MiniMax-H3-Image против MiniMax-H3: одна — видеомодель, другая — её стоп-кадровая версия

Самое честное в MiniMax-H3-Image — это её список файлов. Шестьдесят шесть гигабайт диффузионного трансформера, 2,34 ГБ VAE, двенадцать мегабайт голов сэмплирования для каждого шага — и ни одного текстового энкодера нигде в репозитории. Энкодер не отсутствует. Он заимствован: model_index.json обращается к MiniMax-H3 — 33-миллиардной омнимодальной видеомодели, которую M​iniMax открыла в открытый доступ 31 июля 2026 года, — и загружает text_encoder/ оттуда — 66,7 ГБ Qwen3-VL без изменений. Если MiniMax-H3 уже есть на вашем диске, кодирование промпта для модели изображений не потребует никаких дополнительных затрат. Если её нет, ваш первый статичный кадр обойдётся в 135 ГБ загрузок, и вторая модель в этом сравнении выполняет реальную работу за первую.

Эта одна строка конфигурации задаёт взаимосвязь между двумя моделями и объясняет большинство практических различий между ними. MiniMax-H3-Image — это MiniMax-H3 с удалённой аудиоветвью, выходной головкой, перенацеленной с латентного видео на латентное изображение, и всем этим, дистиллированным до шести шагов сэмплирования. В текстовой части ничего не изменилось. DiT даже считывает те же скрытые состояния 50-го слоя с того же энкодера, поэтому папки tokenizer и processor побайтово идентичны и поэтому модель изображений наследует обработку англоязычных промптов H3 без единой строки нового обучения на этом пути.

Повод писать об этом сейчас — не содержимое релиза, а то, как он был выпущен. M​iniMax не опубликовала пост в блоге о модели изображений. В блоге и новостном индексе компании нет ничего о модели изображений (самый свежий материал там — пост о M3.1 Flash от 19 октября), а на страницах моделей по-прежнему первым идёт H3 как видеосистема. Единственное подтверждение со стороны вендора, которое нам удалось найти, — карточка от 10 ноября 2026 года в списке выпусков моделей в документации API с текстом «Ведущая открытая модель изображений с открытыми весами. От идей к новым мирам» — предложение без спецификаций, без бенчмарков и без собственной даты. Репозиторий Hugging Face был создан 3 ноября, а веса появились 10 ноября в 14:50 UTC. В течение часа последовали две ревизии README и руководство по развёртыванию vLLM-Omni. Это тихий выпуск: артефакты реальны и доступны для скачивания, а анонса нет. Всё ниже почерпнуто из репозитория, файла лицензии и собственной документации M​iniMax, и там, где число является собственным невоспроизведённым утверждением вендора, мы это указываем.

Две модели — на тех условиях, на которых каждая из них фактически продаётся.

MiniMax-H3 — универсальный омнимодальный генератор. Он принимает текст, изображения, видео и аудио в виде единого упакованного контекста и выдаёт от 4 до 15 секунд видео с частотой 24 кадра в секунду со встроенным стереоаудио 32 кГц, нативно в 768p, с отдельным проходом регенерации — H3-Regenerate-2K, — который подаёт результат и исходный контекст обратно через модель для достижения 2K. Важны два варианта входных данных: H3-Base-FL2VA принимает ноль, одно или два изображения в качестве первого/последнего кадра, а H3-Base-Ref2VA принимает до 9 изображений, 3 видеоклипов и 3 аудиоклипов, но не более 12 файлов суммарно. Размещённый препроцессор H3-Context-IR разбирает смешанный ввод и переписывает его в структурированную форму, и MiniMax прямо указывает, что он не входит в открытый релиз, поскольку зависит от нескольких размещённых моделей.

MiniMax-H3-Image принимает текст и до 16 референсных изображений и выдаёт одно изображение. Диффузионный трансформер имеет 33,1 млрд параметров — плотная одноручейная архитектура, 50 слоёв, скрытая размерность 5 376, 56 голов внимания, ширина FFN 14 336, 3D мультимодальный RoPE, веса BF16 с FP32-эмбеддингами, слоями таймстепа и вывода. Изображенческий VAE — это CNN-энкодер с 24-слойным ViT-декодером, 16× пространственным понижением дискретизации и 24 латентными каналами; DiT разбивает этот латент на патчи 2×2, поэтому один токен трансформера покрывает блок 32×32 пикселя. Выходная площадь через API достигает 20 мегапикселей, а главное заявление карточки — примерно 16 мегапикселей при любом соотношении сторон: от 4096×4096 при 1:1 до 6272×2688 при 21:9, без апскейлера.

Прочитайте эти два абзаца рядом, и развилка становится очевидной. Видеомодель расходует свою ёмкость на время и на вторую модальность. Модель изображений расходует её на пространство. Один и тот же ствол, разные цели.

Шесть шагов и отсутствие classifier-free guidance — вот это и есть настоящая инженерия.

