MiniMax-H3-Image против Nano Banana 2.1: цена почти одинаковая, а доказательства — совсем разные

Две модели генерации изображений, обе примерно по три цента за картинку, и выбор между MiniMax-H3-Image и Nano Banana 2.1 не решается ценой. При 1024×1024 новичок с открытыми весами стоит $0.02179 за генерацию, а Nano Banana 2.1 от Google — $0.0336, разница около цента. При 4096×4096 разрыв увеличивается до $0.06879 против $0.113. Так что дешёвая модель действительно дешевле — на треть, а то и наполовину. Но то, что сейчас нельзя купить ни за какую цену, — это причина верить заявлению о качестве дешёвой модели, потому что никто за пределами MiniMax её не измерял. Nano Banana 2.1 занимает четвёртое место в обоих рейтингах изображений Artificial Analysis, и за каждой позицией стоят тысячи образцов. MiniMax-H3-Image не появляется ни в одном из рейтингов — ни на какой позиции, ни с каким числом образцов. Эта асимметрия и есть всё сравнение, и никакая арифметика по таблицам характеристик её не закрывает.

Прежде чем идти дальше, стоит конкретизировать даты, потому что эти две модели находятся на разных этапах жизненного цикла. Nano Banana 2.1 находится в общем доступе с 6 октября 2026 года под именем gemini-nano-banana-2.1, и она заменила gemini-3.1-flash-image, которую G​oogle объявил устаревшей с датой отключения 29 октября 2026 года — так что если вы вызывали старую модель, вам уже пришлось переходить. Веса MiniMax-H3-Image появились на Hugging Face 10 ноября 2026 года в 14:50 UTC, с краткой карточкой в примечаниях к релизу API M​iniMax, датированных тем же днём, и без сопроводительного поста в блоге. У одной модели за плечами месяц продакшен-трафика, у другой — один день доступности для скачивания. Судите соответственно.

Что каждый из них на самом деле вам даёт

Nano Banana 2.1 — производная от Gemini 3.6 Flash, продаваемая только через API G​oogle. Три уровня разрешения — 1K, 2K и 4K, без варианта 512 пикселей — с соотношениями сторон из обычного набора, входным контекстом на 131 072 токена и 32 768 токенами вывода. Он принимает до 14 референсных изображений в одном запросе, которые G​oogle делит на 10 референсов объектов и 4 референса персонажей, и может опирать генерацию на результаты G​oogle Search или Image Search. Режим обдумывания включён по умолчанию на уровне medium, доступны minimal и high, и его вообще нельзя отключить через API. Каждый результат несёт водяной знак SynthID.

MiniMax-H3-Image — это плотный диффузионный трансформер с 33,1 млрд параметров, с CNN-энкодером и 24-слойным ViT-декодером для своего VAE, выпущенный под собственной лицензией сообщества M​iniMax. Генерация изображений по тексту и редактирование работают через одну пару эндпоинтов, при редактировании принимается от 1 до 16 референсных изображений, адресуемых позиционно от <Изображение 1> до <Изображение 16> в порядке загрузки, а модель дистиллирована до шести шагов сэмплирования без classifier-free guidance — API возвращает HTTP 400, если передать что-либо кроме num_inference_steps=6 и guidance_scale=1. Площадь выходного изображения через API ограничена 20 000 000 пикселей, с уровнями площади 1K, 2K и 4K, причём 4K используется по умолчанию; в карточке модели заявлено около 16 мегапикселей при любом соотношении сторон. Ни в репозитории, ни в лицензии не указаны ни привязка к поиску, ни бюджет на рассуждения, ни схема водяных знаков.

Списки возможностей расходятся так, что это чётко соответствует тому, для кого предназначен каждый продукт. G​oogle сделал ставку на оркестрацию: ссылки, извлечение, бюджет рассуждений, метки происхождения. M​iniMax сделал ставку на разрешение и контроль: шестнадцать слотов для ссылок, потолок в 20 мегапикселей, фиксированный шестишаговый сэмплер, который можно в точности воспроизвести на собственном оборудовании.

