загружать оригинал, а путь редактирования по разметке позволяет указать на область, а не описывать её. Для итеративной работы с одним изображением это более удобный интерфейс, чем шестнадцать статических слотов. Для разовой композиции, собранной из дюжины ассетов, — нет.

Что возвращается обратно

Список форматов вывода — это то, где G​PT Image 2.6 вырывается вперёд по сравнению с любой открытой моделью изображений, включая эту. В версии 2.6 добавлены вывод в виде анимированного GIF и вывод в SVG наряду с обычными растровыми форматами. Результат в SVG значит больше, чем кажется: это разница между моделью изображений, которую вы используете для черновика концепции логотипа, и той, которую можно передать фронтенд-разработчику. MiniMax-H3-Image возвращает PNG — его путь обслуживания проверен на побитово идентичном сравнении PNG — и ничто в конвейере vLLM-Omni или карточке модели не указывает на векторный или анимационный вывод.

С разрешением ситуация обратная, и разрыв вовсе не мал. MiniMax-H3-Image нативно генерирует до шестнадцати мегапикселей при любом соотношении сторон — от квадратного до сверхширокого — без апскейлера в цепочке: 4096×4096 и 6272×2688 оба являются нативными выходными разрешениями. Рабочий диапазон составляет примерно от четырёх до двадцати мегапикселей, причём качество достигает пика ближе к верхней границе. Страницы моделей G​PT Image 2.6 документируют форматы и работу с референсами, но не публикуют максимальное количество пикселей, поэтому аргумент о разрешении в этом сравнении — это M​iniMax, публикующий число, против O​penAI, не публикующего его, а не измеренное очное сравнение.

• Нативный вывод — MiniMax-H3-Image до 16 Мп при любом соотношении сторон, без апскейлера; GPT Image 2.6 не указывает максимальное разрешение.

• Форматы — MiniMax-H3-Image возвращает PNG; G​PT Image 2.6 добавляет GIF и SVG.

• Соотношения сторон — MiniMax-H3-Image принимает любую пару ширины и высоты; набор GPT Image 2.6 не опубликован на странице модели.

• Ввод для редактирования — MiniMax-H3-Image принимает до 16 референсных изображений на запрос; GPT Image 2.6 сохраняет референсы между ходами и принимает нарисованную разметку.

Счёт, на основе собственных проработанных примеров каждого поставщика

Оба поставщика тарифицируют изображения как токены, из-за чего заявленные цены выглядят сопоставимыми, а стоимость за изображение — совсем не похожей. M​iniMax публикует разобранные примеры на своей странице цен, так что это арифметика на их собственных числах, а не вывод:

• MiniMax-H3-Image 1024×1024, преобразование текста в изображение — $0,02179 за изображение против $3,80 за миллион выходных токенов.

• MiniMax-H3-Image 2048×2048 — $0,02333 за изображение. Удвоение количества пикселей обходится в полцента, поскольку на этом конце диапазона количество токенов растёт гораздо медленнее, чем площадь.

• MiniMax-H3-Image 4096×4096 — 0,06879 $ за изображение, снижено до 0,03439 $ в рамках ограниченного по времени предложения со скидкой 50%, которое действует до 17 ноября 2026 г. 16:00 UTC и требует, чтобы поставленное изображение содержало не менее 16 600 000 пикселей.

• Редактирование MiniMax-H3-Image, один референс в разрешении 1024×1024 — $0.02654 за изображение, при этом входные изображения тарифицируются по $1.50 за миллион токенов, а входной текст — по $2.30.

• G​PT Image 2.6 — выходные токены по $30 за миллион. При том количестве токенов, которое собственная документация O​penAI подразумевает для результата 1024×1024, это составляет около 21 цента за изображение — примерно в десять раз больше показателя M​iniMax для того же номинального размера.

Скорости тоже различаются, и именно здесь два продукта перестают быть взаимозаменяемыми. Согласно цифрам, которые MiniMax опубликовала в релизе от 4 ноября, GPT Image 2.6 Flare выполняет запрос текст-в-изображение с медианой около 30 секунд — по сравнению с примерно 55 секундами у предыдущего поколения, — а редактирование — примерно за 32 секунды по сравнению с примерно 58. Sunburst — более медленный уровень с более высокой точностью — стал ещё медленнее: около 135 секунд против 113. Собственную задержку MiniMax-H3-Image можно измерить только там, где вы его размещаете: 0,88 секунды для изображения 2048² на четырёх H200 и 1,35 секунды для редактирования 2048² согласно официальной рецептуре. Это не однотипные показатели — задержка на самостоятельно размещённом узле против медианы управляемой конечной точки с учётом очереди, — и было бы нечестно ставить их в одно предложение так, будто они сопоставимы. Что сравнение действительно показывает, так это то, что размещённый в облаке запрос 2.6 занимает десятки секунд, а локальный запрос H3-Image — меньше двух, при условии, что у вас уже есть четыре GPU.