Та часть MiniMax-H3-Image, которая не сводится только к вычитанию, — это дистилляция, и она применяется принудительно, а не рекомендуется. Чекпоинт выполняет шесть шагов сэмплирования — шесть NFE — вообще без classifier-free guidance. API сервиса не считает эти значения значениями по умолчанию: num_inference_steps должен быть пропущен или равен 6, guidance_scale должен быть пропущен или равен 1, а любое другое значение возвращает HTTP 400. Негативные промпты отклоняются безоговорочно. Отдельный файл pdd_fused_heads.safetensors содержит выходные головы для каждого шага, которые заменяют выходной слой трансформера, а расписание задаётся в pdd_config.json; это 12 МБ из 68,65 ГБ общего объёма, выполняющие непропорционально большую часть работы.

Вот в чём разница между моделью, которую можно поставить за интерактивной поверхностью, и моделью, которую нельзя. 30-шаговая диффузионная модель с управлением при 16 мегапикселях — это пакетное задание. Шесть шагов без управления при том же разрешении — это запрос. Формулировка самой MiniMax — «16-мегапиксельные изображения при приемлемых вычислительных затратах» — это утверждение о FLOPs на пиксель, и именно расписание из шести шагов позволяет подкрепить это утверждение. Выдерживается ли оно на том уровне качества, который предполагают демонстрационные изображения, — вопрос, на который не ответила ни одна третья сторона; по состоянию на 10 ноября 2026 года записи Artificial Analysis для MiniMax-H3-Image нет ни в одном из рейтингов изображений, а в карточке нет таблицы оценок от производителя.

Для локального развёртывания история с фреймворками на удивление полна для настолько молодой модели. SGLang — это эталонный путь с документированным руководством; vLLM-Omni публикует рецепт с конфигурациями под конкретное оборудование и измеренной задержкой, указывая NVIDIA H200, RTX PRO 6000 Blackwell и AMD Instinct MI350X; diffusers и ComfyUI оба поставляются с поддержкой. Параллелизм по последовательности задаётся флагом — --ulysses-degree в SGLang, --usp в vLLM-Omni — и одной GPU достаточно для старта. Основная затрата памяти — это текстовый энкодер, причём это текстовый энкодер видеомодели, в чём и суть всего этого сравнения.

Два метра, и ни один из них не счётчик токенов, который можно прикинуть на глаз.

MiniMax тарифицирует эти две модели по несовместимым единицам — в этом и кроется подвох любого вопроса «что дешевле». H3 тарифицируется по секундам сгенерированного результата в зависимости от разрешения: $0.08 за секунду при 768P, $0.13 за секунду при 2K, при этом входные материалы оплачиваются дополнительно — первые пять референсных изображений бесплатны, а каждое последующее на базовой модели стоит $0.04; аудиовход бесплатен; референсное видео тарифицируется по собственной длительности с учётом разрешения вывода. 10-секундный 2K-клип стоит $1.30 за выходной результат до учёта каких-либо референсов.

MiniMax-H3-Image тарифицируется в токенах по ставке за выходное изображение. В стандартном тарифе опубликованная карточка тарифов указывает $2.30 за миллион входных текстовых токенов, $1.50 за миллион входных токенов изображений и $3.80 за миллион выходных токенов изображений, а собственные примеры расчётов поставщика сводят это к:

• 1K (1024×1024) текст-в-изображение — $0.02179 за изображение.

• 2K (2048×2048) генерация изображения по тексту — $0.02333 за изображение.

• 4K (4096×4096) преобразование текста в изображение — $0.06879 за изображение, указана цена $0.03439 по ограниченной по времени скидке 50%.

• Редактирование 1K с одним референсом — $0,02654; 2K — $0,02658; 4K — $0,07312, со скидкой до $0,03656.

• Правка 1K с тремя референсами — $0.03563; 2K — $0.04177; 4K — $0.07914, со скидкой до $0.03957.

Форма этой лестницы — самое интересное. Шестнадцатикратное увеличение числа пикселей стоит чуть больше чем в три раза дороже, потому что единица тарификации — токены, а количество токенов не масштабируется линейно с площадью так, как подсказывает интуиция. Высокоскоростной вариант MiniMax-H3-Image-Highspeed принимает те же параметры и ограничения и тарифицируется по $7.60 за миллион выходных токенов изображения — $0.03529 при 1K и $0.13001 при 4K до применения той же скидки. Скидка действует, когда поставленное изображение имеет не менее 16 600 000 пикселей, и продлится до 17 ноября 2026 года, 16:00 UTC — это единственный датированный коммерческий факт во всём релизе.

Поставьте два измерителя рядом — и развилка обретёт цену. Одна секунда видео 768P стоит $0,08; самый дешёвый кадр M​iniMax — около $0,022. Четырёхсекундный ролик — самый короткий, который сделает H3, — обходится примерно в пятнадцать изображений 1K. Это не аргумент в пользу ни одной из моделей. Именно поэтому у вопроса «что дешевле» нет ответа, пока вы не скажете, что производите.

Где форк даёт о себе знать при реальном развёртывании

Три асимметрии важнее вопроса о бенчмарке.