Ценовая лестница с явно прописанным окном скидок

Nano Banana 2.1 тарифицируется по $30 за миллион выходных токенов изображения; согласно собственной документации Google, это соответствует $0,0336 за изображение 1K, $0,0504 за 2K и $0,113 за 4K. Входные изображения тарифицируются по $1,50 за миллион токенов, а текстовый вывод — по $7,50 за миллион. Для задач, которые могут подождать, предусмотрен пакетный тариф, вдвое ниже этих ставок на выходе, а Artificial Analysis указывает эффективную ставку для 1K как $33,60 за тысячу изображений — то же число, выраженное в пересчёте на объём.

MiniMax-H3-Image тарифицируется по одинаковому принципу, но результат получается совершенно разным. Стандартный тариф: $2.30 за миллион входных текстовых токенов, $1.50 за миллион токенов входных изображений, $3.80 за миллион токенов выходных изображений. Если разобрать собственные примеры поставщика:

• 1K текст-в-изображение — Nano Banana 2.1 $0.0336 против MiniMax-H3-Image $0.02179.

• Преобразование текста в изображение 2K — $0,0504 против $0,02333.

• 4K преобразование текста в изображение — $0.113 против $0.06879, или $0.03439 с учётом ограниченной по времени 50%-ной скидки MiniMax.

• Редактирование с одним референсом — Google не публикует цену за редактирование одного изображения на этих тарифных уровнях; MiniMax взимает $0.02654 за 1K, $0.02658 за 2K и $0.07312 за 4K.

• Редактирование с тремя референсами — $0.03563 при 1K, $0.04177 при 2K, $0.07914 при 4K на M​iniMax.

Две детали в этой тарифной лестнице легко упустить, и они меняют арифметику. Во-первых, скидка MiniMax действует только тогда, когда доставленное изображение содержит не менее 16 600 000 пикселей, и истекает 17 ноября 2026 года в 16:00 UTC — через шесть дней после публикации весов. Если рассчитывать стоимость пайплайна по льготной цифре для 4K, вы рассчитываете цену по промоакции. Во-вторых, тарифная лестница MiniMax необычно плоская: в шестнадцать раз больше пикселей за чуть более чем втрое большую цену, потому что счётчик — это токены, а количество токенов не масштабируется с площадью так, как можно предположить по заявленной цене. Тарифная лестница Google ближе к пропорциональной. На 4K — разрешении, для которого создавалась модель с открытыми весами, — именно в этой плоскостности и кроется настоящая экономия.

Роутинговый слой оправдывает себя здесь тем, что избавляет от необходимости думать о том, на каком из этих двух счётчиков ты сейчас находишься. OrcaRouter пропускает цену из прайс-листа провайдера с наценкой 0%, а значит, изменение цены у вендора — включая такую акцию, как у M​iniMax, и включая её окончание — вступает в силу у нас в тот же день, а не ждёт миграции биллинга. Ни одной из моделей из этого сравнения нет в нашем каталоге: MiniMax-H3-Image появилась неделю назад и не имеет хостингового маршрута, а Nano Banana 2.1 доступна только через собственный API G​oogle. Из этой линейки у нас есть предыдущее поколение, google/gemini-3.1-flash-image-preview, а также имиджевые маршруты O​penAI и видеомаршрут для H3 от M​iniMax. Сказать об этом прямо стоит потому, что материал, сравнивающий неизмеренный открытый чекпоинт с получившим оценку закрытым, не должен делать вид, будто новый чекпоинт доступен в одно нажатие клавиши.