Что охватывают публичные доказательства, а что — нет

Artificial Analysis оценивает оба продукта по одним и тем же двум рейтингам, что делает это одним из немногих мест в сравнении, где две стороны можно напрямую сопоставить, а не спорить, исходя из спецификаций. В AA-Image-Editing v2.1 G​PT Image 2.6 Sunburst находится на 1,210 Elo при примерно 6,400 сэмплах, Flare — на 1,206 при около 6,700, а MiniMax-H3-Image — на 1,138 в диапазоне мест с восьмого по семнадцатое при примерно 3,200 сэмплах. В AA-Image-T2I v2.1 разрыв увеличивается: Sunburst — 1,261, первое место, при 5,282 сэмплах, против MiniMax-H3-Image с 1,066, занимающего двадцать третье место. Один и тот же пул голосов, одна и та же шкала Elo, разница примерно в семьдесят пунктов при редактировании и почти в двести при генерации.

Если прочитать это честно, получится, что здесь сразу два тезиса. MiniMax-H3-Image — открытовесная модель с самым высоким рейтингом в лидерборде редактирования: впереди Fibo 2.0 с 1 085 и Qwen-Image-2.1 с 1 084, — так что заявление о её качестве больше не утверждение, а измеренное число. Но это число примерно на семьдесят Elo ниже, чем у GPT Image 2.6 Sunburst, а её интервал охватывает десять позиций, тогда как диапазон Sunburst в топ-3 — нет. По оси, которая наиболее очевидно общая для обеих моделей, побеждает GPT Image 2.6, причём в лидерборде, где H3-Image слабее, его перевес больше. Аргумент о разрешении 16 мегапикселей и цена в два цента по-прежнему стоят сами по себе; просто это не аргументы о качестве.

Чего вам не расскажет ни один из этих рейтингов, так это того, сколько от преимущества G​PT Image 2.6 сохраняется, когда задача — та, о которой идёт речь в этой статье: длинная цепочка правок с множеством референсов и фиксированным сэмплером. Elo — это агрегат по человеческим предпочтениям на неизвестных промптах, и модель может опережать на семьдесят баллов по этому агрегату, при этом проигрывая в конкретном рабочем процессе. Единственный способ выяснить это — прогнать собственные промпты через обе модели, и это рекомендация в конце материала, а не оговорка в его середине.

Запуск их параллельно без второго контракта

Практическая сложность в том, что ни одна из моделей для большинства команд не доступна по одному вызову API. Путь MiniMax-H3-Image с первого дня — self-hosted: сборка общим объёмом 67B из трансформера на 33,1B, текстового энкодера Qwen3-VL на 33,4B, переиспользованного без изменений из видеомодели, и VAE на 0,58B, причём для оптимального режима на 16 мегапикселей на полной скорости требуются четыре дата-центровых GPU. Она также доступна через собственный API вендора и несколько сторонних платформ по указанной выше цене за токены. GPT Image 2.6 доступна только через OpenAI.

Если вы хотите провести A/B-сравнение этих двух на собственных промптах, честное описание слоя маршрутизации таково: OrcaRouter пока не поддерживает MiniMax-H3-Image, а также не поддерживает G​PT Image 2.6 Sunburst или Flare. Зато он поддерживает предыдущую пару G​PT Image — gpt-image-2.5-sunburst и gpt-image-2.5-flare — наряду с gpt-image-2 и gpt-image-1.5, и все по прейскурантной цене провайдера без наценки сверху. Это дает полезный промежуточный тест: соберите тестовую обвязку для 2.5 через один ключ, убедитесь, что ваша оценка действительно различает точность Sunburst и скорость Flare, и только затем решайте, нужна ли вам разница 2.6 или самостоятельно развернутая open-weight модель. Еще один вариант, о котором здесь стоит знать, — объединение моделей (model fusion): панель моделей, отвечающих на один и тот же промпт для изображения, дает вам разброс результатов на каждый промпт без необходимости писать трех клиентов.

Обратный случай, кстати, уже покрыт: minimax/minimax-h3 — видеомодель, из DiT и текстового энкодера которой построена MiniMax-H3-Image, — уже сегодня доступна для маршрутизации. Если вы рассматриваете модель изображений потому, что уже используете H3 video, семейство уже отвечает по одному ключу.

Какой вариант выбрать

Выбирайте MiniMax-H3-Image, когда ограничение — пиксели, референсы или удельная стоимость: нативный вывод на 16 мегапикселей, шестнадцать входных изображений и примерно два цента за генерацию 1024². Выбирайте GPT Image 2.6, когда ограничение — форма вывода или плавность цикла редактирования: SVG и GIF на выходе, постоянные референсы и нарисованная разметка на входе, а также преимущество в семьдесят баллов Elo на доске редактирования, подкреплённое интервалом, охватывающим первую тройку.

С уверенностью не выбирайте ни одну из них, если на самом деле вам нужна была оценка для ваших промптов. У обеих моделей теперь есть публичные оценки, и обе эти оценки — агрегаты по чужим промптам; сравнение, которое решит ваш случай, — то, которое вы проведёте сами, с ценой, прикреплённой к каждой его стороне. Что таблица лидеров даёт вам, так это априорное знание: GPT Image 2.6 впереди, и в генерации изображений по тексту — с достаточным отрывом, чтобы вы должны были ожидать это увидеть. Чего она не может вам дать, так это ответа для композита продукта с шестнадцатью референсами при четырёх мегапикселях, потому что никто не публиковал такого сравнения, и таблицы Elo этого не измеряют.