Первое — обработка входных данных. H3-Image принимает до 16 референсных изображений в одной операции редактирования и ссылается на них позиционно как <Picture 1>, <Picture 2> и так далее, в порядке загрузки; общий размер тела запроса ограничен 64 МиБ, а Base64 увеличивает файл примерно на треть, поэтому запрос с 16 изображениями должен использовать URL-адреса или ссылки на предварительно загруженные файлы, а не встроенные данные. Режим референсов H3 — совсем другая история: 9 изображений, 3 видео, 3 аудиоклипа, 12 файлов, все упаковано в одну последовательность с временной структурой. Обработка референсов ни у одной из моделей не является надмножеством другой.

Второй момент — длина промпта. Рабочий API H3-Image принимает до 32 000 символов, но при отключённом улучшении промпта реально действуют лишь примерно первые 4 096 токенов; локальный путь через SGLang обрезается на 4 096 токенах — и на этом всё. Это не такой уж большой бюджет для модели, чьё ключевое преимущество — следование подробным инструкциям, и именно поэтому вообще существует сопутствующий расширитель промптов — MiniMax-H3-Image-PE, 27B-файнтюн Qwen3.8-27B в FP4, который переписывает короткий запрос в длинное описание плюс рекомендацию по соотношению сторон, выпущенный 8 ноября и распространяемый по той же лицензии сообщества. Его часть для редактирования выпущена только в виде промпта; веса для расширения на стороне редактирования по-прежнему описываются как находящиеся в разработке.

Третья — это лицензия, и она одинакова для обеих моделей только по названию. Лицензионное соглашение сообщества MiniMax-H3-Image требует отдельного предварительного письменного разрешения от MiniMax, если ваш годовой доход или доход ваших аффилированных лиц превышает один миллион долларов США либо если вы предоставляете хостинговые услуги третьим лицам. Оно требует заметно отображать «MiniMax-H3-Image» в интерфейсе любого коммерческого продукта, который его использует. Оно ограничивает использование определённой Применимой территорией, запрещает использовать результаты для улучшения любой другой модели ИИ и не претендует на права в отношении самих результатов. Лицензия на видео H3 — это отдельное соглашение с собственными условиями. Если вы создаёте продукт на основе обеих моделей, у вас две лицензии, а не одна.

Чего не делает ни одна из моделей

MiniMax-H3-Image не умеет создавать видео. У него нет временной оси, аудиоветви и параметра длительности — аудио-VAE просто исчез из архитектуры, а на выходе получается одно латентное изображение на запрос, до десяти за вызов через API. MiniMax-H3 не может создать неподвижный кадр на 16 мегапикселей. По умолчанию он генерирует 768p и достигает 2K за счёт повторного прохода; запрос на один кадр 4096×4096 не поддерживается. Если вашему пайплайну нужен главный неподвижный кадр и пятисекундный цикл с синхронизированной речью из того же визуального мира, вы обращаетесь к двум моделям и на платформе MiniMax платите по двум разным счётчикам.

У обеих есть одна общая черта, которую легко упустить: отсутствие негативного промпта. H3-Image отклоняет это поле. Рекомендации H3 по составлению промптов направляют через позитивное описание и через Context-IR, а не через исключение. Любой, кто переносит рабочий процесс Stable Diffusion в любую из этих моделей, теряет этот рычаг с первого же дня.

Кому позвонить?

Честное разделение труда — по результату, а не по качеству. Если артефакт — это статичное изображение: продуктовый рендер, ключевой кадр, 16-мегапиксельный плейт с разборчивым текстом, — то модель — MiniMax-H3-Image, а шестишаговая схема означает, что вы можете позволить себе итерации по ней. Если артефакт движется, то модель — H3, и аудиоветвь — причина предпочесть её склейке статичных кадров в последовательность.

То, что здесь меняет слой маршрутизации, уже, чем кажется, и это стоит сказать прямо: OrcaRouter не предоставляет доступ к MiniMax-H3-Image. Модель получила публичные веса 10 ноября, и в нашем каталоге для неё нет маршрута, поэтому если она нужна вам сегодня, получите её через собственный API M​iniMax или запустите эту сборку объёмом 68.65 GB самостоятельно. Что мы действительно предлагаем — это minimax/minimax-h3, видеомодель с посекундной оплатой по цене из прайс-листа без наценки — а полезное свойство для конвейера из двух моделей заключается в том, что тот же ключ, которым вызывается H3, также даёт доступ к остальным двумстам с лишним моделям на платформе.

Следить нужно не за тем, хорош ли H3-Image. А за тем, скажет ли M​iniMax о нём хоть что-нибудь. Модель, которая поставляется с весами, лицензией, карточкой тарифов и четырьмя интеграциями с фреймворками, но без поста в блоге и без бенчмарка, — это модель, все заявления о которой по-прежнему делает только сам производитель. Первое независимое размещение на имиджборде или первое прямое сравнение с закрытой моделью при том же разрешении скажет вам больше, чем демонстрационная сетка. До тех пор именно репозиторий служит источником информации, и он говорит: это H3 с выключенным звуком.