Только у одной стороны этого есть табло

Artificial Analysis присуждает Nano Banana 2.1 Elo 1160 в своей таблице генерации изображений по тексту — четвёртое место, более 6 055 образцов, — и Elo 1137 в таблице редактирования изображений — также четвёртое место, более 5 968 образцов. Обе позиции имеют диапазон ранга от четвёртого до шестого в зависимости от интервала, который вы читаете. Эти оценки независимы, основаны на выборке и сопоставимы с любой другой моделью в таблице — включая те, которые вы уже используете.

У MiniMax-H3-Image нет записи ни на одном из лидербордов. Не низкой — никакой. В карточке вендора она названа «ведущей моделью с открытыми весами», а витринная сетка в репозитории — единственное существующее доказательство качества результатов, и это именно тот тип доказательств, который по своей природе призван выглядеть хорошо. Таблицы оценок от вендора тоже нет — ни GenEval, ни DPG-Bench, ни чисел человеческих предпочтений, ничего, что можно было бы сравнить с опубликованной оценкой конкурента. Через месяц это может измениться. На сегодня честный вывод таков: более дешёвая модель дешевле, а измеренная модель измерена, и эти два факта не противоречат друг другу, потому что они о разных вещах.

Есть стоимость второго порядка, которую цена за изображение полностью скрывает, и это самое большое число в этой статье: 68,65 ГБ диффузионного трансформера и VAE в BF16 и FP32, плюс текстовый энкодер, который вообще отсутствует в репозитории. MiniMax-H3-Image загружает text_encoder/ из видеомодели MiniMax-H3 — 66,7 ГБ Qwen3-VL, поэтому первая локальная генерация — это скачивание примерно 135 ГБ из двух репозиториев. Добавьте GPU: собственные рекомендации MiniMax по обслуживанию для vLLM-Omni указывают H200, RTX PRO 6000 Blackwell и AMD Instinct MI350X, а параллелизм по последовательности на нескольких GPU — --ulysses-degree в SGLang, --usp в vLLM-Omni — является документированным способом получить приемлемую задержку при полном разрешении. При $0,02179 за 1K-изображение API ещё очень долго будет дешевле электроэнергии. Открытые веса ценны для контроля и с точки зрения условий лицензии, а не для юнит-экономики в малом масштабе.

Ограничения, от которых зависит больше развёртываний, чем от качества

Потолок разрешения — самый очевидный пункт, и здесь разрыв огромен. Nano Banana 2.1 останавливается на 4K. MiniMax-H3-Image через API доходит до 20 мегапикселей, а в примерах из карточки — примерно до 16 мегапикселей: 4096×4096 при 1:1, 6272×2688 при 21:9, 5472×3072 при 4K 16:9. Если ваш результат — печатная форма или фон, который будут сильно кадрировать, закрытая модель выбывает ещё до обсуждения качества, а две модели из этой статьи и вовсе перестают конкурировать.

Обработка референсов устроена наоборот. 14 референсов Google — типизированные: 10 объектов, 4 персонажа, — и типизация выполняет работу: она сообщает модели, какую роль играет каждое изображение. 16 референсов MiniMax — это нетипизированные слоты, адресуемые по позиции; это даёт больше запаса и меньше структуры. Если ваш сценарий — «поместить этого человека в эту куртку на этом фоне», то преимуществом является типизация Google. Если же он звучит как «вот шестнадцать кадров, сохрани идентичность на всех», то преимуществом является потолок MiniMax. Ни один из них не является надмножеством другого.

Бюджет промпта — третий. У Nano Banana 2.1 есть 131 072 токена входного контекста. MiniMax-H3-Image принимает до 32 000 символов в обслуживаемом API, но при отключённом улучшении промпта реально действуют только примерно первые 4 096 токенов, а локальный путь SGLang обрезает всё на 4 096 токенах. Для модели, чья заявленная сильная сторона — следование инструкциям, это жёсткий бюджет, поэтому MiniMax выпустила компаньон: MiniMax-H3-Image-PE — 27B-файнтюн Qwen3.8-27B в FP4, который переписывает короткий запрос в длинную подпись вместе с рекомендацией соотношения сторон и выдаёт это как JSON по схеме. Он помещается примерно в 19 GiB видеопамяти. Его часть, отвечающая за редактирование, описывается как работающая только с промптами и всё ещё находится в разработке, поэтому расширитель сейчас помогает в text-to-image и почти ни в чём другом.

А лицензия, у которой нет аналога на стороне Google, потому что лицензировать нечего. Соглашение сообщества MiniMax требует отдельного предварительного письменного разрешения при годовой выручке свыше одного миллиона долларов США или, если вы предлагаете хостинговые услуги, требует, чтобы слова «MiniMax-H3-Image» были заметно отображены на любом коммерческом интерфейсе, который его использует, ограничивает использование определённой территорией и запрещает использовать выходные данные для обучения или улучшения других моделей. Условия Google — это стандартный договор API. «Открытые веса» здесь означают лицензию, которую нужно прочитать, а не лицензию, которую можно игнорировать.

Как выглядят оба счёта за реальный месяц

Допустим, вы генерируете 20 000 изображений в месяц в 2K. Nano Banana 2.1 стоит $1 008 по прайс-листу или $504 на пакетном тарифе, если задание можно поставить в очередь. MiniMax-H3-Image стоит $466,60 по прайс-листу через API MiniMax — или, при самостоятельном размещении, столько, сколько вам обойдутся две–четыре таких GPU за нужные часы, а для большинства команд это больше. Допустим вместо этого, что вы генерируете 2 000 изображений в месяц в 4K и окно скидок уже закрылось: $226 для Google, $137,58 для MiniMax. Экономия реальна, и это трёхзначная сумма в месяц, а не пятизначная. Вот правильный размер выигрыша, и его следует взвесить против цены того, что вы первым узнаете, где ломается неизмеренная модель.

Эта асимметрия говорит в пользу конкретного паттерна, а не победителя. Направьте продакшен-маршрут к модели с таблицей результатов, а часть трафика — к дешёвой, чтобы собрать собственные доказательства: фиксированный набор промптов, собственная проверка, две недели сравнения. Именно для этого на самом деле нужен failover: незнакомая модель рассматривается как кандидатный маршрут, а не замена, а проверенная модель остаётся за ней на случай, если результат окажется неверным. Шестишаговое сэмплирование без управления при 16 мегапикселях — тоже долгий запрос по меркам изображений, и оно не идемпотентно на стороне MiniMax: тайм-аут клиента тарифицируется, а SDK OpenAI по умолчанию повторяют попытку дважды, если не задать max_retries=0. Долгие запросы, которые тарифицируются при тайм-ауте, — как раз те, для которых нужен второй маршрут.

Вопрос, который решает это примерно за месяц

Ни одна из моделей не является неправильным выбором; выбор зависит от того, можете ли вы позволить себе быть тем, кто проводит измерения. Если результату нужна таблица результатов раньше, чем нужно решение, Nano Banana 2.1 — единственная сторона в этом сравнении, у которой она есть, и в 4K это стоит $0.113 против $0.06879 у MiniMax — разница, из-за которой вы не раз будете спорить внутри компании. Если результату нужны 16 мегапикселей, типизированные референсы не важны, а разрешение важно, и MiniMax-H3-Image — единственная сторона, которая это поставляет.

Решить вопрос могло бы то, чего пока не произошло: независимая позиция в рейтинге. MiniMax-H3-Image публично существует всего один день, вопросы о условиях её лицензии всё ещё задавали в ветке обсуждений репозитория спустя часы после появления весов, а её собственный расширитель промптов ещё не доработан. Когда она появится на Artificial Analysis с указанным числом выборок, разрыв в цене перестанет быть косвенным аргументом и станет реальным компромиссом. А до тех пор берите модель, у которой есть замеры, для работы, которую необходимо выпустить, и относитесь к дешёвой как к кандидату, которого вы оцениваете, — а не как к замене, которую вы уже выбрали.